基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

基于ST-SRCKF的超高速强机动目标跟踪算法

针对超高速强机动目标运动模型难以准确建立且观测数据易出现不良量测而导致滤波发散的问题,提出一种适用于超高速强机动目标的跟踪算法。该算法根据正交性原理推导了一种新的强跟踪平方根容积卡尔曼滤波（ST-SRCKF）结构,并引入多重渐消因子,渐消因子求解方法和作用位置均不同于已有的ST-SRCKF。根据新息的统计学特性,即新息协方差矩阵的迹服从卡方分布,建立了一种改进的CS-Jerk模型,该模型对目标机动的描述更准确,它与改进ST-SRCKF算法的结合实现了对超高速强机动目标的高精度跟踪。仿真结果表明,改进算法对超高速强机动目标的跟踪性能更佳。      

空间非合作目标交会对接影像测量自适应处理

分析了空间非合作目标影像测量及特征点提取机理,根据对接中特征点识别噪声不确定和空间摄动引起的模型误差,对传统滤波方法进行改进;通过量测更新后的新息数据对量测噪声量级进行估计,同时采用渐消自适应方法对模型误差进行处理,增进滤波效果;设计了针对空间非合作目标对接段的滤波器,能够提供对接段相对位置、速度、姿态角及角速率估计信息。仿真结果表明,提出的改进滤波算法能够在测量噪声不确定和模型误差条件下达到较好效果。     

一种加速度辅助“当前”统计模型距离跟踪方法

经典的“当前”统计模型中,机动频率通常为经验值,并需预设加速度极限值。针对这一局限,该文利用递归线性平滑牛顿预测器对加速度进行预估后,得到“当前”统计模型中目标机动频率值的解析解,并避免机动加速度极限值的设置,实现了过程噪声协方差矩阵的自适应计算。此外,利用简化的Sage-Husa滤波方法实现量测噪声协方差矩阵的自适应更新。计算机仿真验证了该文所提算法相比于经典的“当前”统计模型的距离跟踪性能更优。     

自适应高斯—厄米特滤波器

针对带有未知统计特性噪声的非线性系统，提出了一种新型的自适应滤波器——自适应高斯—厄米特滤波器(AGHF)，其过程是通过将Sage Husa噪声估计器推广到非线性系统，得到更为一般的噪声估计的递推形式，它与高斯—厄米特滤波器(GHF) 相融合，得到适用于带有未知统计特性噪声的非线性系统的高精度自适应滤波器.仿真结果表明，当非线性系统存在一类未知统计特性噪声(系统噪声或测量噪声)时，与扩展卡尔曼滤波器(EKF)、GHF和自适应扩展卡尔曼滤波器(AEKF)相比，AGHF滤波器可显著提高对噪声统计特性和系统状态的估计精度.     

多模型GGIW-GLMB算法跟踪机动群目标

针对多个机动群目标跟踪问题,提出了一种多模型伽马高斯逆威夏特-广义标签多贝努利（MM-GGIW-GLMB）算法。采用多模型算法对群目标进行运动建模,利用最适高斯（BFG）近似在预测阶段对多模型进行融合,减小了多模型算法的运算量,为进一步提高算法在目标机动阶段的跟踪性能,引入强跟踪滤波器（STF）对BFG算法得到的预测状态协方差进行修正。利用最优次模式分配（OSPA）距离及其一倍标准差和航迹标签正确率衡量算法对机动群目标的跟踪性能。仿真结果表明,本文算法能够提升对机动群目标的跟踪精度和稳定性。      

基于ML背景参数估计的CDKF-CPHD多目标跟踪算法

针对低信杂比环境下的多机动目标跟踪问题,提出了一种基于极大似然(ML)背景参数估计的中心差分卡尔曼-势概率假设密度滤波(BE-CDKF-CPHD)算法。算法采用ML法实时估计重尾分布模型参数,计算检测概率和虚警概率。运用极大似然-恒虚警(MLCFAR)算法对信号进行处理,提取有效量测值,将幅值似然函数与势概率假设密度滤波器(CPHD)中的目标位置似然函数相结合,通过中心差分法递归更新得到后验均值与协方差,达到对多机动目标进行跟踪的目的。仿真结果表明,在低信杂比环境中,所提算法提高了跟踪精度与目标数目估计准确度。     

一种用于目标跟踪的UT-BLUE滤波方法

雷达机动目标跟踪问题中,通常目标运动模型可精确地在直角坐标系下建模,但大多数情形下模型是非线性的,同时在传感器坐标系下所获得目标量测又是直接可用的.通过将无迹变换与最优线性无偏滤波器有机结合,提出一种新的BLUE(Best Linear Unbiased Estimator) 滤波算法,以便解决上述非线性跟踪问题.首先,该算法利用无迹变换对经由直角坐标系下非线性目标运动模型得到的目标状态及其协方差作出预测,然后在保持传感器坐标系(极坐标系)下所固有的量测误差的同时,直接对它们作出状态估计.在算法推导及Monte-Carlo仿真过程中,将新的BLUE滤波算法和EKF(Extended Kalman Filter)、UKF(Unscented Kalman Filter)滤波算法进行比较,结果表明新算法的有效性和适用性.      

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。      

面向机动目标跟踪的无人机横侧向制导规律

现有的standoff跟踪制导方法在进行机动目标跟踪时不能同时满足响应速度和稳态精度的要求.对用于航路跟踪的参考点制导法（RPG,Reference Point Guidance）进行改进,推导了无人机（UAV,Unmanned Aerial Vehicle）在跟踪机动目标时的横侧向制导规律.采用二阶非线性微分方程对UAV和目标相对距离的调节过程进行建模,在此基础上分析了改进后RPG的渐近稳定性.仿真结果表明,相比Lyapunov向量场（LVFG,Lyapunov Vector Field Guidance）和模型预测控制（MPC,Model-based Predictive Control）的制导方法,改进RPG的跟踪误差和时间乘以误差绝对值积分（ITAE,Integrated Time Absolute Error）指标均优于LVFG和MPC.因此,所提制导规律能够对机动目标的运动进行有效补偿,并具有更快的响应速度、更高的稳态精度和较好的实时性.      

自适应关联波门机动群目标跟踪算法

为解决中心群跟踪（CGT）算法中由于群机动造成的量测丢失、估计误差增大的问题,提出了一种基于自适应关联波门的机动群目标跟踪算法。首先,将CGT算法与交互式多模型（IMM）算法结合,并利用最新量测信息对IMM算法中的转移概率矩阵进行实时修正。其次,设计了一种用于整体机动和分离机动的自适应关联波门,根据机动时刻模型的新息协方差对其进行自适应调整,确保量测点迹进入波门。仿真结果表明,所提算法一方面减小了传统固定转移概率矩阵带来的估计误差,将优势模型的平均概率由0.58增加到了0.7;另一方面,设计的自适应关联波门有效解决了目标机动带来的有效量测减少的问题,相比于传统波门,目标失跟率减少了30%,具备工程实用性。      

A multi-satellite co-tracking method for a single space target based on adaptive distributed spherical simplex information-weighted consensus filter

A multi-satellite co-tracking method for a single non-cooperative target is proposed to extend the arc of observation as well as to improve the accuracy of tracking. Firstly, the motion of the target is considered to be affected by J2 perturbation, and the model of multi-satellite co-tracking a single space target is designed with only measured angles. Then, a multi-satellite co-tracking method for a single space target based on an adaptive distributed spherical simplex information-weighted consensus filter (ADSSICF) is proposed. The spherical simplex is used to reduce the computational cost of the information filter, and to improve the efficiency of tracking. The angle-only measurement equation is linearized by the statistical linear regression method, and linearization errors are compensated for by updating measurement noise. By designing an adaptive consensus algorithm, only a small number of iterations are needed to achieve network consensus, to improve the convergence speed of the consensus algorithm, and prove the stability of ADSSICF. Finally, a simulation of four low-orbit satellites tracking a single space target is established. The focus of this paper is on the real-time performance and tracking accuracy of the multi-satellite co-tracking a single space target with angle-only based on ADSSICF. The performance of ADSSICF is verified from three indicators: the consensus and convergence of algorithm, the accuracy of state estimation.