基于混合测量的目标跟踪伪线性卡尔曼滤波器研究
作者与机构：本文的研究工作由大连海事大学航海电气工程学院的Jinqi Liu与东北大学工业过程综合自动化国家重点实验室的Ge Guo共同完成。论文《Pseudolinear Kalman filters for target tracking using hybrid measurements》发表于信号处理领域的国际期刊《Signal Processing》，第188卷，2021年，文章编号108206。
研究背景与目的：目标跟踪是现代导航、水下监控、无线传感器网络等应用中的核心问题，其本质是基于含噪测量值对运动目标的运动学状态（位置、速度）进行非线性滤波估计。传统方法，如仅利用到达角（Angle-of-Arrival, AOA）的跟踪，存在模糊解（如“鬼影”目标）和性能限制。利用来自多个静止传感器的混合测量信息（AOA、到达时间差（Time Difference of Arrival, TDOA）和到达频率差（Frequency Difference of Arrival, FDOA））能够有效克服这些问题，并提升跟踪性能。然而，融合这些测量信息带来了新的挑战：测量方程与目标状态间存在复杂的非线性关系，且由此产生的伪线性化测量噪声具有非零均值，测量矩阵与噪声向量之间存在相关性，传统的扩展卡尔曼滤波器（Extended Kalman Filter, EKF）易发散，而无迹卡尔曼滤波（Unscented Kalman Filter, UKF）、粒子滤波（Particle Filter, PF）等计算复杂。伪线性估计器（Pseudolinear Estimator, PLE）计算成本低且稳定，但存在估计偏差问题。针对动态系统，现有的基于混合测量的批量伪线性估计器通常假设目标速度恒定，这在大测量周期下不切实际。
因此，本研究旨在解决动态目标利用混合AOA、TDOA、FDOA测量进行递归跟踪的难题。研究目标是为该问题提出新的、闭式的递归伪线性卡尔曼滤波（Pseudolinear Kalman Filter, PLKF）变体，通过精确处理噪声统计特性、补偿偏差以及利用辅助变量技术，开发出性能更优、偏差更小、计算可行的滤波算法。同时，本研究还推导了该非线性滤波问题的后验克拉美-罗下界（Posterior Cramér-Rao Lower Bound, PCRLB），为算法性能评估提供了理论基准。
研究流程与方法：本研究是一个算法设计与仿真验证的理论研究，主要包含以下几个核心步骤：
问题建模与伪线性化：首先，建立了目标在二维平面运动的恒定速度动态模型（状态方程）。然后，详细给出了来自N个静止传感器的AOA、TDOA（以传感器1为参考）和FDOA测量方程。为了应用线性卡尔曼滤波框架，研究采用了文献中已有的方法，将非线性的AOA、TDOA、FDOA测量方程转化为伪线性形式。具体而言，通过将AOA测量值引入TDOA和FDOA方程，消去了冗余参数，得到了形式为 ( z_k = H_k x_k + e_k ) 的伪线性观测方程，其中 ( z_k ) 是伪线性测量向量，( H_k ) 是依赖于测量值和传感器位置的测量矩阵，( e_k ) 是复杂的伪线性噪声向量，它是原始高斯测量噪声的高阶多项式。
伪线性卡尔曼滤波（PLKF）设计：直接应用标准卡尔曼滤波到上述伪线性模型会遇到问题，因为噪声 ( e_k ) 的均值非零，且其协方差是时变的。为此，本研究进行了关键改进：
偏差补偿伪线性卡尔曼滤波（BCPLKF）设计：尽管PLKF进行了噪声补偿，但由于测量矩阵 ( H_k ) 与噪声 ( \tilde{e}_k ) 之间存在相关性，其状态估计仍存在偏差。本研究推导了PLKF估计偏差的表达式 ( \deltak = E{\hat{x}{k|k} - x_k} )，并将其分解为三部分。分析表明，主要偏差项 ( E{C_k} ) 源于 ( H_k ) 与 ( \tilde{e}_k ) 的相关性。为了实时补偿此偏差，研究提出了偏差补偿PLKF（BCPLKF）：
辅助变量卡尔曼滤波（IVKF）设计：为了从根本上解决 ( H_k ) 与噪声相关导致的偏差问题，本研究进一步提出了一种新的基于辅助变量（Instrumental Variable, IV）的卡尔曼滤波（IVKF）：
后验克拉美-罗下界（PCRLB）推导：为了评估所提滤波器的性能极限，本研究针对所描述的混合测量非线性滤波问题，推导了PCRLB的递归计算形式。PCRLB给出了任何无偏估计器均方误差的下界。推导基于系统状态方程和观测方程的概率模型，计算了费舍尔信息矩阵（Fisher Information Matrix, J_k）的递归更新公式（公式(39)），其中涉及观测函数对状态向量的雅可比矩阵（附录C给出）。由于期望运算难以解析求解，论文建议使用蒙特卡洛方法进行近似。
仿真实验与性能评估：研究通过大量蒙特卡洛仿真（10,000次）验证了所提算法的性能。仿真场景设定为二维平面，4个静止传感器跟踪一个单目标。评估指标包括偏差范数（Bnorm）、均方根误差（RMSE）和平均欧几里得误差（AEE），并与传统EKF、仅使用AOA的BCPLKF-AOA以及理论PCRLB进行比较。研究设计了两个主要仿真场景：
主要结果： 1. 算法性能对比：仿真结果表明，所提出的PLKF、BCPLKF和IVKF在所有噪声水平下均表现出稳定收敛的特性。其中，IVKF性能最佳，其RMSE和AEE最接近理论PCRLB，尤其在较高噪声水平下显著优于传统EKF和仅使用AOA的BCPLKF-AOA。BCPLKF通过偏差补偿，性能优于PLKF，特别是在大噪声情况下。PLKF虽然存在偏差，但在所有测试条件下均能收敛。 2. 偏差与精度：BCPLKF和IVKF有效地降低了估计偏差。IVKF通过辅助变量技术，几乎完全消除了由 ( H_k ) 与噪声相关性引起的主要偏差，从而获得了最优的RMSE性能。图3-5显示，随着噪声增大，EKF性能急剧下降甚至发散，而所提算法（尤其是IVKF）仍能保持接近PCRLB的精度。 3. 鲁棒性：在初始化误差增大的情况下（图6），PLKF、BCPLKF和IVKF的性能保持相对稳定，RMSE接近PCRLB且明显优于BCPLKF-AOA。EKF则在中等初始化误差水平下即出现发散，表明所提算法对初始猜测具有更好的鲁棒性。 4. 计算复杂度：如表3所示，EKF计算最快，但性能最差。PLKF由于处理更多类型的测量，计算时间约为EKF的3倍，但带来了显著的性能提升。BCPLKF因复杂的偏差补偿计算，比PLKF更耗时。IVKF在BCPLKF基础上增加了辅助变量计算步骤，复杂度略高于BCPLKF。然而，以额外的计算量为代价，IVKF获得了最优的估计精度。
结论与意义：本研究成功解决了利用混合AOA、TDOA、FDOA测量进行动态目标递归跟踪的难题，提出了三种闭式递归估计器：PLKF、BCPLKF和IVKF。主要贡献在于：1) 首次为混合测量目标跟踪问题提出了递归伪线性卡尔曼滤波框架；2) 通过噪声均值补偿和高阶协方差计算，提升了PLKF的稳定性；3) 通过推导并实时补偿偏差，提出了性能更优的BCPLKF；4) 通过引入基于BCPLKF估计的辅助变量，提出了偏差最小、性能接近理论下界的IVKF；5) 推导了该非线性滤波问题的PCRLB，为算法评估提供了基准。
该研究具有重要的理论和应用价值。理论上，它扩展了伪线性估计技术在动态系统混合测量跟踪中的应用，提供了系统的偏差分析与补偿方法。应用上，所提算法，特别是IVKF，为多基地跟踪系统（如雷达、声纳、无线传感器网络）提供了一种高精度、高鲁棒性且计算可行的目标跟踪解决方案，适用于对误差鲁棒性和能源效率有要求的场景。
研究亮点： 1. 首创性：据作者所知，这是首个针对混合AOA/TDOA/FDOA测量的递归伪线性卡尔曼滤波跟踪方法。 2. 系统的偏差处理：研究不仅指出了伪线性化带来的偏差问题，还提供了两种不同思路的解决方案（直接补偿和辅助变量），并进行了详细的理论推导。 3. 性能优越性：提出的IVKF算法在多种噪声和初始化条件下，其估计精度（RMSE）均非常接近理论性能极限（PCRLB），且显著优于传统EKF和仅用AOA的先进方法。 4. 完整的理论框架：从问题建模、算法设计（三种递进算法）、性能下界推导到全面的仿真验证，构成了一个完整且严谨的研究体系。 5. 实用性：算法为闭式解，避免了迭代优化，计算复杂度相对可控，并通过仿真证明了其对初始误差和测量噪声的良好鲁棒性，具备实际应用潜力。
其他有价值内容：论文附录提供了详细的数学推导，包括伪线性噪声协方差矩阵 ( R_k ) 各分量的计算（附录A）、偏差补偿项 ( E{H_k^T \tilde{e}k | \hat{x}{k|k}} ) 的详细展开（附录B）以及PCRLB计算中所需的观测函数雅可比矩阵（附录C），这些内容为理解和复现算法提供了重要支撑。