单传感器机动目标鲁棒跟踪算法：修正增益扩展卡尔曼滤波

"单被动传感器BOT鲁棒跟踪算法的研究，主要关注在仅有角度测量信息的情况下的机动目标跟踪问题。文章提出了修正增益扩展卡尔曼滤波器(MGEKF)用于状态估计，并通过周期递推估计目标加速度，实现对目标机动的自适应跟踪。这种方法模型简单，无需噪声假设和模型切换，且仿真结果证明了其有效性。" 在目标跟踪领域，被动传感器（bearing-only tracker，BOT）是一种重要的设备，它仅能获取目标相对于传感器的方位信息，而无法提供距离信息。在这种限制下进行目标跟踪是一项具有挑战性的任务，特别是在目标可能进行机动变化的情况下。本文针对这一问题，研究了一种新的鲁棒跟踪算法。 文章首先建立了一个仅有角度测量信息的单传感器跟踪模型，即BOT模型。这个模型考虑了在缺乏完整信息的情况下如何有效地估计目标状态，如位置、速度和方向等。接着，作者引入了修正增益扩展卡尔曼滤波器（Modified Gain Extended Kalman Filter，MGEKF），这是一种针对非线性系统的状态估计方法。卡尔曼滤波器是经典的状态估计工具，但在处理非线性问题时可能会出现误差。MGEKF通过对卡尔曼滤波器的增益进行修正，以适应非线性系统的特性，提高跟踪精度。 在处理机动目标跟踪时，目标的加速度是关键参数，因为它直接影响到目标运动轨迹的预测。论文中，目标的加速度采用了周期递推估计，这意味着每次更新都会考虑到之前估计的加速度信息，以连续地跟踪目标的动态变化。这种递推估计方法可以有效地跟踪目标的突然机动，提高了跟踪算法的鲁棒性。 文章强调，所提出的算法具有几个显著优点：模型结构简单，不依赖于特定的噪声模型，因此适用于各种环境条件；没有涉及复杂的模型切换，简化了算法实现；同时，算法对目标机动具有良好的自适应能力，能够在目标行为发生变化时迅速调整跟踪策略。 通过仿真实验，该方法的有效性得到了验证。实验结果表明，即使在目标进行剧烈机动的情况下，该算法仍能保持稳定且准确的跟踪性能，体现了其在实际应用中的潜力。 这篇研究对于理解和开发针对被动传感器的机动目标跟踪算法提供了有价值的理论基础和技术参考，对于提升目标跟踪系统在复杂环境下的性能有着积极的意义。