基于強跟蹤AUKF的目標跟蹤算法

摘 要： 針對無跡卡爾曼濾波器在遞推過程中不具有對測量條件變化和系統模型不確定性的自適應性，在模型不準確或出現不良測量條件時跟蹤效果不佳的問題，提出一種新的目標跟蹤算法，即基于改進強跟蹤的自適應無跡卡爾曼濾波器（STF?AUKF）。該算法一方面基于自適應濾波的思想，利用新息協方差匹配原理，建立對不良測量具有魯棒性的自適應UKF；另一方面，依據改進強跟蹤濾波的思想，采用時變漸消因子實時調節矩陣增益以此應對模型突變，保證跟蹤效果。仿真結果表明，STF?AUKF算法在目標突發機動時仍然具有較好的穩定性和跟蹤效果。

關鍵詞： 目標跟蹤； UKF； 自適應UKF； 強跟蹤濾波； 時變漸消因子

中圖分類號： TN713?34； TP92 文獻標識碼： A 文章編號： 1004?373X（2016）17?0030?05

0 引 言

現實生活中很多問題會牽扯到非線性濾波估計。包括目標跟蹤、導航、音頻信號處理、衛星軌道/姿態的估計系統、故障檢測、生物醫學應用等。很多國內外專家學者開始研究次優的濾波器解決這些問題。擴展卡爾曼濾波器（Extended Kalman Filter，EKF）在一些領域使用廣泛。但是，EKF算法也存在許多缺點，如較差的跟蹤精度，跟蹤過程中出現發散等。為了解決上述問題，Julier等人提出無跡卡爾曼濾波器[1]（Unscented Kalman Filter，UKF）。UKF 算法的估計精度可以精確到二階，在許多應用中都表現出較好的性能[2?3]。

然而使用上述方法進行估計時都是以精確模型和良好的測量條件作保證。當模型不準確或出現不良測量條件時，EKF，UKF算法都不具備較好的估計精度、魯棒性和跟蹤能力。在系統對目標運動測量出現不良情況時，可以采用自適應UKF算法[4]提高UKF的魯棒性。當系統模型比較模糊時，為了減小對濾波的影響，周東華等人提出了強跟蹤濾波器[5]（Strong Tracking Filter，STF）。該算法依靠時變漸消因子在線調整增益矩陣，使得模型在不確定性時依然有較好的魯棒性和較強的跟蹤能力。許多學者基于STF的理論框架，分別利用UKF、容積卡爾曼濾波（Cubature Kalman Filter，CKF）等代替EKF，建立相應的強跟蹤濾波器，有效地改善了STF的性能。文獻[6]將STF的理論思想與UKF相結合，并成功地應用到天文自主導航中，改善了系統的可靠性。文獻[7]提出了STF?CKF算法，并將其應用于非線性系統故障診斷中，首先用CKF算法計算后驗均值和方差，然后通過STF對殘差強制白化，從而獲得了較高的跟蹤精度。然而，STF算法同樣具有一定的局限性，如精度低，需要計算雅克比矩陣等。

針對STF的理論局限性及UKF算法在系統不良測量時造成的濾波影響，本文提出了一種基于改進強跟蹤的自適應UKF算法。首先，采用自適應UKF算法解決系統不良測量帶來的跟蹤誤差； STF在模型出現改變時依然擁有較強的魯棒性優點，因此結合STF算法的基本理論框架，利用自適應UKF代替EKF構成STF?AUKF算法。實驗仿真結果表明，與STF?EKF和STF?UKF算法相比， STF?AUKF算法具有更好的穩定性、魯棒性和跟蹤效果。

5 結 論

本文提出基于強跟蹤的自適應無跡卡爾曼濾波的目標跟蹤算法，結合了STF的思想，濾波過程中引入時變漸消因子，實時的調整增益矩陣，加強了算法在運動模型突變時的跟蹤能力；同時在自適應新息協方差匹配原理下，保證了濾波器在遇到不良測量環境時仍然具有較好的魯棒性。仿真結果表明，STF?AUKF算法不僅比其他濾波算法更有性能優勢，而且在目標運動模型轉換時，也具有很好的實時反應能力和跟蹤效果。

參考文獻

[1] JULIER S J， UHLMANN J K. Unscented filtering and nonli?near estimation [J]. Proceedings of the IEEE， 2004， 92（3）： 401?422.

[2] SADEGHI B， MOSHIRI B. Second?order EKF and unscented Kalman filter fusion for tracking maneuvering targets [C]// Proceedings of 2007 IEEE International Conference on Information Reuse and Integration. Las Vegas： IEEE， 2007： 514?519.

[3] ZHANG Shuchun， HU Guangda. Variations of unscented Kalman filter with their applications in target tracking on re?entry [C]// Proceedings of 2006 Chinese Control Conference. Harbin， China： IEEE， 2006： 407?412.

[4] SOKEN H E， HAJIYEV C. Pico satellite attitude estimation via robust unscented Kalman filter in the presence of measurement faults [J]. ISA transactions， 2010， 49（3）： 249?256.

[5] 周東華，席裕康.非線性系統帶次優漸消因子的擴展卡爾曼濾波[J].控制與決策，1990（5）：1?6.

[6] 楊文博，李少遠.基于強跟蹤UKF的航天器自主導航間接量測濾波算法[J].系統工程與電子技術，2011，33（11）：2485?2491.

[7] 董鑫，歐陽高翔，韓威華，等.強跟蹤CKF算法及其在非線性系統故障診斷中的應用[J].信息與控制，2014，43（4）：451?456.

[8] CHAI Lin， YUAN Jianping， FANG Qun， et al. Neural network aided adaptive Kalman filter for multi?sensors integrated navigation [C]// Proceedings of 2004 International Symposium on Neural Networks. Dalian， China： Springer， 2004： 85?101.

[9] YANG Y X， GAO W G. A new learning statistic for adaptive filter based on predicted residuals [J]. Progress in natural science， 2006， 16（8）： 833?837.

[10] YANG Y X， GAO W G. An optimal adaptive Kalman filter [J]. Journal of geodesy， 2006， 80（4）： 177?183.

[11] 王小旭，趙琳，薛紅香.強跟蹤CDKF及其在組合導航中的應用[J].控制與決策，2010，25（12）：1837?1842.

[12] 劉萬利，張秋昭.基于Cubature卡爾曼濾波的強跟蹤濾波算法[J].系統仿真學報，2014（5）：1102?1107.