基于强跟踪AUKF的目标跟踪算法

基于强跟踪AUKF的目标跟踪算法

杨倩;王洋;赵红梅;崔光照

【摘要】Since the unscented Kalman filter(UKF)has the problems of

non⁃adaptivity of the varying measurement condi⁃tion and uncertain system model in recursive process,and poor tracking effect in the condition of inaccuracy model or undesi⁃rable measurement condition,a new target tracking algorithm(adaptive unscented Kalman filter based on strong tracking: STF⁃AUKF) is proposed. The algorithm is based on the thought of adaptive filtering ,and uses the principle of new interest

cova⁃riance matching to establish the adaptive UKF,which has the robustness performance for the undesirable measurement;and ac⁃cording to the thought of improving the strong tracking filtering,it adopts the

time⁃varying fading factor to control the matrix gain in real time to deal with the model′s sudden change and ensure the tracking effect. The simulation results show that the STF⁃AUKF algorithm still has better stability and tracking effect for sudden maneuvering of a target.%针对无迹

卡尔曼滤波器在递推过程中不具有对测量条件变化和系统模型不确定性的自适应性，在模型不准确或出现不良测量条件时跟踪效果不佳的问题，提出一种新的目标跟踪算法，即基于改进强跟踪的自适应无迹卡尔曼滤波器（STF⁃AUKF）。该算法一方面基于自适应滤波的思想，利用新息协方差匹配原理，建立对不良测量具有鲁棒性的自适应UKF；另一方面，依据改进强跟踪滤波的思想，采用时变渐消因子实时

调节矩阵增益以此应对模型突变，保证跟踪效果。仿真结果表明，STF⁃AUKF算法在目标突发机动时仍然具有较好的稳定性和跟踪效果。

【期刊名称】《现代电子技术》

【年(卷),期】2016(039)017

【总页数】5页(P30-34)

【关键词】目标跟踪;UKF;自适应UKF;强跟踪滤波;时变渐消因子

【作者】杨倩;王洋;赵红梅;崔光照

【作者单位】郑州轻工业学院电气信息工程学院，河南郑州 450002;郑州轻工业学院电气信息工程学院，河南郑州 450002;郑州轻工业学院电气信息工程学院，河南郑州 450002;郑州轻工业学院电气信息工程学院，河南郑州 450002

【正文语种】中文

【中图分类】TN713-34;TP92

现实生活中很多问题会牵扯到非线性滤波估计。包括目标跟踪、导航、音频信号处理、卫星轨道/姿态的估计系统、故障检测、生物医学应用等。很多国内外专家学

者开始研究次优的滤波器解决这些问题。扩展卡尔曼滤波器（Extended Kalman Filter，EKF）在一些领域使用广泛。但是，EKF算法也存在许多缺点，如较差的

跟踪精度，跟踪过程中出现发散等。为了解决上述问题，Julier等人提出无迹卡尔曼滤波器［1］（Unscented Kalman Filter， UKF）。UKF算法的估计精度可以精确到二阶，在许多应用中都表现出较好的性能［2-3］。

然而使用上述方法进行估计时都是以精确模型和良好的测量条件作保证。当模型不准确或出现不良测量条件时，EKF，UKF算法都不具备较好的估计精度、鲁棒性和跟踪能力。在系统对目标运动测量出现不良情况时，可以采用自适应UKF算法［4］提高UKF的鲁棒性。当系统模型比较模糊时，为了减小对滤波的影响，周东华等

人提出了强跟踪滤波器［5］（Strong Tracking Filter，STF）。该算法依靠时变渐消因子在线调整增益矩阵，使得模型在不确定性时依然有较好的鲁棒性和较强的跟踪能力。许多学者基于STF的理论框架，分别利用UKF、容积卡尔曼滤波（Cubature Kalman Filter，CKF）等代替EKF，建立相应的强跟踪滤波器，有效地改善了STF的性能。文献［6］将STF的理论思想与UKF相结合，并成功地应用到天文自主导航中，改善了系统的可靠性。文献［7］提出了STF-CKF算法，并将其应用于非线性系统故障诊断中，首先用CKF算法计算后验均值和方差，然后通过STF对残差强制白化，从而获得了较高的跟踪精度。然而，STF算法同样具有一定的局限性，如精度低，需要计算雅克比矩阵等。

针对STF的理论局限性及UKF算法在系统不良测量时造成的滤波影响，本文提出了一种基于改进强跟踪的自适应UKF算法。首先，采用自适应UKF算法解决系统不良测量带来的跟踪误差；STF在模型出现改变时依然拥有较强的鲁棒性优点，因此结合STF算法的基本理论框架，利用自适应UKF代替EKF构成STF-AUKF算法。实验仿真结果表明，与STF-EKF和STF-UKF算法相比，STF-AUKF算法具有更好的稳定性、鲁棒性和跟踪效果。

1.1 UKF

对于离散时间非线性系统，其状态方程和量测方程分别如下：

式中：k∈N，xk∈Rn是k时刻的系统状态向量；zk∈Rm是k时刻的量测向量；wk，vk为互不相关的高斯白噪声；x的统计特性是（，Px）。用Qk和Rk表示为wk和vk的方差。

1.2 初始化

1.3 计算sigma点

通过x的统计特性，设计2n+1的σ点，设为χi（i=0，1，2，…，2n），则产生σ点的方法如下：