[发明专利]一种对运动目标的卡尔曼滤波方法

说明书

本发明公开了一种对运动目标的卡尔曼滤波方法，所述方法包括如下步骤：观测站对运动目标进行位置跟踪得到观测方程，根据观测方程、运动目标的状态方程、卡尔曼滤波器对运动目标k时刻的状态量的后验估计值以及k+1时刻观测站对运动目标的观测量Z(k+1)，通过卡尔曼滤波算法得到k+1时刻的运动目标的状态量的后验估计值本发明通过更新α重新获取点集和权值，使每个采样点到中心点的距离保持在一个合理的范围内，从而避免采样点距离中心点较远，避免产生非局部效应。

技术领域

本发明属于自动控制技术领域，尤其涉及一种对运动目标的卡尔曼滤波方法。

背景技术

20世纪40年代，数学家Stanislaw Ulam构想出了一种思想，他利用伪随机采样来表征热核装置里面的中子分布的演变。他的同事Nicholas Metropolis为这种方法创造了一个词语“蒙特卡罗”(Monte Carlo)。利用更加明智的采样规则来代替随机采样，可以将基于采样的分析方法的计算负担大大降低，这些方法有序贯蒙特卡罗(Sequential MonteCarlo)方法、西格玛点(Sigma Point)方法和无迹变换(Unscented transform)方法。

Uhlmann于20世纪90年代通过对机器人技术的非线性估计问题中不同的δ点采样和加权策略的性能进行分析，开始对UKF展开了研究。他的分析表明，与初始协方差矩阵的特殊“平方根”分解相关的性能没有很大变化，他还建立了一些加权策略，可以通过对权重的“调整”来提高不同应用的性能。这些成果以及合作研究成果包括Simon J.Julier，Jefftey K.Uhlmann，Hugh F.Durrant-Whyte以及其他人员提出的一系列非线性卡尔曼滤波器的推广形式，所有的方法都是基于对均值和协方差的非线性变换进行近似的核心方法得到的。

这些滤波器实现都利用了采样-传播方法来非线性传播状态变量和非线性测量，尽管EKF利用扰动作为偏导的数值近似。UKF更加明智地利用扰动，因此它具有与EKF大约相同的计算需求，但在许多应用中提高了性能。这些特性使得UKF在许多非线性滤波应用中都很受欢迎。

在传统的UKF算法中，基于对称采样策略下选取了参数α、β和κ来计算采样点相应的权值，其中α的选取控制了采样点的分布状态。UKF算法存在一个问题：那就是如果采样点距离中心点较远，会产生非局部效应，这样的采样点便会失去意义。传统UKF算法在滤波开始前已经选取了一个定值参数α，如果一旦出现非局部效应，这样的参数选择便是失败的。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种对运动目标的卡尔曼滤波方法，通过更新α重新获取点集和权值，使每个采样点到中心点的距离保持在一个合理的范围内，从而避免采样点距离中心点较远，避免产生非局部效应。

本发明目的通过以下技术方案予以实现：一种对运动目标的卡尔曼滤波方法，所述方法包括如下步骤：观测站对运动目标进行位置跟踪得到观测方程，根据观测方程、运动目标的状态方程、卡尔曼滤波器对运动目标k时刻的状态量的后验估计值以及k+1时刻观测站对运动目标的观测量Z(k+1)，通过卡尔曼滤波算法得到k+1时刻的运动目标的状态量的后验估计值