李春辉, 马 健, 杨永建,2,*, 肖冰松, 邓有为, 盛 涛

(1. 空军工程大学航空工程学院, 陕西 西安 710038; 2. 西北工业大学电子信息学院, 陕西 西安 710072)

0 引 言

近年来,非线性系统确定采样型滤波算法受到国内外学者广泛关注并在目标跟踪领域有着重要的应用[1]。典型的包括无迹卡尔曼滤波(unscented Kalman filter,UKF)、中心差分卡尔曼滤波(central difference Kalman filter,CDKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)等[2-5]。其中,Arasaratnam和Haykin等人提出的CKF算法利用球面径向容积准则逼近最优估计的状态后验分布,CKF不仅能克服UKF在高维和强非线性状态估计中的缺点同时具有更高的滤波精度。为了进一步提高CKF算法的稳定性和滤波精度,学者将正交三角分解引入CKF,通过直接计算协方差矩阵的平方根,提出了平方根CKF(square-root CKF,SRCKF)。

尽管SRCKF算法性能优良,但是却无法克服系统模型的不确定性,当目标状态突变或者出现不良量测时,SRCKF算法跟踪性能就会下降。主要可以从两方面解决这一问题,一是对目标机动模型进行再建模,提高模型的自适应性,如文献[6-7]中分别将自适应当前统计(current statistical, CS)模型以及改进的交互式多模型(interacting multiple model, IMM)与SRCKF结合,有效提高了对机动目标的跟踪精度。另外一种方法是对滤波算法进行改进以提高滤波器性能,目前改进SRCKF算法主要选择的是构造强跟踪滤波器(strong tracking filter, STF),通过引入渐消因子实时调整增益矩阵以弥补较大的预测误差[8-14]。但这种方法不仅理论推导复杂,求解计算量较大[15-16],而且也存在渐消因子引入位置随意[17-19]、收敛精度不高等问题。

为了避免上述构造STF时的局限和不足,本文在SRCKF算法的基础上,通过平衡先验的预测值和后验反馈的量测值在滤波中所占的比重,提出基于修正的自适应SRCKF算法。……