基于新息和残差的自适应UKF算法

针对先验噪声统计特性与实际不符引起卡尔曼滤波精度下降的情况,提出了一种基于新息和残差序列在线估计噪声统计特性的自适应无迹卡尔曼滤波算法.该算法首先通过新息序列实现了对观测噪声协方差矩阵的实时跟踪;然后根据新息和残差的正交性原理估计过程噪声协方差的实时变化;最后利用协方差匹配原则在线修正噪声的理论协方差使其逼近真实的噪声水平,从而实现最优估计.另外算法中通过引入尺度因子,进一步减小了泰勒展开造成的截断误差,提高了估计的精度.DR/GPS组合导航系统的仿真实验表明,该算法对时变的噪声统计特性有较强的自适应性,滤波精度更高,鲁棒性更强.     

基于SMC-CPHD的多目标跟踪算法研究

针对CPHD滤波算法在多目标跟踪中计算难处理和对于局部目标估计存在漏检的问题,提出了基于序贯蒙特卡罗方法的基数概率假设密度(SMC-CPHD)滤波算法。这种方法是将SMC和CPHD两种滤波算法的优点相结合,用一些离散的粒子去接近PHD函数,不仅解决了在滤波修正步没有闭式解的问题,而且避免了当某个目标发生漏检时,PHD权值的转移问题,在递推PHD函数的同时也递推基数分布。将此方法应用到有杂波存在复杂的多目标跟踪环境中,通过仿真实验,对CPHD滤波和SMC-CPHD滤波得出的结果进行比较,验证了本文所提出方法对多目标跟踪的可行性和精确性。