目标跟踪常用算法——UKF篇

目录

1.无迹卡尔曼滤波算法

1.1 无迹卡尔曼滤波算法简单介绍

1.2 无迹卡尔曼滤波算法流程

1.3 无迹卡尔曼滤波算法仿真分析

2.参考文献

---

1.无迹卡尔曼滤波算法

1.1 无迹卡尔曼滤波算法简单介绍

无迹卡尔曼滤波(Unscented Kalman Filter, UKF)是在无迹变换的基础上发展起来的，无迹变换(Unscented Transformation, UT)的基本思想由Juiler等人首先提出，是用于计算经过非线性变换的随机变量统计特性的一种新方法。UKF是用有限的参数来近似随机量的统计特性，即用一组精确选择的采样点经过非线性模型的映射来传递随即量的统计特性，这些采样点完全体现了高斯密度的真实均值和协方差。然后用加权统计线性回归的方法来估计随机量的均值和协方差。无需计算雅克比矩阵，可以很容易得应用于非线性系统的状态估计。

1.2 无迹卡尔曼滤波算法流程

1.3 无迹卡尔曼滤波算法仿真分析

仿真条件：

假设一目标在二维平面内做匀速直线运动，观测站处于原点且保持静止，无站址误差。观测站可以实时测量到目标与观测站之间的距离以及方位角(北偏东)。蒙特卡洛仿真100次，并将RMSE与CRLB进行对比。同时，将KF、EKF、UKF算法进行对比。

	目标初始状态	量测误差	过程噪声
二维	(-1000m,1000m,20m/s,-8m/s)	100m，1°	1e-4m/s2

2.参考文献

何友、修建娟、关欣. 雷达数据处理及应用 [M]. 电子工业出版社, 2013.