无迹卡尔曼滤波在目标跟踪中的作用（二）-Toy模板网

这篇具有很好参考价值的文章主要介绍了无迹卡尔曼滤波在目标跟踪中的作用（二）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

在上一节的内容中，我们介绍了UKF中最重要的内容—无迹变换UT，今天我们将具体介绍UKF是如何实现的。
好了，话不多说，开整！！！

UKF算法的实现

我们知道，我们可以使用状态方程和观测方程来对系统进行描述，那么一个非线性系统可以用以下的方程进行描述：
$\left\{\begin{array}{l}X\left(k+1\right)=f\left(x\left(k\right),V\left(k\right)\right)\\ Z\left(k\right)=h\left(x\left(k\right),W\left(k\right)\right)\end{array}\right.$
其中的

$f$ 为非线性状态方程函数
$V (k)$ 为过程噪声，其协方差矩阵为Q
$h$ 为非线性观测方程函数
$W (k)$ 为量测噪声，协方差矩阵为R

在描述完非线性系统后，对不同时刻的数据进行滤波，步骤如下：

1、首先获得一组Sigma点集（采样点集）与权值，计算如下式：

详细介绍请见：
UKF在目标跟踪中的应用（一）
也即：
$X^{(i)}(k|k)=[\hat{X}(k|k)\quad\hat{X}(k|k)+\sqrt{(n+\lambda)P(k|k)}\quad\hat{X}(k|k)-\sqrt{(n+\lambda)P(k|k)}]$
2、然后计算2n+1个Sigma点的一步预测值,i=1，2……2n+1；
$X^{(i)}(k+1|k)=f[k,X^{(i)}(k|k)]$
3、计算系统状态量和协方差矩阵的一步预测值

$\hat{X}(k+1|k)=\sum_{i=0}^{2n}\omega^{(i)}X^{(i)}(k+1|k)$
$P(k+1|k)=\sum\limits_{k=0}^{2n}\omega^{(k)}[\hat{X}(k+1|k)-X^{(k)}(k+1|k)][\hat{X}(k+1|k)-X^{(n)}(k+1|k)]^T+Q$

此处就与Kalman明显不同：
在Kalman滤波中，只需将上一时刻的值带入状态方程计算一次即可得到预测值，UKF是将一组采样点值进行预测，然后加权，得到状态的预测值

4、再根据一步预测值，使用UT变换，产生新的Sigma点集，
$X^{(i)}(k+1|k)=[\hat{X}(k+1|k) \quad \hat{X}(k+1|k)+\sqrt{(n+\lambda)P(k+1|k)} \quad \hat{X}(k+1|k)-\sqrt{(n+\lambda)P(k+1|k)}]$
5、将步骤4中新产生的Sigma点集带入观测方程，得到观测的预测值，i=1，2，……2n+1；
$Z^{(i)}\left(k+1|k\right)=h[X^{(i)}(k+1|k)]$
6、通过步骤5中得到的Sigma点集的观测预测值，加权求和得到系统预测的均值和方差，
$\overline{Z}(k+1|k)=\sum\limits_{i=0}^{2n}\omega^{(i)}{Z}^{(i)}(k+1|k)$
$P_{z_kz_k}=\sum\limits_{i=0}^{2n}\omega^{(i)}[Z^{(i)}(k+1|k)-\overline{Z}(k+1|k)][Z^{(i)}(k+1|k)-\overline{Z}(k+1|k)]^{\mathrm{T}}+R$
$P_{x_k z_k}=\sum\limits_{i=0}^{2\pi}\omega^{(i)}[X^{(i)}(k+1|k)-\overline{Z}(k+1|k)][Z^{(i)}(k+1|k)-\overline{Z}(k+1|k)]^T$
7、计算滤波增益K
$K(k+1)=P_{x_k z_k}P_{z_k z_k}^{-1}$
8、状态更新、协方差更新：
$\hat{X}\left(k+1|k+1\right)=\hat{X}\left(k+1|k\right)+K\left(k+1\right)\left[Z\left(k+1\right)-\hat{Z}\left(k+1|k\right)\right]$
$P(k+1|k+1)=P(k+1|k)-K(k+1)P_{z_kz_k}K^{\intercal}(k+1)$