穩健追蹤演算法

Abstract

一般在解決追蹤問題上最常使用的是卡門濾波器(Kalman Filter) ，它是在量測雜訊 是高斯分佈的假設下之最佳解，大部份這方面研究也均假設量測雜訊是高斯分佈，然 而這假設不一定成立，量測雜訊可能不是高斯分佈。在雷達系統中即有一種叫做 glint 的雜訊其分佈為非高斯，且具有長尾形狀，這種雜訊會嚴重地影響到追蹤之準 確度。一般追蹤閃躲(Maneuver)的目標常用之演算法有IMM(Interacting Multiple Model)及IE(Input Estimation)，而它們的量測雜訊也均假設是高斯。非高斯量測雜 訊不但會使得卡門濾波器之效率大為降低，而且會使IMM 演算法無法正確判斷各模式 之發生機率，也會使IE演算法無法正確的估測目標物的加速度。本論文即針對此問題 提出改善之辦法，對於IMM 演算法，我們使用一能濾除非高斯雜訊之非線性濾波器以 代替卡門濾波器，並修正各模式之機率分佈。而對於IE演算法，我們則使用次序統計 濾波器(Order Statistics Filter) 做前處理以先濾除非高斯之雜訊。實驗結果顯示 我們所提出之方法，在glint 雜訊之環境中能有效的提高追蹤之準確度。