无迹卡尔曼滤波在目标跟踪中的应用开题报告
1. 研究目的与意义
(一)研究背景
在传统的滤波方法中,只能是在有用信号与噪声具有不同频带的条件下才能实现。20世纪40年代,n.维纳和a.h.柯尔莫哥罗夫把信号和噪声的统计性质引进了滤波理论,在假设信号和噪声都是平稳过程的条件下,利用最优化方法对信号真值进行估计,达到滤波目的,从而在概念上与传统的滤波方法联系起来,被称为维纳滤波。这种方法要求信号和噪声都必须是以平稳过程为条件。60年代初,卡尔曼和布塞发表了一篇重要的论文《线性滤波和预测理论的新成果》,提出了一种新的线性滤波和预测理由论,被称之为卡尔曼滤波。然而卡尔曼最初提出的滤波理论只适用于线性系统,所以bucy,sunahara等人提出并研究了扩展卡尔曼滤波(ekf),将卡尔曼滤波理论进一步应用到非线性领域。ekf的基本思想是将非线性系统线性化,然后进行卡尔曼滤波,因此ekf是一种次优滤波。但是在实际问题的运用中,ekf算法存在精度不高,稳定性差,对目标机动反应迟缓等缺点。因此,一些学者提出了无迹卡尔曼滤波(ukf),它是根据unscented变化(无味变换)和卡尔曼滤波相结合得到的一种算法。 这种算法主要运用卡尔曼滤波的思想,但是在求解目标后续时刻的预测值和量测值时,则需要应用采样点来计算。
卡尔曼滤波器是最优的递归算法。针对于许多实际问题的解决它是效率最高的,最好的,最有用的方法。卡尔曼滤波器已经在机器人导航与控制系统,传感器数据融合,军事雷达和弹道轨迹外推等领域被广泛应用。在最近的几年,它在计算机图像处理方面占据着非常重要的地位,如人脸识别,图像边缘检测与图像分割技术和操作系统等技术领域。雷达测量系统中,目标跟踪往往是人们非常关注的方面,但测量运动目标的位置、速度和加速度在每时每刻都存在噪声信号。卡尔曼滤波是基于运动目标动态信息,设法消除噪声干扰,从而获取目标位置的最佳估计。这个估计过程主要有三个方面,第一个方面是对运动目标当前位置的估计,第二个方面是对运动目标未来位置的估计,第三个方面是对运动目标过去位置的估计。
2. 研究内容与预期目标
(一)预期目标
本课题以原有卡尔曼滤波原理的研究,对无迹卡尔曼滤波算法进行了解,研究,最终实现以下预期目标:
1、实现对机动目标的动态跟踪;
3. 研究方法与步骤
(一)研究方法
本研究课题拟采用计算机仿真的方法来实现。
(1)对机动目标进行建模,分别建立状态方程和系统方程;
4. 参考文献
[1] 彭丁聪. 卡尔曼滤波的基本原理及应用[d]. 中国地质大学研究院,2008.
[2] 张长春,黄英,杨刚. 卡尔曼滤波在跟踪运动目标中的应用及仿真[j]. 广东工业大学,2005,54-56.
[3] 杨柏胜,姬红兵. 基于无迹卡尔曼滤波的被动传感器融合跟踪[d]. 西安电子科技大学,2008.
5. 工作计划
(1)第一阶段(1周-4周):收集资料,了解卡尔曼滤波器和扩展卡尔曼滤波的基本知识,对设计任务有基本认识,撰写开题报告;
(2)第二阶段(5周-8周): 确定总体方案,逐步深入学习扩展卡尔曼滤波器及其算法的原理。认真学习matlab方面的有关知识,为之后的仿真工作做准备;
(3)第三阶段(9周-12周): 编写并调试仿真代码,开始外文翻译工作;