基于后验噪声的贝叶斯鲁棒卡尔曼滤波器

目标跟踪的精度取决于滤波器的性能,但在许多实际的毫米波雷达测量场景中,模型及相关参数的不确定会导致传统滤波器的性能下降。为了应对这种情况,基于贝叶斯准则设计了一种鲁棒卡尔曼滤波器。利用Metropolis Hastings算法,从不确定噪声参数的似然函数中采样并以样本分布来近似后验噪声分布,然后计算其统计平均值,并借助后验噪声统计量扩展了经典卡尔曼滤波器。另外,针对采样时提议分布(Proposal Distribution)难以确定的问题,提出了一种提议分布自适应方法,即利用离散Fréchet距离来评价候选分布与先验分布变化趋势的相似性,然后选取相似性最大的候选分布为提议分布。通过处理毫米波雷达的测量数据证明了该滤波器在应对观测噪声不确定的场景时性能优越。