基于自适应强跟踪CQKF的目标跟踪算法

针对容积积分卡尔曼滤波(CQKF)受模型不确定性影响较大及需要精确已知噪声统计特性的缺点,提出了一种自适应强跟踪CQKF算法。该算法根据强跟踪滤波原理,引入渐消因子调整状态预测协方差矩阵,强迫残差序列正交,有效抑制了模型不确定性引起的滤波发散。在滤波过程中,利用Sage-Husa时变噪声统计估值器对过程噪声及量测噪声实时估计,提高了算法在未知时变噪声环境下的滤波精度。目标跟踪仿真实验验证了算法的有效性和鲁棒性。

一种新型非线性卡尔曼滤波方法

提出了一种新型非线性卡尔曼滤波方法—单形无迹求积卡尔曼滤波(SUQKF)方法,该方法通过对单形无迹卡尔曼滤(SUKF)波所用的采样点进行修正,并与高斯-拉盖尔积分准则相结合,构造了一组个数、权系数和空间分布确定的新型高阶采样点,用来进行滤波。同时指出SUKF是SUQKF的特例。将所提方法通过实验与扩展卡尔曼滤波(EKF)、容积求积卡尔曼滤波(CQKF)进行比较,结果表明:SUQKF方法滤波精度高于EKF和CQKF,且收敛速度较快,实时性优于CQKF。

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波(PF)直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波(7th-CQKF)对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波(CPF)。

七阶正交容积卡尔曼滤波算法

在高斯滤波框架下,阶次越高,近似精度越高。为提高滤波精度,通过提高阶次,提出了七阶正交容积卡尔曼滤波(CQKF)算法。在传统CQKF算法的基础上,该算法扩展了线性积分的近似阶次,提出了七阶球面积分的确定性采样方法;进而扩展了球-半径准则,提高了滤波估计精度。飞行器目标跟踪的仿真实验证明了该算法的有效性,证明了七阶CQKF比五阶CQKF、三阶容积卡尔曼滤波器(CKF)和无迹卡尔曼滤波器(UKF)有更高的滤波精度。