论文部分内容阅读
目标跟踪技术已经广泛应用于导航、航空航天、交通以及军事相关领域,在这些领域中,随着目标运动能力的不断增强,目标的运动环境和运动模式越来越复杂,人们对跟踪系统性能的要求也越来越高。为了提高目标跟踪系统的性能,本文从滤波算法的选择、目标运动模型的优化以及移动多平台多传感器的偏差配准三个方面进行了研究。首先,对EKF、UKF和UEKF三种卡尔曼滤波算法在两种不同系统中的性能进行了分析和对比,仿真结果表明,当系统的截断误差很小且可以被忽略时,EKF、UKF和UEKF三种算法的精度相当;当系统中的截断误差不能被忽略时,UKF算法的性能要远远优于EKF和UEKF算法的性能。其次,分析了“当前”统计模型(CS)的缺陷,在“当前”统计模型中,加速度的方差由加速度极值和上一时刻加速度的估计值决定,当目标加速度发生突变而加速度极值保持不变时,加速度方差的变化就会滞后,从而使得滤波跟踪算法的误差增大。针对这一缺陷,本文分析并比较了现有的几种参数自适应算法的性能,并对其中一种算法进行了改进,通过对加速度极值添加约束条件,避免了参数自适应算法因加速度极值趋于零而失效的情况发生。仿真结果表明,与现有的算法相比本文的修正算法可以提高当目标发生强机动时系统的跟踪精度。最后,针对移动传感器平台运动状态未知时的多平台多传感器的偏差配准问题,提出了一种将UKF滤波算法和Mean-shift算法相结合的偏差配准算法。该算法通过UKF对系统进行滤波从而得到滤波偏差集,然后对偏差集利用Mean-shift算法获得配准偏差的估计量,将配准偏差的估计量重新代入UKF算法进行滤波,并反复地进行迭代,满足迭代的收敛条件后可得到配准偏差的估计值。仿真结果表明,在给定的状态初值足够准确的情况下,该算法能够有效地估计配准偏差。