自适应广义高阶CKF算法在目标跟踪中的应用

"本文主要介绍了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）算法，该算法结合了广义高阶容积卡尔曼滤波和强跟踪滤波的思想，旨在解决系统状态突变时滤波精度下降的问题。在目标跟踪领域，这种算法具有很高的应用价值和鲁棒性。" 在非线性滤波领域，卡尔曼滤波及其各种扩展版本如扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和中心差分卡尔曼滤波（CDKF）等，是解决含有噪声观测值的非线性随机系统状态估计问题的主要工具。高阶容积卡尔曼滤波（CKF）算法因其优良的滤波性能而受到广泛关注。然而，当系统模型存在不确定性或者状态发生突变时，传统的CKF算法的增益矩阵无法快速响应，导致状态估计精度降低。 为了解决这一问题，研究者引入了强跟踪滤波（STF）的概念。STF基于正交理论，通过动态调整自适应渐消因子λk来改善增益矩阵，从而增强了滤波算法对状态突变和其他不确定因素的鲁棒性。已有文献将STF与CKF相结合，提出了自适应容积卡尔曼滤波（ACKF）算法，以应对模型不确定性导致的精度下降。 在此基础上，本文提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）算法，它不仅利用了广义高阶容积准则和矩阵对角化变换提升滤波精度和稳定性，还结合了强跟踪滤波的自适应性，能够在线修正预测误差协方差阵，使残差序列保持正交，从而在系统状态突变时保持较高的滤波精度。 在目标跟踪问题中，AGHCKF算法的性能得到了验证。通过数值仿真，结果显示该算法在面临状态突变时仍能保持较高的滤波精度，具有良好的鲁棒性和自适应能力。这表明AGHCKF算法对于处理带有未知状态突变的机动目标跟踪问题具有显著优势，可以有效提升目标跟踪的准确性和稳定性。 AGHCKF算法是一种针对非线性随机系统状态估计问题的创新解决方案，尤其在面对模型不确定性、状态突变等复杂情况时，其性能表现优越，为实际应用提供了强大的滤波工具。