卡尔曼滤波及其算法实现.docVIP

卡尔曼滤波及其算法实现目标跟踪技术在现代社会中有非常重要的应用价值。虽然目标跟踪的概念在上世纪中期就已经提出，但目标跟踪技术的真正形成是在卡尔曼滤波理论在机动目标跟踪中成功应用之后。目标跟踪就是雷达取得目标位置、运动参数数据后，进行关联、跟踪、滤波、平滑、预测等运算，精确估计出目标位置和相关的运动参数（角度，角速度，角加速度等）。对雷达量测数据进行处理可以有效的抑制测量过程中引入的随机误差。 　　目标跟踪可分为非机动目标跟踪和机动目标跟踪。机动是指目标改变原来的运动，比如采取转向、俯冲、加速、减速、蛇形机动等。在目标跟踪概念刚提出的时候，目标速度和机动性不高，可以假设其运动轨迹在一定的时间内为匀速运动。不过，随着科技的发展，由于各种需要，比如躲避攻击或者发起攻击，目标常常要采取机动措施，这时候目标的机动性就十分强，如果再用跟踪匀速的模型来跟踪就会丢失目标。由于机动的随机和多样性，迄今为止没有一种通用的技术适合于各种跟踪情况。这就需要我们根据各自需求，选择最适合的模型和算法。这也是机动目标跟踪两个核心的问题。随着现代航空航天技术的发展，各种飞行器的机动性能越来越高。在这个背景下，提高对机动目标的跟踪性能成为越来越重要的问题，而研究更合理的机动目标模型以及拥有良好性能的跟踪滤波方法成为重中之重。 　　随着第一部跟踪雷达站SCR-28的出现，以及其他声纳、红外、激光等目标跟踪系统的出现和发展，目标跟踪问题逐渐成为了研究的热门领域之一。在目标跟踪的发展历程中，卡尔曼滤波理论绝对算的上是一个里程碑。随着它的出现，目标跟踪技术才越来越受到大家的重视，发展也越来越迅猛。近二十年来，随着其他一些新技术的出现，比如扩展卡尔曼滤例子滤波、交互式多模型、多速率处理等，结合这些技术，研究学者们提出了很多创新的方法，取得了长足的进步。但是在现在目标的运动速度和机动性变得越来越高的情况下，扩展卡尔曼滤（Extend Kalman Filter，EKF）、不敏卡尔曼滤波（Unscented Kalman Filter，UKF）、联邦卡尔曼滤波、自适应卡尔曼滤波等这些在目标运动模式基本固定的情形下能获得良好滤波效果的算法就出现了跟踪精度下降的问题。为了解决这个问题，适应目标机动，减少跟踪误差，又出现了一些新的算法，主要有强跟踪滤波器、变维滤波器、粒子滤波器、模糊自适应算法等。粒子滤波[1]是用一组随机抽样的有相应权值的粒子群来表示概率密度，它有不受非线性、非高斯的限制的优点。不过，粒子滤波有个很大的缺点，就是计算量比较大，难以满足实时性的要求。同时，如何可靠的检测粒子滤波的收敛性也是一个问题。建立合适的模型和选用简单有效的滤波方法是机动目标跟踪的两个关键问题。就滤波算法而言，主要有Gauss在1809年最早提出的最小二乘滤波；N·Weiner提出的维纳滤波；1960年，R E Kalman提出的卡尔曼滤波。 　　由于机动目标的运动特征，单一的模型很难准确描述目标的运动状态，因此很自然的就出现了用多个模型来描述的方法。第一代多模型算法（MM）首先由D.T.Magill提出，之后又出现了基于这种算法的改进算法，这些算法一起被称为静态多模型算法（SMM）。主要特点是没有考虑系统模式之间的跳变，基于各个模型的滤波器并行工作但各滤波器之间没有交互。这些算法在处理是不变的未知或不确定的系统时有效，但不能应用于系统模式频繁跳变的问题。第二代多模型算法虽然仍使用固定数目的模型，但各个模型之间有交互，考虑了系统模式的跳变，一般假设系统模式是马尔科夫或半马尔科夫过程。代表算法有Ackerson和Fu提出的泛化伪贝叶斯算法（Generalized Pseudo-Baysian，GPB）以及Blom和Bar-Shalom提出的交互式多模型算法（Interacting Multiple Model，IMM）。GPB算法中假设各模型均与目标的运动状态相符，没有考虑各模型的特点；而IMM算法考虑了各模型的特点，在某个时刻与目标的实际运动状态相匹配的只有一个模型，而不是所有模型。而且IMM算法的计算量只与一阶广义伪贝叶斯（GPB1）算法相当，但却能够取得和二阶广义伪贝叶斯（GPB2）算法相似的性能。 　　算法的一个关键因素是目标运动模型。一个好的目标运动模型既要符合运动载体的实际运动情况，又要方便计算。最早的微分多项式模型，它依据任何一条运动轨迹都可以用多项式来描述的原理，虽然它近似性很好，但是跟踪性能差，计算量很大，而且没有考虑随机干扰。在目标机动性越来越高的情况下，考虑如何用准确的模型描述目标机动变得越来越重要。关于运动模型的研究，目前主要有以下几种：1969年，R.A.Singer提出了机动目标的零均值、一阶时间相关机动加速度模型，即Singer模型，将目标的机动加速度表示为随机状态