基于改进UKF的转弯机动目标跟踪算法研究

精品论文赏析

2022年电子技术应用第9期

李盈萱1，王中训1，董云龙2

1.烟台大学 物理与电子信息学院，山东 烟台264005

2.海军航空大学信息融合研究所，山东 烟台264001

摘要

针对转弯率未知或变化条件下的精确跟踪问题开展研究，给出了基于UKF的自适应协同转弯跟踪算法，该算法充分利用了扩维技术和自适应渐消因子技术，不断实时估计转弯率，同时基于渐消因子调节过程噪声及其对应的增益，并对不敏卡尔曼滤波算法的采样范围进行自适应调节,使采样点更接近目标真实状态。仿真表明该算法在转弯率变化时获得了较好的跟踪性能，有效提升了对于转弯机动目标跟踪的准确性和稳定性。

关键词

机动目标跟踪、不敏卡尔曼滤波、自适应转弯模型、自适应渐消因子、采样范围

引言

机动目标跟踪广泛应用于军用及民用领域，且一直是目标跟踪领域研究的重点和难点[1]，其核心在于建立与目标实际运动状态匹配的系统模型和选择合适滤波算法[2-3]。

在目标的各种运动中，转弯运动是一种常见的运动形式，对做转弯运动的目标进行跟踪时，如果跟踪模型中设置的转弯率与实际情况不符，会产生较大的估计误差[4]，而实际上，目标运动的转弯率多数情况下都是未知的。因此，人们在固定转弯率的协同转弯(Coordinated Turning，CT)模型基础上进行了各种改进，以提高跟踪转弯运动目标的准确性和稳定性。主要有两种改进方法[5]，一是对多个转弯率建立相应的跟踪模型[6]，构建交互式多模型，二是通过实时计算实现转弯率自适应调节[7-10]。

除了要建立合适的系统模型，滤波算法的选择也十分重要。自20世纪60年代卡尔曼滤波理论提出至今，针对不同问题的各种滤波算法层出不穷。扩展卡尔曼滤波(Expanded Kalman Filter，EKF)算法[11-12]、不敏卡尔曼滤波(Unscented Kalman Filter，UKF)算法[13]、粒子滤波(Particle Filter，PF)算法是几种常用的非线性滤波算法。

原文下载

点击阅读原文，下载全文。