基于多层箱粒子滤波的双无人机协同纯方位目标定位方法及其在动态对抗环境下的应用研究

本文提出一种创新的多层箱粒子滤波（ML-BPF）框架，有效解决了双无人机（Dual-UAV）协同纯方位（Bearing-Only）目标定位中的非线性测量处理、高机动目标跟踪及粒子退化问题。通过Delaunay三角剖分实现测量空间统一，结合自适应区间扩展（AIE）运动模型，显著提升定位精度与系统鲁棒性，为复杂战场环境下目标追踪提供突破性解决方案。

　　

Highlight

与传统方法相比，本文提出的多层箱粒子滤波（ML-BPF）在双无人机协同纯方位目标定位中展现出显著优势：

1. 1.

   区别于依赖高斯假设的扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF），ML-BPF通过Delaunay三角剖分将非线性AOA测量映射至目标状态空间，无需复杂随机过程（CSP）迭代，在非高斯噪声和高度动态场景中更具鲁棒性。

2. 2.

   相较于标准粒子滤波（PF）和粒子流滤波（PFF），ML-BPF引入多层测量箱机制，通过蒙特卡洛采样分配权重，有效缓解粒子退化问题，同时降低计算复杂度，更适用于实时应用。

3. 3.

   相比传统箱粒子滤波（BPF），ML-BPF的多层机制解决了测量箱尺寸敏感性问题，结合自适应区间扩展（AIE）模型动态调整运动状态预测，完美适配高机动目标跟踪需求。

Conclusion

本文针对双无人机协同纯方位目标定位问题，提出基于多层箱粒子滤波（ML-BPF）的优化算法，通过理论推导与仿真验证取得以下核心成果：

1. 1.

   改进的双无人机定位框架显著提升处理效率与精度；

2. 2.

   多层测量箱机制与权重分配策略有效抑制粒子退化；

3. 3.

   AIE模型实现运动状态自适应预测，为高机动目标追踪提供强鲁棒性解决方案。