去偏转换量测Kalman滤波器的FPGA实现

去偏转换量测卡尔曼滤波在雷达目标跟踪系统中有着广泛的应用,针对某型超近程主动防护系统的研制与开发,设计了基于现场可编程门阵列的去偏转换量测卡尔曼滤波器。针对超近程主动防护系统的高精度和实时性的要求,该设计采用结构化设计思想,利用现场可编程门阵列实现浮点去偏转换量测卡尔曼滤波器的设计。在保证实时性的前提下,在模块内部对运算单元分时复用,解决了采用传统的软件方法实现过程中存在的并行性和速度问题,并且保证了运算的精度。通过Matlab和QuartusⅡ仿真,验证了本设计的优越性。

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

欠观测条件下的增量Kalman滤波方法

提出欠观测条件下增量Kalman滤波的概念和定义,建立增量Kalman滤波模型及其分析方法,给出主要的计算步骤。经典的Kalman滤波方法要求量测方程有较高精度,否则在递推过程中会产生较大误差。但是量测方程通常受环境因素影响较大,而且在许多实际情况(如深空探测)中不可能对所有的使用环境逐一校准量测方程。如果某量测方程没有在某一环境条件下进行验证或校准,那么在这一条件(称为欠观测条件)下使用该量测方程往往会产生未知的系统误差,从而导致较大的Kalman滤波误差。提出的欠观测条件下增量Kalman滤波方法能够成功消除这种未知的系统误差,大大提高Kalman滤波的精度。该方法计算简单,便于工程应用。

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中,系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪,通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题,提出了一种基于预测值的量测转换方法,并将其与卡尔曼滤波算法相结合,获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明,与现有的基于量测转换的卡尔曼滤波算法相比,该算法能在不提高运算量的情况下有效改善目标跟踪效果,跟踪精度提升约20%。

量测转换卡尔曼滤波在塔康导航中的应用

塔康导航系统是一种无线电测角测距系统,结合高程数据可以确定目标的三维位置。由于塔康导航的量测误差较大,导致其对目标位置的估计精度不高。为解决此问题,用基于量测转换的滤波跟踪技术实现非线性量测下的状态估计。针对塔康导航系统量测值的特点,首先在斜距值与高度所在平面内推导出量测转换的误差统计特性,并将其推广到三维空间,进而推导出塔康导航系统中的量测转换模型。基于所推导模型的卡尔曼滤波器用于塔康导航系统中的目标跟踪,取得良好的效果。与经典滤波算法的性能对比表明,由于严格基于量测值推导量测转换误差的统计特性,算法在滤波误差、置信度和计算量上优于其他算法,可在不同量测噪声水平下稳健滤波,有较好的全面性和鲁棒性。

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发,分析了Kalman滤波算法的实质及容易发散的原因。提出在Kalman滤波中引入系统量测噪声协方差阵(R)的计算,并对其加权,从而影响滤波增益,抑制发散。推算舰位/GPS 组合导航的应用仿真表明:量测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。

基于修正无偏量测转换的粒子滤波算法研究

如何得到重要性密度函数是粒子滤波算法的关键问题之一。首先阐述了粒子滤波的一般方法;然后在分析修正无偏量测转换统计特征的基础上,提出了一种修正无偏量测转换粒子滤波(M-UCMPF)算法,推导了该算法的重要性概率密度函数;最后通过仿真实验对比分析了M-UCMPF算法、不敏卡尔曼粒子滤波(UPF)算法、修正无偏量测转换卡尔曼滤波(M-UCMKF)算法和不敏卡尔曼滤波(UKF)算法的性能。仿真结果表明,M-UCMPF算法具有运算量相对较小而滤波精度高的特点。

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。

基于预测信息的量测转换序贯滤波目标跟踪

针对多普勒雷达目标跟踪问题,提出了基于预测值量测转换的序贯滤波目标跟踪算法。该算法采用基于预测信息的量测转换方式解决量测与目标运动状态的非线性,其中位置量测转换采用乘性去偏、伪量测转换采用加性去偏,量测转换误差的统计特性基于预测值进行推导,并采用序贯滤波方式处理伪量测以实现目标跟踪。同时将该算法扩展到机动目标跟踪情况,综合利用了位置量测与伪量测滤波部分输出的概率组合作为该模型的更新概率,利用模型更新概率对各滤波器的状态估计结果进行加权求和获得最终估计。仿真结果表明该算法与传统的序贯滤波跟踪算法相比,具有更高的跟踪精度,其扩展方法可实现有效的机动目标跟踪。

一种精确协方差估计的转换量测卡尔曼滤波方法

传统转换量测卡尔曼滤波(CMKF)方法对误差协方差矩阵进行估计时,采用了线性近似的方式。当量测方位误差较大时,无法准确估计出协方差矩阵。针对该问题,提出了一种基于精确协方差估计的CMKF方法,可有效抑制方位误差对协方差估计的影响。仿真结果表明该方法可有效抑制量测方位误差的影响,提升目标跟踪的定位精度。

目标跟踪的转换量测卡尔曼滤波算法性能分析

各种转换量测算法均是基于不同假设条件下对最优解的近似,不同的应用环境可能造成算法完全迥异的性能表现,因此有必要对各种不同的转换量测算法进行统一的分析和比较。文中讨论分析了几种典型的转换量测算法,并通过仿真分析比较了它们在不同环境下的跟踪性能,可信性和运算复杂度。最佳线性无偏估计算法的平均归一化估计误差平方约等于1,是最小均方误差意义下的理论最优估计,其跟踪性能最优。

导航系统中量测滞后异步多传感器集中滤波算法

为解决异步多传感器组合存在的信息更新频率不同步,借鉴联邦滤波子滤波器的结构设计,提出在集中滤波器内根据组合时刻量测值的不同,选择相应量测矩阵进行切换的方法实现多传感器的异步组合.同时在该算法的基础上,利用非延时量测信息补偿滞后量测的方法,解决了多传感器组合量测滞后的问题.该算法在GPS/CNS/SINS组合导航实时仿真系统的应用表明,量测矩阵的切换对系统状态变量的滤波迭代没有不利影响,补偿量测滞后的方法对降低滤波误差有明显作用,滤波结果精度较高.

基于转换量测的水下目标跟踪

针对水下目标跟踪的实际应用情况,提出了基于转换量测误差统计分析的去偏转换量测和基于修正转换量测误差的无偏转换量测方法;给出了基于转换量测的球坐标-直角坐标下目标跟踪算法,并进行了性能仿真。结果表明:这两种跟踪方法都具有很高的跟踪精度和稳定性;基于修正转换量测的跟踪算法对角度量测误差的不同分布有较强的适应性,在角度量测误差较大的情况下,该算法的性能要优于基于误差统计分析的跟踪算法。

有限记忆量测噪声在线估计的Kalman改进算法

针对有限记忆量测噪声在线估计算法中,新息残差序列对渐变噪声的统计滞后问题,提出了一种新息变化率构建算法.该算法利用当前统计周期内新息绝对值的均值与前一统计周期内新息均值的绝对值构造新息变化率,并在此基础上提出了利用新息变化率作为量测噪声估计阵修正因子的改进算法.仿真比较了在无噪声变化、噪声突变与噪声渐变3种不同情况下,算法改进前后的滤波效果.仿真结果表明,该算法在保留对突变噪声有效检测的同时,提高了对渐变噪声的检测速度,从而提高了有限记忆量测噪声在线估计算法对量测噪声阵的计算精度.

基于转换量测高斯化的三坐标雷达跟踪算法

最佳线性无偏估计(BLUE,Best Linear Unbiased Estimation)滤波用于雷达目标跟踪时,有计算量小,置信度高等优点.但是当互斜距测量误差较大时,BLUE滤波会产生非高斯转换量测,导致跟踪精度降低.为解决此问题,对其量测转换模型进行修正:通过引入方位预测,减小方位误差三角函数的非线性影响,得到准高斯分布的转换量测.分析视线坐标系下BLUE滤波的性能,推导引入方位预测的条件,给出改进算法工作流程.推导三坐标雷达下的滤波模型参数,提出转换量测高斯化水平的评估指标并仿真证明:改进算法的转换量测更逼近高斯分布,因此跟踪性能更好,而计算量只有轻微增加.本算法思想同样适用于其他非线性误差较大的场合,对解决类似问题有借鉴意义.

基于去相关无偏量测转换的机动目标跟踪

针对雷达非线性量测信息下的机动目标跟踪问题,提出了一种基于去相关无偏量测转换的跟踪算法。该算法以交互多模型算法为基础,利用多个并行的滤波模型覆盖目标可能的运动模式,其中各个子滤波器均采用去相关无偏量测转换方法解决系统量测与目标运动状态之间的非线性问题。该量测转换方法同时也克服了量测转换固有的缺陷。蒙特卡罗仿真结果表明,相对于传统的量测处理算法,采用基于去相关无偏量测转换的跟踪算法能获得更高的目标跟踪精度。

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型(Interactive Multiple Model,IMM)的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.

一种基于多模型量测转换的机动目标跟踪算法

跟踪精度是衡量声呐系统跟踪性能的重要因素。由于状态与量测建模空间的不同,会导致估计成为非线性问题,进而影响系统的跟踪精度。如何处理好此类非线性滤波问题尤为重要。当目标做机动运动时,若采用单模型结构的跟踪算法会使滤波器的效果受到严重影响,从而使声呐系统性能变差。论文针对这一问题提出一种基于多模型量测转换的机动目标跟踪算法。该算法可同时跟踪运动方式不同的多个目标,且具有实时性强、精度高的优点。经过仿真及数值理论计算,在目标预测位置可获取的条件下可利用其作为量测转换的先验信息,减少了引入量测值与量测误差的关联程度,同时在引入了多模型条件可处理状态的时变性,因此,论文较传统算法具有较好的跟踪精度,处理多目标的机动特性具有较强的稳定性。

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。

基于转换瑞利滤波器的红外目标跟踪算法

利用转换瑞利滤波器(SRF),研究了仅有角度量测的单站红外目标跟踪问题,推导了基于SRF的红外目标跟踪算法,并给出了具体步骤。该算法利用量测方程本身的非线性结构,仅在每次迭代时用"匹配"的正态分布近似代替方位量测的条件概率分布,减小了引入误差。仿真实验表明在红外目标跟踪领域,与以往EKF类的方法相比,该算法实现简单、计算量小、鲁棒性好且滤波精度较高,具有良好的实际应用价值。