非高斯噪声下基于KL散度最小化的目标跟踪

在复杂环境下的目标跟踪系统中,由于受随机脉冲干扰、建模误差、未知异常值等因素影响,系统模型的过程噪声和测量噪声呈现出非高斯重尾的复杂特性。提出了一种在分布式融合框架下基于KL散度(KLD)最小化的算法。首先,包含了目标状态、过程噪声和测量噪声等多个参数的先验模型被构成学生t分布;其次,KLD最小化的方法解决近似分布拟合真实分布差距过大的问题,提高了学生t建模的准确性;最后,采用协方差交叉融合策略实现对局部平台状态估计融合与修正。仿真结果表明,所提算法较传统的NKF、STF、MCCKF算法,具有更高的估计精度。