基于雷达/红外测量的期望最大化容积卡尔曼滤波

发布时间：2021-06-22 13:01

　　为解决相应的目标跟踪问题,该文针对二维空间雷达/红外测量系统提出了一种期望最大化容积卡尔曼滤波（EMCKF）。在期望最大化框架下计算出量测噪声自适应因子,修正量测噪声协方差,以解决跟踪过程中时变量测噪声场景造成的量测模型失配的问题。仿真结果表明,与容积卡尔曼滤波（CKF）相比,在时变量测噪声环境下,该文EMCKF可以得到更准确的结果,并且该算法对量测信息丢失具有更好的鲁棒性。 

【文章来源】：南京理工大学学报. 2020,44(05)北大核心CSCD

【文章页数】：7 页

【部分图文】：

目标的真实轨迹

为了确保EMCKF的快速性,需给出算法合理的迭代参数,图2为场景2下EMCKF在不同迭代数时获取的位置与速度TRMSE。可以看到在迭代数目为2时,算法的估计精度最好,而迭代数目为3时算法的估计精度收敛。为了保证算法的稳定性将EMCKF的迭代次数设置为3。由于EMCKF本质上是一种迭代CKF,因此当迭代次数大于1时,其计算复杂度要大于CKF。CKF与EMCKF在一步状态更新过程中所需的计算时间分别为0. 258 ms、0.576 ms,从图2中的数据可以看出EMCKF所需的计算时间大于CKF,验证了EMCKF计算复杂度要大于CKF。由于其数值远小于采样时间,因此不会对实际系统产生影响。表2显示了3种滤波器获取的位置和速度TRMSE。图3显示了3种滤波器获取的位置和速度RMSE。

表2显示了3种滤波器获取的位置和速度TRMSE。图3显示了3种滤波器获取的位置和速度RMSE。可以看出,在量测噪声发生随机时变、不发生随机时变且量测信息不发生丢失时,CKF和EM-CKF可获取类似的跟踪精度,而CKF-angel only获取的跟踪精度较差。在量测信息发生丢失时,CKF-angel only的位置和速度的均方根误差是发散的。CKF在时变量测噪声中的跟踪性能较差,因为滤波器在建模过程中假定量测噪声不随时间变化,与仿真环境存在严重冲突。EMCKF在量测噪声发生随机时变时,往往具有最高的跟踪精度,并且当量测数据丢失时,EMCKF受到的影响最小,因此EMCKF的鲁棒性也要优于其他2种滤波。

【参考文献】：
期刊论文
[1]基于目标运动特征的红外目标检测与跟踪方法[J]. 娄康,朱志宇,葛慧林.  南京理工大学学报. 2019(04)
[2]机载脉冲多普勒雷达在测量数据丢失下的多目标跟踪[J]. 何山,吴盘龙,恽鹏,邓宇浩.  中国惯性技术学报. 2017(05)



本文编号：3242882