卡尔曼滤波器的模型误差

近几年来,卡尔曼滤波器～（[1],[2]）已在导弹或飞机的跟踪,以及宇宙飞船的轨道测定等方面得到了广泛的应用。在这些应用中容易碰到的一个问题是常常不能够精确在知道初始条件,噪声模型（过程噪声和观测噪声）,以及系统模型的先验统计量,而这个统计量对于最佳滤波器的设计来说恰恰是非常重要的。 例如,在太空宇宙飞船的轨道测定问题中,观测通常是以多普勒,计数多普勒或距离数据的形式提供的。这些数据易受振荡器的不稳定性、电离层中的骚扰,接收机的噪声以及计数器的量化噪声的影响,它们合在一起构成了观测噪声。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存在不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Qk的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Qk,则在机动时的状态估计偏差较小。但当目标不作机动时,此时的Qk只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

对卡尔曼滤波器应用到雷达跟踪问题的评论

本文的主要目的是阐明标准卡尔曼滤波器和卡尔曼预测器之间的差别。为此,发表了标准卡尔曼滤波器和卡尔曼预测器在雷达跟踪问题中的应用。为了获得跟踪目标的较好的位置和速度精度,这两种标法已被广泛地用在边搜索边跟踪的雷达系统中。两种方法间的性能分析和比较与实际卫星跟踪数据一起已被发表。结果表明对于大机动目标,标准卡尔曼滤波器优于卡尔曼预测器。     

用于纯方位机动目标跟踪的机动探测法

假设目标在某时刻发生折线机动,并且目标在机动前后都是做匀速直线运动。所提出的机动探测算法通过探测这种变化得到探测时刻。这种算法是基于对方位预测误差的均值变化进行分析的。然后估计出目标机动时刻,并从机动时刻起重新设置滤波器,估计出目标机动后的运动参数。典型的机动TMA态势仿真结果表明,该算法对于一般的目标折线机动可以有效地进行跟踪。     

近程武器系统两种跟踪滤波方案的精度比较

本文推广了[2]中关于耦合x,y卡尔曼跟踪滤波器稳态估计精度解的形式。对近程武器系统跟踪滤波坐标系的选择问题,从精度的角度作了讨论。     

使用位置和速率量测值的三状态卡尔曼跟踪器

本文叙述了跟踪类似飞机的运动目标的三状态卡尔曼跟踪器,该跟踪器利用使用脉冲多普勒处理过的边跟踪边扫描雷达传感器获得的位置和速率量测值,例如,提供清晰的多普勒数据的动目标探测器就是这种雷达传感器。在白噪音机动能力的假设条件下,已经解析地获得了稳态滤波器参数。这些参数的数值计算与用递归卡尔曼滤波器矩阵方程得到的数值计算完全一致。在只能得到距离量测值的情况下,作为这种模型的特殊情况获得了这种情况的解。为了举例说明这个解是怎样取决于不同的参数,本文还介绍了归一化的协方差和增益图象。     

基于多机载预警雷达的机动目标融合跟踪方法

机动目标跟踪是多机载预警雷达数据融合中的一个难点,传统的卡尔曼滤波本身不足以解决该问题.基于量测噪声协方差估计设计了一种可适用于机动目标的卡尔曼滤波器;引入了协方差交集,提出了一种针对多机载预警雷达数据融合中机动目标跟踪的新方法.仿真实验表明,该方法能够成功稳定地跟踪机动目标,与现有的主流方法相比,该方法的误差性能是最佳的.     

基于运动合成的小推力轨道优化方法

针对小推力轨道优化设计问题,提出一种基于运动合成的新方法。给出基于运动合成的小推力轨道机动表达方式,将小推力轨道运动分解成相对独立的三项:单独考虑日心引力的二体轨道运动,单独考虑小推力的运动,以及小推力的存在引起的日心引力摄动作用下的运动。分别给出各项运动的解析表达式,通过合成叠加得到小推力轨道的近似解析解。在此基础上,将小推力轨道优化问题转化成非线性规划问题,并利用序列二次规划方法求解。以小行星1989ML、火星和金星交会任务为例分别进行仿真实验,结果表明,所设计轨道满足任务约束,验证了该方法具有可用性和高效性。     

机动目标跟踪的非线性算法

卡尔曼滤波器对线性高斯滤波问题能提供最优解, 而对目标运动模型、观测方程等要求的非线性就不再适合,提出了一种机动目标自适应非线性粒子滤波算法-" 粒子滤波器"(Particle Filters PF)法, 这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型, 分析比较了粒子滤波(PF)与扩展卡尔曼滤波算法(EKF) 的滤波精度、运算量等方面指标.给出了基于典型非线性模型的算法仿真, 仿真结果表明粒子滤波新方法优于EKF对机动目标跟踪.     

多种滤波器方案对机动目标跟踪自适应性比较

在过去几年对机动目标跟踪这个复杂问题取得了许多成果。目前已普遍认为混合状态估计交互式多模型算法(IMM)对机动目标就跟踪精度而言比其它类型的滤波器(如自适应单模型,输入估计,变维等等)实现效果更好。然而,IMM算法的复杂性阻碍了其应用,在这些应用中,简单算法不能提供必要的精度,又不能承受IMM算法的计算负荷。本文介绍评价一个应用并行运行的3个不同常速模型(3CV-PAR)和一个机动检测器的多模型航迹滤波器的跟踪精度。输出估计由选择其似然函数比目标机动门限值(TMTh)低的模型确定。3常速并行航迹滤波器的跟踪效果与如下滤波器比较:·自适应单运动模型卡尔曼滤波器(ASMMKF);·交互式多模型(IMM)滤波器中运用相同的3个常速运动(CV)模型作为3CV-PAR滤波器;·交互式多模型(IMM)滤波器中应用一个等速(CV)模型和一个等加速(CA)模型成为CVCA滤波器;·交互式多模型(IMM)滤波器中应用一个常速(CV)模型和两个仅过程噪声水平不同的常加速(CA)模型(CA1、CA2)成为CV2CA滤波器。通过在具挑战性的多传感器想定下100次蒙特卡洛(Monte-Carlo)试验平均均方根(RMS)误差的计算结果,比较3CV-PAR航迹滤波器与上述算法方案,评价跟踪精度。     

一种改进的基于交互式模型的机动目标跟踪算法

针对传统的以匀速(CV)或匀加速(CA)运动作为目标运动模型的卡尔曼跟踪滤波器的计算量大及跟踪精度低的固有缺陷,提出了一种基于CV和CA的交互式卡尔曼滤波模型的机动目标跟踪算法,该算法能在保持直线运动跟踪精度不变的前提下,使做曲线运动的目标的跟踪精度逼近做直线运动的目标的跟踪精度。并将CV和CA模型混合起来进行仿真估计,系统仿真结果表明该算法提高了系统的跟踪精度。     

主被动雷达协同跟踪制导方法研究

针对导弹主被动雷达协同跟踪制导问题,采取了复合制导的方法,把2种不同制导律复合作为导弹主被动雷达协同跟踪的导引法,并把卡尔曼滤波器估计应用到有目标机动时导弹的末制导。用Matlab进行仿真,对导弹的机动性,弹目遭遇时间进行研究,最后仿真分析表明了复合制导方法的优越性。     

闪烁噪声条件下基于交互多模框架的雷达目标跟踪算法

针对传统雷达目标跟踪算法在处理闪烁噪声时面临的性能下降问题,提出一种将容积卡尔曼估计器与交互多模框架相结合的高性能滤波算法。该算法将目标状态建模为高斯分布,将闪烁噪声建模为混合高斯分布,同时将其发生概率建模为一阶马尔可夫过程;在此基础上,利用交互多模框架实现对不同高斯噪声分量的匹配滤波处理。为了减轻非线性观测条件对目标跟踪精度的影响,进一步采用容积卡尔曼估计器作为高斯近似滤波器,对目标状态进行递推预测和更新。仿真结果表明：所提算法较传统高斯混合滤波器和粒子滤波器具有更高的跟踪精度和更好的实时性能,同时还能对闪烁噪声出现时刻进行有效的估计。     

基于遗传算法的低探测概率稳态滤波器优化

低探测概率机动目标跟踪α-β-γ滤波器收敛速度和精度是一对难题.通过对目标机动域的划分,提出基于遗传算法稳态α-β-γ滤波器的参数优化.在滤波计算中,根据目标机动估计值并结合跟踪波门的设定实时调整滤波器参数.通过在目标位置信息可测条件下的稳态滤波仿真表明,经优化的α-β-γ滤波器跟踪精度和收敛速度显著提高,较好解决了滤波环境恶劣时稳态滤波跟踪问题.     

机动目标跟踪算法

文中提出了一种新的机动目标跟踪方法。一种基于新息序列的最快检测方案被设计出来,用于目标机动的快速检测。对给定的虚警概率,得出了最小机动检测延迟的最佳滑动窗口长度。检测到机动后,用增加机动项的方法修正系统模型。文中提出用递推算法来估计机动幅度。使用该估计,修正的卡尔曼(Kalman)滤波器可被用来对目标实施跟踪。仿真结果表明尤其是在目标机动过程中该算法具有优越的性能。     

过载系数未知的反舰导弹跃升俯冲过程跟踪算法

针对反舰导弹跃升机动过程的跟踪中,过载系数未知导致跟踪模型与导弹实际运动的不匹配问题,对状态变量进行扩展,应用扩展卡尔曼滤波对过载系数实时估计,实现对跃升俯冲机动过程的跟踪。仿真结果表明,该算法可准确估计出过载系数,显著提高跟踪性能。     

用于跟踪机动目标的交互式加速度补偿算法

两级卡尔曼估计器研究针对在有随机偏差的情况下的状态估计,通过把目标加速度视为一偏差向量,用于对机动目标的跟踪。此时,目标加速度作为一个偏差,第一级估计器包含了一个常速机动模型,由其估计出目标位置和速度,而第二级估计器则估计目标加速度。当目标机动被检测出时,则该加速度估计用于修正第一级估计器中的估计。本文介绍的交互式加速度补偿算法(IAC)能克服对两级估计器明显机动检测的要求。此IAC算法被视为是一个具有两个加速度模型的两级估计器:零加速度的等速度模型和等加速度模型。交互式多模型算法(IMM)用于计算加速度估值,以补偿等速滤波器的估值。仿真结果表明,IAC算法的跟踪性能和IMM算法的性能相当,而计算量大约是IMM算法的50%。     

采用非线性目标模型的目标机动检测和跟踪

本文介绍两种跟踪机动目标的方法。跟踪滤波器由两个主要部分组成:目标加速度估计和目标机动的检测。第一种方法是首先假定目标的加速度为若干分段加速度值,进行构造加速度估计器。机动检测用以证明上述假设是否正确,即证明目标是否仍保持等加速运动。如果断定目标有机动,则滤波器被重新预置,并识别出加速度值。第二种方法是建立在非线性状态模型基础上的,该模型对平面内机动的目标和非等加速运动的目标跟踪精度较好。     

用具有输入估计的可变维滤波器跟踪

本文提出一种跟踪机动目标的改进方法。通过组合输入估计方法和可变维滤波方法的递归公式,构成所提出的跟踪滤波器。在所提出的方法中,当探测到目标机动时,滤波器还提供目标开始机动瞬时的估计。用这种估计的机动开始时间,也估计机动输入并且跟踪系统变成了机动模型。所提出过程的计算负载与输入估计方法的计算负载不相上下。为了说明所提出跟踪滤波器的效果,进行了仿真,把输入估计滤波器和可变维滤波器与交互式多模型(IMM)滤波器进行了比较。     

基于多雷达组网IMM-GMPHDF的机动多目标检测跟踪

高斯混合概率假设密度滤波(GMPHDF)有牢固的理论基础,是解决高斯条件下跟踪强杂波环境中目标数未知的多目标问题的有效方法。但当目标发生机动时,就难以跟踪到目标,因此,在GMPHDF中引入交互多模型(IMM)算法,对继续存在目标的运动模型进行建模,根据计算的模型概率融合各模型滤波器估计得到的继续存在目标概率假设密度,解决了运动模型机动问题。仿真实验表明,IMM-GMPHDF能实时跟踪到强机动超音速多目标,在多雷达组网系统中跟踪强机动超音速多目标精度(OSPA距离均方根误差)能达到70 m,满足了工程使用要求。