[发明专利]一种基于加权最小二乘容积卡尔曼滤波的目标定位方法

说明书

本发明公开了一种基于加权最小二乘容积卡尔曼滤波的目标定位方法，所述方法包括：将最小二乘估计和容积卡尔曼滤波方法进行结合，借助于最小二乘估计将最新测量结果集成到每个容积粒子中，从而促进容积点从先验区域到高似然区域的移动；并对量测信息进行了扩维，从而计算每一时刻目标的状态和估计误差方差。本发明的定位方法具有实现简单，计算量小，满足水下定位系统低功耗的需求；而且有效提高了目标状态的估计精度。

技术领域

本发明涉及目标定位和导航领域，具体涉及一种基于加权最小二乘容积卡尔曼滤波的目标定位方法。

背景技术

近年来，各国积极推进对海洋资源的探索。海底资源挖掘、渔业捕捞、水下机器人定位等相关研究也获得极大的关注。水下目标定位与跟踪技术作为水下作业的基础研究，无疑具有非常重要的地位。水下目标跟踪系统中，常常利用目标跟踪算法对距离、角度等测量信息进行处理进而得到水下目标的目标轨迹。现有的滤波跟踪算法包括卡尔曼滤波(Kalman Filter，KF)，扩展卡尔曼滤波(Extended Kalman Filter，EKF)无迹卡尔曼滤波(Unscented Kalman Filter，UKF)、容积卡尔曼滤波(Cubature Kalman Filter，CKF)、粒子滤波(Particle Filter，PF)等一系列经典算法。

PF算法虽然对非高斯非线性系统具有很高的估计精度，但是计算量巨大和易出现粒子匮乏现象的缺点使其受限于水下目标跟踪系统中的应用。KF是针对线性高斯系统的最优滤波器，但是实际中水下目标的运动轨迹肯定是非线性的，随着技术的发展，水下定位跟踪技术对估计精度的要求也越来越高，因此KF也远远不能满足人们的需求。EKF、UKF、CKF均是KF在非线性系统上的应用形式。EKF的主要核心通过对非线性函数的Taylor展开式进行一阶线性化截断并忽略高阶项,这要求非线性函数是近线性的。当系统是强非线性的时候，EKF算法的误差会急剧增加，不再适应人们的需求。UKF和CKF则分别对非线性函数进行二阶和三阶Taylor近似，相应地估计精度也逐渐变高，对强非线性系统的适应性也逐渐变强。

随着技术的发展，水下定位跟踪技术对估计精度的要求也越来越高。同时，相比无线中的目标定位跟踪系统，水下目标定位和跟踪系统又具有量测信息噪声大、信道不稳定、系统功耗受限等缺点，因此，寻找一种简单又能保证高精度的改进目标定位方法具有重大的意义。

发明内容

本发明的目的在于克服上述技术缺陷，提出了一种基于加权最小二乘容积卡尔曼滤波的目标定位方法。

本发明的技术方案为：

一种基于加权最小二乘容积卡尔曼滤波的目标定位方法，所述方法包括：将最小二乘估计和容积卡尔曼滤波方法进行结合，借助于最小二乘估计将最新测量结果集成到每个容积粒子中，从而促进容积点从先验区域到高似然区域的移动；并对量测信息进行了扩维，从而计算每一时刻目标的状态和估计误差方差。

作为上述方法的一种改进，所述方法具体包括：

步骤1)获取k-1时刻目标的状态和估计误差方差P_k-1,k-1；以及k时刻的量测信息Z_k；

步骤2)k-1时刻目标的状态和估计误差方差P_k-1,k-1生成m个容积粒子，引入k时刻的量测信息Z_k对每个容积粒子上使用最小二乘估计进行优化，得到优化后的容积粒子值，然后根据容积卡尔曼滤波算法得到k时刻目标的状态和估计误差方差P_k,k；

步骤3)输出k时刻目标的状态和估计误差方差P_k,k。

作为上述方法的一种改进，所述k-1时刻目标的状态和估计误差方差P_k-1,k-1生成m个容积粒子，具体包括：