混合坐标系下距离参数化平方根容积卡尔曼滤波在纯方位目标跟踪中的应用

"基于距离参数化的混合坐标系下平方根容积卡尔曼滤波纯方位目标跟踪" 本文是一篇研究论文，由周德云、章豪等作者于2014年12月提交，并在2015年1月进行了修改，得到了国家自然科学基金的支持。研究的主要贡献是提出了一种新的纯方位单站目标跟踪方法，即在距离参数化混合坐标系下的平方根容积卡尔曼滤波（SRCKF）算法。 纯方位目标跟踪是指仅依靠目标相对于传感器的方位信息来追踪目标的运动状态。在实际应用中，这种跟踪方式面临观测方程非线性和滤波初值敏感性的挑战。传统的卡尔曼滤波及其变种在处理非线性问题时可能表现不佳，特别是在纯方位数据的情况下。 平方根容积卡尔曼滤波（SRCKF）是一种优化的卡尔曼滤波算法，它通过平方根表示来处理协方差矩阵，降低了数值稳定性问题，提高了计算效率。然而，在直角坐标系中，SRCKF可能无法充分利用观测信息，尤其是在处理纯方位数据时。 为此，研究者们提出了将SRCKF与混合坐标系相结合的方法。混合坐标系融合了极坐标和直角坐标的优势，能够更好地适应纯方位跟踪问题。同时，他们引入了距离参数化的思想，将距离信息转化为可观测的参数，从而克服了距离信息不可测对跟踪效果的负面影响。 通过这种方式，新算法不仅提高了滤波的精度，还增强了算法的鲁棒性，即使在初始条件不确定的情况下也能提供更稳定的跟踪性能。尽管计算复杂度略有增加，但考虑到性能提升，这是值得的。仿真结果验证了该算法在滤波精度和鲁棒性方面的显著改善。 关键词涉及到的关键概念包括纯方位跟踪、混合坐标系、距离参数化、平方根容积卡尔曼滤波以及算法的鲁棒性。这些关键词体现了研究的核心内容和技术手段，表明了该方法对于解决非线性跟踪问题的创新性和实用性。 这项工作为纯方位目标跟踪提供了新的解决方案，对于雷达、声纳等领域的目标跟踪系统设计具有重要的理论指导意义和实际应用价值。通过改进的SRCKF算法，可以期待在未来的传感器网络和无人系统中实现更精确、更稳定的目标定位和跟踪。