空频域信息下的固定单站被动目标跟踪算法

"一种利用空频域信息的固定单站被动跟踪方法 (2010年)" 本文介绍了一种名为MLGS（Multi-Level Grid Search）的固定单站被动目标跟踪方法，该方法着重解决了空频域信息下的无源定位与跟踪问题。在传统的单站无源定位系统中，由于可观测性较弱以及初始误差大，跟踪算法的稳定性和收敛速度成为关键挑战。MLGS方法通过多级网格搜索策略，在保证估计分辨率的同时，有效地降低了计算复杂度。 相较于经典的扩展卡尔曼滤波（EKF）、修正粒子滤波（MVEKF）和无迹卡尔曼滤波（UKF）等方法，MLGS的一大优势在于它不依赖于初始状态误差，并且避免了线性化误差的影响。这意味着MLGS能够提供更稳定的估计，且在选择合适的网格和搜索次数后，可以接近全局最优的最小均方估计。实验结果显示，即使在初始距离误差较大的情况下，MLGS的收敛速度也明显优于其他方法，并且在收敛后保持了较高的精度稳定性。 在单站被动目标跟踪中，利用角度、角速度、载波频率和多普勒频率变化率等空频域信息是实现快速高精度定位的有效手段。然而，由于单站只能获取目标的到达角度信息，无法直接定位和跟踪运动目标，因此需要结合其他参数信息。MLGS正是通过这种方式，利用多个观测时刻的空频域参数来实现递推滤波，提高了定位和跟踪的精度。 虽然EKF是处理非线性滤波问题的常用方法，但它存在一些固有问题，如对初始状态敏感、线性化误差导致的非最优估计以及可能出现的Jacobian矩阵病态问题，这可能导致滤波器发散。为了解决这些问题，已经出现了多种改进的EKF方法，如MPCEKF、MGEKF和MVEKF，但它们并未完全克服线性化误差和对初始值的依赖。相比之下，MLGS提供了一种更为有效和稳健的解决方案。 MLGS是一种创新的固定单站被动跟踪技术，通过优化的网格搜索策略，实现了对非线性问题的高效处理，提高了定位和跟踪的精度和稳定性，尤其在面对大初始误差的情况下表现出优越性能。这项工作对于推进单站无源定位技术的发展，减轻观测参数测量技术的压力，以及提升快速高精度定位能力具有重要意义。