自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。

自适应多重渐消IEKF及其在目标跟踪中的应用

目标跟踪应用中,针对迭代扩展卡尔曼滤波(IEKF)在模型失配和噪声时变情况下出现精度下降甚至发散的问题,提出了一种基于多重渐消因子的自适应IEKF算法。该算法首先通过一个基于正态分布的限定记忆新息协方差估值器来计算新息协方差估计值,并根据估计均方误差把多重渐消因子分配给各数据通道;再依照χ^(2)检验原理判断系统是否异常,仅在系统异常时才引入渐消因子;最后利用目标与观测站间的径向距离和方位角信息,实现了IEKF迭代次数的自适应控制。仿真结果表明:与传统IEKF相比,在系统模型失配时所提算法的位置、速度和加速度平均估计误差分别减少86.97%、33.18%和15.56%;在过程噪声时变时则分别减少60.35%、18.42%和6.02%;在量测噪声时变时则分别减少50.60%、18.78%和5.41%。结果表明,所提算法有效提高了滤波精度,鲁棒性也进一步提升。