[发明专利]一种应用在目标跟踪的自适应容错容积卡尔曼滤波方法

说明书

本发明涉及一种应用在目标跟踪的自适应容错容积卡尔曼滤波方法。本发明大体包括三部分内容。第一部分根据实际运动目标进行系统建模；第二部分，根据改进自适应滤波方法对噪声统计特性进行估计；第三部分，根据卡方检验对故障进行检测，根据检测结果在状态估计时对新息部分作加权处理。本发明既能同时对过程噪声协方差和量测噪声协方差动态估计，又能应对雷达所测数据发生故障时的情况，实现了对目标的有效跟踪。

技术领域

本发明涉及一种应用在目标跟踪的自适应容错容积卡尔曼滤波方法，属于目标跟踪领域。

背景技术

目标跟踪中常使用卡尔曼滤波对目标状态进行估计，通过卡尔曼滤波可以将传感器数据中的量测噪声消除，以达到对目标精准跟踪的效果。然而传统的卡尔曼滤波是建立在系统模型准确并且是线性的、过程噪声和量测噪声服从均值为零、方差为固定值的高斯分布且其统计特性已知的情况下。然而，在实际目标跟踪中，大多数系统模型是非线性的，系统噪声的统计特性也是不完全已知甚至是未知的，这时再用卡尔曼滤波对其进行估计将造成估计结果不准确甚至发散。

为了解决噪声统计特性不准确的问题，提出了Sage-Husa自适应噪声估值器对噪声进行实时估计。然而Sage-Husa自适应滤波只能在对单一过程噪声不准确或者量测噪声不准确时有较好的估计效果，当同时存在过程噪声与量测噪声统计特性不准确时，Sage-Husa自适应滤波算法将不再适用。因此，对于过程噪声与量测噪声统计特性同时不准确的情况，本发明将采用改进的自适应滤波算法，用Sage-Husa自适应噪声估值器对过程噪声统计特性估计，同时采用变分贝叶斯对量测噪声进行迭代估计，此方法可同时估计出过程噪声和量测噪声统计特性。

由于实际工程环境日益复杂，传感器工作时常会受到扰动的影响，导致测量数据常出现一些明显偏离实际值的异常数据，也称野值，在本发明中将这种情况称作故障。故障的出现将会影响自适应滤波对量测噪声统计特性的估计，进而造成滤波精度降低。因此，本发明采用卡方检验的方法对故障进行检测，如若发生故障则对其进行处理，降低故障对滤波的影响，以此来提高系统的容错性。然而常规新息卡方检验法对硬故障检测效果好，当传感器出现缓变故障时，由于缓变故障开始很小，不易检测出来，有故障的传感器的输出将污染滤波器输出，使其跟踪故障输出，所以本发明采用一种能检测缓变故障的故障检测方法，提高了故障检测的灵敏度，大大提高了滤波精度。

发明内容

为了应对上面提到的过程噪声和量测噪声统计特性不准确以及量测存在故障等情况，本发明基于Sage-Husa自适应估计和变分贝叶斯估计提出一种新的自适应滤波方法，通过卡方检验对故障进行检测，并对其进行处理，得到自适应容错容积卡尔曼滤波方法。

本发明大体包括三部分内容。第一部分根据实际运动目标进行系统建模；第二部分，根据改进自适应滤波方法对噪声统计特性进行估计；第三部分，根据卡方检验对故障进行检测，并对其处理。

利用本发明不仅可以应对噪声统计特性不准确的情况，而且能够处理故障，提高滤波精度，包括以下步骤：

步骤1.系统建模，考虑离散时间非线性系统模型，其跟踪目标的状态方程和量测方程如下：

式中：x_k+1∈Rⁿ是k+1时刻的系统状态向量，其是由x方向位移和速度以及y方向位移和速度构成，f和h为已知函数，z_k+1∈R^m是k+1时刻系统的量测向量，分别由k+1时刻传感器测得目标运动距离和角度构成，其中σ为随机向量，用来描述异常值大小，当ρ_k+1＝0时表示没有出现异常量测，当ρ_k+1＝1时，表示出现异常量测，w_k是均值为0方差为Q_k的过程噪声向量，v_k+1是均值为0方差为R_k+1的量测噪声向量，且w_k和v_k+1互不相关，即：