一种自适应多模型高阶混合滤波方法用于机动目标轨迹估计

《Aerospace》：An Adaptive Multi-Model Higher-Order Hybrid Filtering Method for Maneuvering Target Trajectory Estimation

　　

为了提高时变噪声下高机动空中目标的轨迹估计，研究人员基于卡尔曼滤波（Kalman filtering）开发了一种自适应多模型滤波框架。该框架集成了在线模型概率更新（online model-probability updating）、高阶误差传播校正（higher-order error-propagation correction）和自适应噪声调整（adaptive noise adjustment），以适应运动模式转换、非线性估计误差和测量不确定性。仿真结果表明，在相对速度为800m/s时，与原始测量值相比，该方法将位置均方根误差（RMSE）降低了57.73%，并且优于单个运动模型滤波器。研究人员进一步开发了基于现场可编程门阵列（FPGA）的实验室验证平台，实验结果与仿真结果一致。测得的单帧处理延迟为152μs，证明了该框架在机动目标轨迹估计中的有效性和实时可行性。

**研究背景与问题**
在航空航天领域，高机动目标的轨迹估计是导航、制导与控制系统中的核心问题。例如，无人机、导弹等空中目标在飞行过程中常经历快速转向、加速或减速，运动模式复杂多变。同时，传感器测量噪声往往随时间变化（时变噪声），导致传统卡尔曼滤波（Kalman Filter, KF）或单一模型滤波方法难以适应运动模式的快速切换，估计精度显著下降。此外，非线性估计误差和测量不确定性进一步加剧了轨迹估计的挑战。因此，开发一种能够自适应处理运动模式转换、非线性误差和时变噪声的滤波方法，对于提升高机动目标跟踪的可靠性和实时性具有重要意义。论文《An Adaptive Multi-Model Higher-Order Hybrid Filtering Method for Maneuvering Target Trajectory Estimation》发表在《Aerospace》期刊上，针对上述问题提出了一种新型滤波框架。

**研究内容与结论**
研究人员基于卡尔曼滤波理论，提出了一种自适应多模型高阶混合滤波框架。该框架通过在线模型概率更新（online model-probability updating）动态调整各运动模型权重，以匹配当前目标机动模式；利用高阶误差传播校正（higher-order error-propagation correction）降低非线性估计误差；引入自适应噪声调整（adaptive noise adjustment）应对时变测量噪声。仿真实验在相对速度800m/s条件下进行，结果显示所提方法将位置均方根误差（Root Mean Square Error, RMSE）较原始测量值降低了57.73%，且优于任意单一运动模型滤波器。此外，研究人员搭建了基于现场可编程门阵列（Field-Programmable Gate Array, FPGA）的实验室验证平台，实验结果与仿真高度一致，单帧处理延迟仅为152μs，证实了该方法的有效性和实时可行性。这项研究为高机动目标轨迹估计提供了一种高精度、低延迟的解决方案，在航空航天工程中具有重要应用价值。

**关键技术方法（不超过250字）**
本研究主要采用以下关键技术方法：1）自适应多模型滤波框架，基于卡尔曼滤波集成在线模型概率更新，实现运动模式的自适应切换；2）高阶误差传播校正，通过高阶近似补偿非线性估计误差；3）自适应噪声调整，利用在线估计更新测量噪声协方差矩阵，应对时变噪声；4）基于FPGA的硬件加速验证平台，用于实时性能测试。所有方法均通过仿真和实验验证，未涉及具体样本队列或生物培养步骤。

**研究结果**
*仿真结果与分析*：通过设定相对速度800m/s的机动场景，将所提方法与原始测量值及单独运动模型滤波器（如恒定速度模型、恒定加速度模型等）进行对比。结果表明，所提方法的位置RMSE较原始测量值下降57.73%，且在所有测试场景中均优于单一模型滤波器，体现了多模型自适应与高阶校正的联合优势。
*实验验证结果*：基于FPGA的实验室平台在真实硬件环境下复现了仿真场景，测量得到的单帧处理延迟为152μs，与仿真结果在误差范围内一致。该延迟满足典型实时跟踪任务的需求，验证了算法的硬件可实现性与实时性。

**结论与讨论**
总结讨论部分指出，所提出的自适应多模型高阶混合滤波方法通过集成在线模型概率更新、高阶误差传播校正和自适应噪声调整，有效解决了高机动目标轨迹估计中运动模式转换、非线性误差和时变噪声等难题。仿真与实验共同证明该方法在精度和实时性方面的优势，且FPGA实现方案具备实际部署潜力。研究结论翻译为：证明了该框架在机动目标轨迹估计中的有效性和实时可行性（demonstrating the effectiveness and real-time feasibility of the proposed framework for maneuvering-target trajectory estimation）。