丁达理， 罗建军， 宋 磊， 马卫华

(1.西北工业大学航天学院，西安 710072; 2.空军工程大学航空航天工程学院，西安 710038)

0 引言

在无人作战飞机(Unmanned Combat Aerial Vehicle，UCAV)攻击目标过程中，UCAV需要对目标进行跟踪测量以获得所需的目标状态信息。UCAV目标探测与跟踪系统的测量数据一般只包含目标相对距离的粗略信息和视线角的原始信息［1］，不能直接提供目标运动的所有参数，且由于传感器测量误差、陀螺稳定器和无人机平台运动等干扰因素使得目标测量信息存在较大的噪声。目标状态估计通过对目标测量原始信息进行滤波处理，对目标运动的其他参数进行估计，得到目标位置、速度和加速度的精确估值，其精度将直接决定火控解算的精度，从而影响UCAV武器系统的武器投射命中率。

目标状态估计需要解决两个重要问题，即机动目标模型的准确建立和滤波算法的合理使用［2］。目标运动模型的建立是一个难点问题，选择合理的运动模型是精确估计目标运动状态的前提，“当前”统计模型是公认的比较切合实际的一种运动模型，并得到了广泛应用［3－6］。根据相对距离、目标视线角进行实时估计实际上是一非线性滤波问题，目前常用的非线性滤波方法有扩展卡尔曼滤波算法(EKF)、无迹卡尔曼滤波算法(UKF)和粒子滤波算法(PF)。由于EKF算法需要对模型进行线性化处理，忽略了泰勒展开的高阶项，因此会产生较大的估计误差，甚至引起滤波发散;PF算法虽然滤波精度高，但计算量大，运算时间长，所以并不适用于实时处理情况;相比二者，UKF算法具有实现较为简单、滤波精度较高、收敛性好的优点［7］。……