论文部分内容阅读
随着科技的飞速发展,尤其是航空航天技术的突飞猛进,先后有国家研发了高速高机动飞行器,这类目标具有高声速、大范围机动、系统模型非线性和参数时变等特点。在目标跟踪系统中,目标状态的准确估计尤为关键,而实际系统模型大多是非线性的,这对非线性滤波算法提出了更高的要求。本文就非线性滤波算法中扩展卡尔曼滤波进行了研究。论文主要工作包括:分析了几种在目标跟踪中经典的非线性滤波算法,包括扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)、粒子滤波(Particle Filter,PF)、当前统计模型(Current Statistical Model,CSM)和交互多模型(Interacting Multiple Model,IMM)算法。UKF使用无迹变换来处理非线性系统的均值和协方差,但存在依赖经验选取参数和状态维数较高时滤波易发散的问题。PF能用在非高斯系统中,但要提高滤波精度需要增加粒子数,实时性较差,同时存在粒子退化问题。CSM考虑到加速度对状态估计的影响,但当加速度极限值设置过大会导致预测协方差很大,反而降低了滤波器对弱机动或非机动目标的跟踪效果。IMM是一种多模型切换算法,克服了单模型算法的一些缺陷,但是依赖模型集和马尔科夫链转态转移矩阵的准确选取,不易于工程实现。综合考虑到跟踪系统要满足易于工程实现和实时跟踪等要求,确定重点研究EKF算法,它具有结构简单,易于实现,实时性好等特点,是当前及未来研究非线性滤波算法的热点和有效方法。针对目标机动使得预测协方差与其真实值误差过大而导致EKF跟踪不准确的问题,提出了一种改进的扩展卡尔曼滤波算法。改进算法采用EKF算法框架,利用自适应渐消滤波的思想,根据滤波发散判据,提出一种新的自适应渐消因子,并将其引入到预测协方差的计算中,使用新的渐消因子能够克服传统渐消因子在求取时,没有考虑到滤波器当前处于发散还是收敛状态的问题,因此提高了渐消因子的求取精度,再通过Levenberg-Marquardt方法对预测协方差进行迭代优化,使之与真实的协方差逐渐拟合,进而实时改善滤波增益,提高滤波估计的精度,同时保证了算法稳定收敛。通过三维空间中跟踪机动目标的仿真实验表明,改进算法的跟踪精度高于传统的EKF、UKF和PF算法的跟踪精度,与CSM和IMM算法的跟踪精度相差不大,并且实时性上优于UKF、PF、CSM和IMM算法,证明了改进算法的有效性。