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。

基于Rodrigues参数和量测非线性的SINS/GPS动基座对准

对GPS辅助下,捷联惯导系统动基座对准问题进行了研究。利用姿态阵分解,将动态对准问题转换为一个常值姿态的估计,采用Rodrigues参数进行姿态描述,建立了系统方程线性,量测方程具有二阶非线性的对准模型,进而推导了基于二阶非线性量测完整泰勒级数展开的滤波算法。同时,对Rodrigues参数描述姿态时的奇异点问题进行了详细地讨论,设计了能自动判别并规避奇异点的滤波对准方案。以车辆典型机动轨迹为对象进行了蒙特卡洛仿真,结果表明,所设计算法能够在5 s内实现奇异点的判别及处理,且当GPS速度误差为0.1 m/s,位置误差为3 m,更新率为1 s时,惯性级捷联惯导系统在120 s时间内,可以达到水平姿态误差角均方根小于10″,方位误差角均方根小于4′的对准精度。

一类基于输出非线性量测的变量带误差系统的辨识

研究一类基于输出非线性量测的变量带误差系统的辨识.通过对输出量测的截断,在适当的系统假设下,应用扩张截断随机逼近算法给出了系统参数的递推估计,并证明了估计的强一致.辨识算法适用于多种常见的非线性量测.最后给出了一个仿真例子,仿真结果与理论一致.

非线性系统中目标跟踪性能评估的新度量

在将误差谱度量推广应用到动态系统滤波器的评估时,整个时间轴上将绘出一个三维图,不直观且不利于分析.为了解决这一难题,提出一个新的度量—动态误差谱,并给出了三种不同应用背景下的计算形式.其中一种采用了几何平均的形式因而可以给出较为"公正"的评估结果,可直接应用于动态系统.接着从新的角度把这一度量应用于对四种非线性滤波算法的评估,仿真结果验证了动态误差谱这一新度量的有用性和有效性.

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%。

多雷达/声呐场景下的去相关无偏量测转换模型

多雷达/声呐跟踪场景中,笛卡尔坐标系由于测量转换过程中依赖相同的估计状态,不同雷达/声呐量测转换的误差常是相关的。文中充分考虑这一相关性,给出了两维及三维笛卡尔坐标系下的去相关无偏量测转换模型,及计算互相关性的解析形式,并采用相对的估计性能评估准则来验证所提算法的性能。仿真示例表明,考虑互相关后滤波性能明显优于经典无偏量测转换方法。

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。

空间引力波探测航天器高精度状态估计器设计

基于星敏感器和惯性传感器等多源异构数据,提出了一种线性化四元数量测的高性能卡尔曼滤波算法。根据空间引力波探测超稳超静平台特性,通过对星敏感器四元数测量在航天器系统姿态小角度变化下的近似变形构造新的线性伪量测,从而满足卡尔曼滤波器的线性假设条件。结合航天器系统离散时间状态空间模型以及多传感器数据,设计线性化四元数量测的卡尔曼滤波算法,以实现航天器系统状态的高精度在轨估计。通过仿真实验以及性能分析验证了该算法可以有效提高系统状态量估计精度,满足空间引力波探测任务航天器姿态量测的精度需求,为高精度控制提供高精度观测信息。

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪,提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性,将位置量测进行无偏量测转换,将多普勒量测进行去偏量测转换,并通过序贯滤波方式提高跟踪精度。针对多目标的机动性,在高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示,所提算法可以在杂波环境中实现有效的机动多目标跟踪,与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%,而且大大改善了算法效率;与无迹卡尔曼最适高斯近似GMPHD相比,在效率上有小幅度的增加,且跟踪精度提升了36.47%。

机载有源无源雷达联合探测数据融合研究

针对机载有源无源雷达量测数据不同步、不同维的特点,提出了基于自适应变维非线性量测最优线性无偏滤波(BLUF)有源无源数据融合方法。首先将三维的非线性量测的最优线性无偏滤波推广到六维的情况,然后针对融合中心收到的量测数据的类型采用不同维的最优线性无偏滤波。该融合方法不但有效地解决了机载有源无源雷达数据的不同步、不同维给融合带来的困难,还大大提高了融合的精度。通过仿真证明了自适应变维的有源无源数据融合方法的有效性。

基于分布式BLUE的多雷达数据融合方法

针对线性系统与非线性观测的混合跟踪融合问题,推导目标匀加速运动时的三维最佳线性无偏估计(BLUE)滤波器,给出基于分布式BLUE滤波的多雷达数据融合方法。由各单元雷达对直角坐标系下的目标状态进行BLUE估计,对多部雷达的目标状态在融合中心进行融合估计,采用位置、速度均方根误差和平均归一化估计误差平方作为融合性能评价标准。仿真结果表明,与基于NC的去偏转换状态融合方法和基于MMC的无偏转换状态融合方法相比,该方法对于过程噪声和测量噪声的变化不敏感,比基于NC和MMC的方法具有更小的位置和速度均方根误差,即使在大误差的情况下,仍然具有较高的融合精度和可靠性。

平方根递推更新高斯粒子滤波

对于高斯粒子滤波器重要性密度函数(IDF)的构建,递推更新高斯滤波器(RUGF)依据非线性测量函数梯度对目标运动状态进行渐进式的更新,可以有效克服线性最小均方误差准则的限制,从而得到更接近于真实分布的后验状态估计,但在递推过程中目标状态协方差矩阵易非正定而出现递推中断。针对这一问题,该文首先分析了RUGF的平方根实现策略,并借助容积卡尔曼滤波对平方根(SR)RUGF进行具体实现,然后利用SR-RUGF为高斯粒子滤波器选取IDF,进而得到平方根递推更新高斯粒子滤波器。仿真实验表明,本文算法可有效解决递推中断问题,并获得较高精度的估计结果。