宋 闯，张 航，郝明瑞

(复杂系统控制与智能协同技术重点实验室，北京 100074)

0 引言

随着科技的不断进步和武器装备的快速发展，战场环境日益复杂，武器装备面临严峻挑战，必须提高其抗干扰性能和精确制导能力。而传统单一模式制导的方式已很难满足上述需求，因此，必须要研究基于多传感器信息融合的制导技术，才能更好地发挥导弹武器的作战效能。制导信息需要通过对目标进行跟踪估计得到。

跟踪估计方法主要有扩展卡尔曼滤波(Extended Kalman Filter，EKF)和Sigma点卡尔曼滤波(Sigma-Point Kalman Filter，SPKF)。EKF是最早提出的非线性滤波算法，并得到了广泛的应用。但该算法有明显的缺点：需要得到系统的解析形式来计算雅克比矩阵，以及在非线性较强的情况下估计精度下降明显。SPKF算法利用加权统计线性回归技术，通过Sigma点的选取和变换来近似状态和均值的非线性变换，对高斯分布而言，均值和方差的近似可以达到3阶(泰勒展开)精度[1]。根据采样点选取策略的不同，SPKF算法包括无迹卡尔曼滤波(Unscented Kalman Filter，UKF)和中心差分卡尔曼滤波(Central Difference Kalman Filter，CDKF)算法[2]。

对于分布式融合系统，冗余信息的多重利用往往会降低系统的融合性能，传统的贝叶斯估计方法很难处理这一问题。针对这种情况，J.K.Uhlmann等[3]提出了一种可应用于任意复杂分布式系统的协方差交叉(Covariance Intersection，CI)融合算法，当局部状态估计满足一致性估计的条件时，算法所得融合估计也能保证估计的一致性。CI算法需要计算非线性评价函数的极值，这是一个很大的缺陷。因此，文献[4]提出了一种非迭代的快速协方差交叉(Fast Covariance Intersection，FCI)算法。……