基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

doi:10.3778/j.issn.1002-8331.2009.25.062

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 202-204.DOI: 10.3778/j.issn.1002-8331.2009.25.062

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

刘华¹，黄胜昔²

1.西门子听力仪器（苏州）有限公司，江苏苏州 215021
2.基美电子（苏州）有限公司，江苏苏州 215021

收稿日期:2008-05-15 修回日期:2008-08-18 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 刘华

Method for radar target tracking based on sequential unscented Kalman filter

LIU Hua¹，HUANG Sheng-xi²

1.Siemens Hearing Instruments（Suzhou） Co.，Ltd.，Suzhou，Jiangsu 215021，China
2.KEMET Electronics（Suzhou） Co.，Ltd.，Suzhou，Jiangsu 215126，China

Received:2008-05-15 Revised:2008-08-18 Online:2009-09-01 Published:2009-09-01
Contact: LIU Hua

摘要/Abstract

摘要： 提出一种基于序贯无迹卡尔曼滤波的雷达目标跟踪方法。雷达跟踪系统为离散非线性系统，传统的解决方法是使用扩展卡尔曼滤波。无迹卡尔曼滤波用少量采样点表示随机变量的分布，通过非线性系统传播，能以三阶精度获得非线性变换的均值和方差的估计。为了提高无迹卡尔曼滤波的精度，用序贯无迹卡尔曼滤波方法依次处理方位角、俯仰角和距离，来进行雷达目标跟踪。通过Monte Carlo仿真，验证了该滤波算法比传统的扩展卡尔曼滤波具有更高的滤波精度和更高的计算效率。

关键词: 无迹卡尔曼滤波, 扩展卡尔曼滤波, 序贯滤波, 状态估计, 雷达目标跟踪

Abstract: This paper introduces a method for radar target tracking based on Sequential Unscented Kalman Filter（SUKF）.In UKF，a minimal set of carefully chosen sample points is used to represent random variables distribution.And when propagated through the true nonlinear system，these sample points capture the mean and covariance accurately to the 3rd order for nonlinear transformation.In order to improve filtering accuracy，SUKF is applied to a radar target tracking system.The Monte Carlo simulation demonstrates that the SUKF has higher filtering accuracy and computational efficiency than conventional Extended Kalman Filter（EKF）.

Key words: Unscented Kalman Filter（UKF）, Extended Kalman Filter（EKF）, sequential filter, state estimation, radar target tracking

中图分类号:

TP391

刘华¹，黄胜昔². 基于序贯无迹卡尔曼滤波的雷达目标跟踪方法[J]. 计算机工程与应用, 2009, 45(25): 202-204.

LIU Hua¹，HUANG Sheng-xi². Method for radar target tracking based on sequential unscented Kalman filter[J]. Computer Engineering and Applications, 2009, 45(25): 202-204.

[1]	张鑫，张席. 优先状态估计的双深度Q网络[J]. 计算机工程与应用, 2021, 57(8): 78-83.
[2]	徐正凤，曾维理，羊钊. 航空器轨迹预测技术研究综述[J]. 计算机工程与应用, 2021, 57(12): 65-74.
[3]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[4]	洪濡，胡广地，李雨生，姚克狄. 分布式汽车驱动力能量效率优化分配控制[J]. 计算机工程与应用, 2019, 55(2): 246-252.
[5]	李永攀，门锟，吴俊阳. 基于低秩模型的电力状态数据异常检测[J]. 计算机工程与应用, 2019, 55(16): 255-258.
[6]	孙磊1，2，黄国勇1，2，李越1，2. 改进的强跟踪SVD-UKF算法在组合导航中的应用[J]. 计算机工程与应用, 2017, 53(10): 225-229.
[7]	于仲安，简俊鹏，刘莹. 基于SOC的锂离子电池组均衡控制[J]. 计算机工程与应用, 2016, 52(8): 261-265.
[8]	杨鹏生1，吴晓军1，2，张玉梅1，2. 改进扩展卡尔曼滤波算法的目标跟踪算法[J]. 计算机工程与应用, 2016, 52(5): 71-74.
[9]	张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.
[10]	张玉峰1，周奇勋1，周勇2，张举中3. 非线性自适应平方根无迹卡尔曼滤波方法研究[J]. 计算机工程与应用, 2016, 52(16): 36-40.
[11]	郭文艳，姬春艳，周吉瑞. 平方根体积积分卡尔曼滤波[J]. 计算机工程与应用, 2016, 52(12): 37-41.
[12]	马凌1，蒋外文2，张肖霞3. 基于改进扩展卡尔曼滤波的单站无源定位算法[J]. 计算机工程与应用, 2016, 52(10): 124-127.
[13]	吕新知. FAST-SR-UKF算法及其在组合导航系统中的应用[J]. 计算机工程与应用, 2015, 51(6): 254-259.
[14]	朱文超，许德章. 六维力传感器下E膜小生境野草EKF滤波研究[J]. 计算机工程与应用, 2015, 51(18): 62-68.
[15]	陈金广1，江梦茜1，马丽丽1，徐步高1，2. 具有形状信息的多传感器群目标跟踪算法[J]. 计算机工程与应用, 2015, 51(17): 210-216.

基于序贯无迹卡尔曼滤波的雷达目标跟踪方法

Method for radar target tracking based on sequential unscented Kalman filter

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics