针对纯方位目标跟踪的非高斯环境伪线性最大相关熵卡尔曼滤波框架研究报告

一、 研究团队与发表信息

本研究的主要作者为钟山 (Shan Zhong)、彭蓓 (Bei Peng)、欧阳令强 (Lingqiang Ouyang)、杨新悦 (Xinyue Yang)、张宏宇 (Hongyu Zhang) 和王刚 (Gang Wang)。他们均来自中国电子科技大学（University of Electronic Science and Technology of China），其中钟山和彭蓓隶属于机械与电气工程学院，欧阳令强、杨新悦、张宏宇和王刚隶属于信息与通信工程学院。该研究以论文形式发表于 IEEE Sensors Journal 期刊，具体为第23卷第17期，出版日期为2023年9月1日。论文标题为《A Pseudolinear Maximum Correntropy Kalman Filter Framework for Bearings-Only Target Tracking》。

二、 学术背景与研究目的

本研究属于信号处理、目标跟踪和状态估计领域，具体聚焦于纯方位目标跟踪（Bearings-Only Target Tracking， BOT）问题。BOT是指仅利用运动传感器（如雷达、声纳）测得的、包含噪声的目标方位角（或俯仰角）数据，来估计目标的运动状态（位置和速度）。这是一个经典且具有挑战性的非线性滤波问题。

研究团队开展此项工作的背景和目的如下： 1. 核心挑战：BOT面临两大主要挑战。首先是测量非线性：方位角与目标状态（位置、速度）之间存在非线性关系。传统方法如扩展卡尔曼滤波（Extended Kalman Filter， EKF）存在线性化误差和发散风险，而无迹卡尔曼滤波（Unscented Kalman Filter， UKF）和粒子滤波（Particle Filter， PF）计算复杂度高。伪线性卡尔曼滤波（Pseudolinear Kalman Filter， PLKF）通过数学变换将非线性测量方程转化为伪线性形式，具有更好的稳定性，但会引入估计偏差问题。其次是非高斯噪声：实际环境中，测量数据常受到脉冲干扰和野值的影响，导致噪声呈现非高斯（重尾或多峰）特性，这会严重降低基于高斯噪声假设的传统卡尔曼滤波器的性能。 2. 现有方法的局限：为处理非高斯噪声，已有一些鲁棒卡尔曼滤波器被提出，例如基于学生t分布的鲁棒滤波器（Robust Student’s t-based Kalman Filters， RSTKFs）和高斯-学生t混合卡尔曼滤波器（Gaussian-Student’s t-Mixture Kalman Filter， GSTMKF）。然而，RSTKFs主要适用于单峰重尾噪声，对更复杂的多峰噪声处理效果不佳；而GSTMKF则需要精确已知状态和测量噪声的尺度矩阵先验知识，这在实践中难以满足。 3. 研究动机与目标：基于最大相关熵准则（Maximum Correntropy Criterion， MCC）的最大相关熵卡尔曼滤波（Maximum Correntropy Kalman Filter， MCKF）提供了一种新的思路。它不依赖于噪声分布的先验知识，且计算成本相对较低。然而，标准的MCKF主要针对线性模型。本研究旨在将MCKF的优势与PLKF的稳定性相结合，以解决非高斯噪声环境下的BOT问题。具体目标是：提出一个基于最大相关熵的伪线性卡尔曼滤波框架，解决PLKF在非高斯噪声下的偏差问题，并进一步利用目标速度约束等先验信息提升估计性能，同时推导非高斯噪声下的后验克拉美-罗下界（Posterior Cramér–Rao Lower Bound， PCRLB）作为算法性能评估的理论基准。

三、 研究方法与详细流程

本研究提出了一套完整的算法框架，包含三种核心算法，并进行了仿真与实验验证。整体研究流程可概括为：问题建模 → 算法推导与设计（PMCKF， BC-PMCKF， SC-PMCKF）→ 理论性能下界推导（非高斯PCRLB）→ 仿真与实物实验验证。

1. 问题建模与基础算法推导（PMCKF） * 研究模型：研究场景为二维平面，一个运动传感器跟踪一个匀速运动目标。目标状态向量包含位置和速度。状态方程（描述目标运动）为线性高斯模型。测量方程是传感器获得的目标方位角，它是目标位置的反正切函数，测量噪声为零均值非高斯噪声。 * 伪线性化：为解决非线性问题，研究首先对测量方程进行伪线性化处理。通过三角恒等变换，将非线性方位角测量方程转化为一个关于目标状态的伪线性方程，但同时引入了与状态相关的伪线性测量噪声。由此，BOT问题被重新表述为一个具有伪线性测量方程的线性状态空间模型。 * PMCKF算法设计：这是本研究的第一个核心贡献。研究将最大相关熵准则引入到上述伪线性模型中。相关熵是信息论学习中的一种广义相似性度量，使用高斯核函数。通过最大化新息（预测与测量之差）的相关熵，算法能够抑制非高斯噪声（尤其是脉冲噪声和野值）的影响。PMCKF的核心是一个固定点迭代求解过程，通过迭代更新一个包含权重矩阵的卡尔曼增益，最终得到状态的鲁棒估计。算法步骤包括：状态预测、伪线性测量构造、计算伪线性噪声协方差、进行固定点迭代更新状态估计、更新误差协方差矩阵。 * 偏差问题分析：研究团队深入分析了PMCKF存在的估计偏差问题。他们通过数学推导，将估计误差分解为三个部分，并指出偏差主要来源于伪线性测量矩阵与伪线性测量噪声之间的相关性（这是伪线性化过程固有的问题）。这一分析为后续的偏差补偿提供了理论基础。

2. 偏差补偿算法设计（BC-PMCKF） * 研究目标：基于对PMCKF偏差来源的分析，设计一种能够进行瞬时偏差补偿的算法。 * 方法流程：这是本研究的第二个核心贡献。BC-PMCKF在PMCKF的固定点迭代框架内，增加了一个偏差补偿步骤。具体而言，在每次迭代得到状态估计后，算法计算一个偏差补偿项，并将其加到当前的估计值上。这个补偿项是通过计算伪线性测量矩阵与噪声的互相关期望（条件于状态）的近似值得到的。由于真实的噪声未知，研究利用测量噪声的方差和当前的估计位置来近似这个期望值。补偿后的估计值用于更新下一次迭代中的伪线性距离估计，从而逐步修正偏差。BC-PMCKF的流程在PMCKF的基础上，增加了步骤5（偏差补偿）和步骤6（更新距离估计）。

3. 速度约束算法设计（SC-PMCKF） * 研究目标：在实际应用中，目标的运动速度通常是连续变化的，且其范围可能已知（例如，车辆或船舶的最小/最大速度）。为了进一步提高估计精度和鲁棒性，尤其是在可观测性较差的非高斯噪声环境下，研究将速度约束信息集成到BC-PMCKF框架中。 * 方法流程：这是本研究的第三个核心贡献。SC-PMCKF在BC-PMCKF的基础上，重构了卡尔曼增益。首先，它构造了一个与伪线性噪声无关的新向量。然后，基于此向量定义了一个新的卡尔曼增益。接着，将目标速度约束（假设速度模长在一个区间内）作为一个优化问题，利用拉格朗日乘子法求解出满足约束条件的最优速度估计修正项。最终，将修正后的速度部分与原有的位置估计部分组合，得到满足速度约束的状态估计。算法流程在BC-PMCKF的基础上，增加了步骤6（应用速度约束更新状态估计），并修改了增益计算方式。

4. 非高斯噪声下的理论性能下界推导 * 研究目标：为评估所提出算法的性能提供一个理论上的最优界限。 * 方法流程：研究推导了在非高斯测量噪声环境下，BOT问题的后验克拉美-罗下界（PCRLB）。PCRLB是任何无偏估计器均方误差的理论下界。由于非高斯噪声的复杂性，研究采用混合高斯模型来近似表示非高斯噪声的概率密度函数。通过近似处理，将混合高斯模型简化为一个单一的高斯模型，其方差为各子模型方差的加权和。在此基础上，计算费舍尔信息矩阵（Fisher Information Matrix）的递归形式，最终得到PCRLB的表达式。该PCRLB可作为仿真中比较各算法性能的基准。

5. 仿真与实验验证 * 仿真设置：研究设计了包含传感器机动和目标运动的二维跟踪场景。设置了四种不同特性的非高斯测量噪声（如混合高斯噪声、包含野值的噪声等）来测试算法鲁棒性。将提出的PMCKF、BC-PMCKF和SC-PMCKF与传统的PLKF、偏差补偿PLKF（BC-PLKf）、EKF、UKF以及另一种鲁棒滤波器MCEKF进行了对比。性能评估指标为位置和速度的均方根误差（Root-Mean-Square Error， RMSE），并与推导的PCRLB进行比较。同时，研究了不同核带宽参数对算法性能的影响。 * 实物实验：为了验证算法在实际环境中的有效性，研究搭建了一个基于TI IWR6843毫米波雷达的纯方位目标跟踪实验平台。雷达固定，跟踪一个缓慢匀速行走的人。由于目标速度慢、存在多径干扰等因素，实测的方位角数据中包含明显的脉冲噪声（野值）。在此真实数据上测试了各算法的跟踪性能。 * 数据处理与分析流程：对于仿真和实验数据，均采用超过1000次的蒙特卡洛（Monte Carlo）运行来统计平均性能（RMSE）。通过绘制RMSE随时间变化的曲线、计算平均RMSE、比较不同噪声水平和不同算法参数下的性能，以及对目标真实轨迹与估计轨迹进行可视化对比，全面评估了所提出算法的有效性、鲁棒性和优越性。

四、 主要研究结果

1. PMCKF的有效性与偏差问题：仿真结果表明，在非高斯噪声环境下，传统的PLKF、BC-PLKf、EKF等算法可能无法收敛或误差很大。而PMCKF由于引入了最大相关熵准则，能够有效抑制脉冲噪声的影响，表现出比MCEKF和UKF更优的稳定性和估计精度。然而，结果也验证了理论分析，即PMCKF存在估计偏差，其估计的速度与真实速度之间存在明显偏移。
2. BC-PMCKF的偏差补偿效果：BC-PMCKF通过瞬时偏差补偿，显著改善了PMCKF的估计偏差。在噪声水平较低时（如方位角噪声标准差σθ=2°），BC-PMCKF的估计精度很高，其性能接近理论下界PCRLB。仿真中速度估计曲线显示，BC-PMCKF的估计结果比PMCKF更接近真实速度。
3. SC-PMCKF的优越性能：SC-PMCKF通过引入速度约束，进一步提升了算法的鲁棒性和精度。仿真结果显示，无论是在中等噪声（σθ=4°）还是高噪声（σθ=6°）环境下，SC-PMCKF都取得了所有对比算法中最小的稳态误差，并且其收敛性能最接近PCRLB。特别是在高噪声下，BC-PMCKF的补偿效果会下降，而SC-PMCKF得益于速度约束，仍能保持良好的估计结果。表格数据显示，SC-PMCKF在不同噪声水平下的平均RMSE都是最低的。
4. 核带宽参数的影响：研究验证了核带宽σ是算法关键参数。较小的σ值能带来更好的鲁棒性（对非高斯噪声更不敏感），但计算成本略有增加；当σ值非常大时，最大相关熵准则退化为均方误差准则，PMCKF系列算法的性能会趋近于传统PLKF，在非高斯噪声下性能恶化。仿真通过设置不同σ值（1.5, 3.5, 5.5, 100）证实了这一点。
5. 实物实验验证：在毫米波雷达实测数据上的实验结果表明，由于实测数据中存在脉冲噪声，传统卡尔曼滤波器性能不佳。MCEKF在一段时间跟踪后会发散，PMCKF也因偏差问题在后期产生较大误差。而BC-PMCKF和SC-PMCKF能够稳定、准确地跟踪目标轨迹。SC-PMCKF在位置和速度的RMSE上表现最佳，证明了其在真实非高斯环境中的实用价值。
6. 计算复杂度分析：文章通过理论推导比较了PMCKF、BC-PMCKF、SC-PMCKF与标准MCKF的计算复杂度。分析指出，由于需要更新伪线性噪声协方差，所提算法比标准MCKF多一步计算，但就量级而言，复杂度没有显著差异。

五、 研究结论与价值

本研究成功构建了一个用于非高斯噪声环境下纯方位目标跟踪的最大相关熵卡尔曼滤波框架。主要结论如下： * 算法有效性：所提出的PMCKF将最大相关熵准则与伪线性估计相结合，克服了传统PLKF在非高斯噪声下的发散问题。 * 偏差问题的解决：通过对PMCKF进行偏差分析并设计瞬时补偿机制，提出的BC-PMCKF有效解决了伪线性化带来的估计偏差问题。 * 性能的进一步提升：通过融入目标速度约束这一先验信息，提出的SC-PMCKF在非高斯脉冲噪声环境下展现了最优的估计性能，其精度最接近理论下界。 * 理论基准：推导的非高斯噪声环境下的PCRLB为评估各类BOT算法性能提供了一个有价值的理论基准。

科学价值：本研究将信息论学习中的最大相关熵准则创新性地应用于经典的、具有挑战性的非线性非高斯BOT问题，提出了一套完整的、性能优越的滤波算法系列，并提供了严谨的偏差理论分析和性能下界推导，丰富了目标跟踪和鲁棒状态估计的理论与方法。

应用价值：所提出的算法框架，特别是SC-PMCKF，对实际工程应用具有重要意义。在雷达、声纳、无线定位等仅能获得角度信息的传感器系统中，当测量环境复杂、存在干扰和野值时，该算法能够提供更稳定、更精确的目标运动状态估计，提升系统的跟踪性能和可靠性。

六、 研究亮点

1. 框架创新性：首次构建了一个将伪线性估计、最大相关熵准则、偏差补偿和状态约束系统化结合的完整滤波框架，用于解决非高斯噪声下的BOT问题。
2. 算法系列递进：研究不是提出单一算法，而是呈现了一个从基础（PMCKF）到改进（BC-PMCKF）再到优化（SC-PMCKF）的递进式算法系列，逻辑清晰，每一步改进都有明确的问题导向和理论支撑。
3. 深入的偏差分析：对伪线性最大相关熵滤波器进行了深入的偏差来源理论推导，明确了偏差项，为设计有效的补偿算法奠定了坚实基础。
4. 约束信息融合：创新地将不等式形式的速度约束以解析解的形式融入到滤波增益的计算中，显著提升了在恶劣观测条件下的估计性能。
5. 理论与实验结合：不仅进行了大量的蒙特卡洛仿真，涵盖了多种非高斯噪声场景和参数分析，还通过真实的毫米波雷达实验平台验证了算法的实际有效性，增强了研究的说服力。
6. 性能下界拓展：推导了适用于非高斯噪声环境的PCRLB，为这一特定问题的算法性能评估提供了新的理论工具。

七、 其他有价值内容

研究在附录中提供了关键数学推导的详细过程，包括PMCKF偏差项的完整分解、偏差补偿项中期望值的计算、以及速度约束优化中拉格朗日乘子的求解过程。这些内容对于读者深入理解算法细节和复现研究成果非常有帮助。此外，文章对算法计算复杂度的分析也为工程实现中的计算资源评估提供了参考。