一种带二次等式约束的卡尔曼滤波目标跟踪算法

目标跟踪是无线传感器网络的重要应用之一.研究目标运动轨迹满足一个二次等式约束(quadraticequality constraint)的目标跟踪问题.在实际应用中,当飞行器进行盘旋或者车辆沿弯道行使时,其轨迹均近似满足一个二次等式约束.考虑在卡尔曼滤波(Kalman filtering,简称KF)算法中引入二次等式约束以提高目标跟踪精度.所提出的算法在每个采样时刻首先利用新获取的观测量和无约束卡尔曼滤波算法更新目标运动状态估计,然后利用带二次等式约束的极大似然估计(maximum likelihood estimator,简称MLE)修正目标运动状态估计.在求解约束极大似然问题时,将其看作一类广义信赖域子问题(generalized trust region sub-problem,简称GTRS),以获得全局最优解.仿真结果表明,该算法与现有带二次等式约束的卡尔曼滤波算法相比具有更高的跟踪精度.     

基于序列二次规划的非线性不等式状态约束滤波算法

针对非线性不等式状态约束滤波问题,提出一种基于序列二次规划的迭代不敏卡尔曼滤波算法。在迭代不敏卡尔曼滤波的基础上,采用序列二次规划优化法求解非线性不等式约束条件下的最优解。通过对每一次迭代求解二次规划子问题来确定下降方向,重复该步骤直到求得原问题的解,利用效益函数对目标函数最小化和不等式约束条件进行权衡,以保证算法的收敛性,利用正定矩阵近似海森矩阵降低时间复杂度。对具有约束的航路跟踪系统进行实验仿真,结果表明,该算法在处理非线性不等式状态约束滤波问题时,能够有效地提高状态估计精度,获得较高的滤波精度,且时间复杂度较低。     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

基于M估计的鲁棒后向平滑CKF单站跟踪算法

提出一种基于M估计的鲁棒后向平滑容积卡尔曼滤波（M-estimated based Robust Backward-Smoothing Cubature Kalman Filter,MR-BSCKF）算法。该算法将改进的M估计思想引入后向平滑容积卡尔曼滤波（BSCKF）算法中,引入Mahalanobis距离构建P-Huber等价权函数,通过降低野值误判概率进一步提高滤波算法的鲁棒性;在传统CKF算法的基础上增加后向平滑函数,通过后向平滑和前向滤波相结合的二次滤波进一步提高滤波的精度,实现了算法精度和抗野值能力的统一。仿真结果表明,与传统算法相比,MR-BSCKF在有野值和无野值的情况下都能够得到更加准确的目标跟踪结果,且鲁棒性更强。     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

基于RBPF和数据关联的多目标跟踪

粒子滤波用一组带有权值的随机采样点近似后验概率密度函数,实现对任意状态模型的精确估计。把Rao-Blackwellized粒子滤波与多假设跟踪算法相结合,将多目标跟踪问题分为2个部分,即数据关联中后验概率分布的估计和基于数据关联的单个目标跟踪估计。前者通过序列重要性重采样实现,后者使用卡尔曼滤波进行最小均方误差估计。实验结果表明,采用最优重要性分布可以减少计算所需粒子数和计算量。     

有色量测噪声下的HCKF及其应用

针对高阶容积卡尔曼滤波（HCKF）算法在有色量测噪声条件下滤波精度下降的问题,提出了有色量测噪声下的HCKF算法。通过一阶马尔科夫模型将有色量测噪声进行白化,将带有色量测噪声的非线性离散随机系统转化为白噪声下的非线性时滞系统,并给出高斯域内针对非线性时滞系统的贝叶斯滤波框架。利用高阶容积准则对该滤波框架进行近似计算,进而得到有色量测噪声下的HCKF算法。将所提算法应用到机动目标跟踪系统中,仿真实验结果表明,量测噪声为白噪声时,所提算法与标准HCKF算法具有相同的估计性能;在量测噪声为有色噪声时,所提算法相比于标准HCKF具有更优的估计精度和鲁棒性。     

基于CKF的特征辅助数据关联多目标跟踪

针对密集杂波环境下的多目标近距跟踪问题,提出了一种基于容积卡尔曼滤波(CKF)和特征辅助数据关联的多目标跟踪算法(FADA-CKF).通过特征信息来对传统量测进行扩维,利用扩维后的量测对关联概率进行修正,将特征信息辅助技术融入到联合概率数据关联中,再利用容积卡尔曼滤波(CKF)处理非线性观测量,对目标状态进行估计.将FADA-CKF算法用于近距多目标跟踪场景中,仿真结果表明,改进算法在跟踪精度和误跟率方面要优于传统的JPDA跟踪算法.     

基于凸优化技术的改进型卡尔曼滤波算法

为了能够在高斯噪声和稀疏噪声混合情况下对目标进行准确跟踪,提出基于凸优化的改进型卡尔曼目标跟踪算法。改进后的方法以传统卡尔曼滤波方法为基础,结合凸优化技术,从最大后验估计理论和贝叶斯理论的角度构建目标跟踪的优化问题,将噪声统计特性作为先验约束引入优化过程中,实现在高斯噪声和稀疏噪声混合情况下对目标的准确跟踪。仿真实验结果证明该方法的可行性和有效性。     

未知状态模型下基于高阶容积卡尔曼滤波和神经网络的状态估计算法

针对非线性系统状态模型未知的情形,提出一种基于高阶容积卡尔曼滤波和神经网络的状态估计算法,解决了未知非线性系统模型的状态估计问题。在算法的实现过程中,首先利用神经网络对非线性系统建立状态空间模型,然后把神经网络的权重和系统的状态变量组合在一起作为新的状态变量,并采用高阶容积卡尔曼滤波对新的状态进行实时更新,从而达到神经网络对非线性系统模型的真实逼近以及对状态值的精确估计。最后的目标跟踪仿真表明,该算法具有更高的估计精度。     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

简化高阶强跟踪容积卡尔曼滤波及其在组合导航中的应用

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.     

Cubature卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF),分别应用CKF和KF估计模型中的非线性和线性状态.该算法对非线性与线性状态均进行cubature采样,并将两种样本通过线性方程和量测方程进行传播,以获得非线性状态估计.机动目标跟踪仿真结果表明,CKF-KF的估计精度比Rao-Blackwellized粒子滤波器(RBPF)略低,但算法运行时间不到其1％;与无迹卡尔曼滤波器(UKF-KF)相比,估计精度相当,但算法运行时间降低了22％,有效地提高了实时性.     

基于高斯和SCKF 的姿态角辅助三维目标跟踪

首先, 根据目标运动与姿态角的关系, 分析目标在偏航角和俯仰角下的速度变化, 进而推导出姿态角辅助三维目标跟踪模型; 然后, 针对姿态角量测非高斯情况, 在分析均方根容积卡尔曼滤波的基础上, 提出新的高斯和均方根容积卡尔曼滤波算法, 以提高非线性非高斯的处理能力; 最后, 结合不同运动模式下姿态角分量的特点, 建立姿态角分量不同的跟踪模型, 通过模型切换实现对姿态角机动的跟踪. 仿真结果验证了所提出跟踪模型和滤波算法的正确性和有效性.     

均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面-径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯-拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法-三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.     

A Seventh‐Degree Cubature Kalman Filter

The fifth‐degree cubature Kalman filter (CKF) has been proved to be a kind of algorithm that has higher precision than the third‐degree CKF and unscented Kalman filter (UKF). In order to further improve the performance of CKF, the seventh‐degree CKF is proposed in this paper by expanding the spherical‐radial rule, and a new kind of deterministic sampling method is derived based on the seventh‐degree cubature rule. Through the comparison in target tracking simulation, the seventh‐degree CKF methods are shown to be able to enhance filtering precision compared to the fifth‐degree CKF, the third‐degree CKF and the UKF filter.     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.