在信号处理与目标跟踪领域，利用单个移动传感器仅测量方位角（Bearings-Only）来估计目标的位置和速度是一项经典且具有挑战性的任务。其核心难点在于方位角测量值与目标动力学状态之间存在非线性关系。虽然扩展卡尔曼滤波器（Extended Kalman Filter, EKF）等非线性滤波器可以处理此问题，但存在线性化误差、依赖良好初始化和可能发散的风险。相比之下，伪线性卡尔曼滤波器（Pseudolinear Kalman Filter, PLKF）通过将非线性方位角方程重构为伪线性观测方程，获得了计算复杂度低、稳定性高且对初始化误差更鲁棒的优点。然而，PLKF一个长期存在且显著的缺陷是会产生严重的状态估计偏差，这严重限制了其在实际跟踪应用中的性能。
在此背景下，IEEE Transactions on Signal Processing 期刊于2017年12月1日（第65卷第23期）发表了题为“Improved Pseudolinear Kalman Filter Algorithms for Bearings-Only Target Tracking”的研究论文。该论文由澳大利亚南澳大学（University of South Australia）的Ngoc Hung Nguyen（IEEE会员）和Kutluyıl Doğançay（IEEE高级会员）共同完成。本研究的学术背景直接针对PLKF在仅测角目标跟踪中的严重偏差问题。论文作者指出，尽管在批处理（batch）形式的伪线性估计中，偏差分析和补偿技术（如偏置补偿、工具变量法）已得到成功应用，但将这些技术扩展到能够处理机动目标的递归贝叶斯估计框架（如PLKF）中，仍然是一个未充分探索的领域。因此，本研究的主要目标是在保留PLKF高稳定性和低计算复杂度优点的同时，深入分析其偏差根源，并开发出新型的递归伪线性贝叶斯跟踪算法，以显著克服PLKF的偏差问题，提升跟踪性能。
本研究详细的工作流程可分为理论分析、算法设计与性能验证三大核心部分。第一部分是对PLKF偏差的深入理论分析。研究者针对近恒定速度的目标动力学模型，详细推导了PLKF状态估计偏差的数学表达式。分析揭示了偏差主要由两个因素引起：一是测量向量h_k与伪线性噪声η_k之间的相关性（这是主要根源）；二是h_k与过程噪声w_{k-1}之间的相关性。论文通过严谨的数学推导证明，对于具有合理机动的近恒定速度目标，后者的影响可以忽略不计。这一分析不仅明确了问题的核心——h_k与η_k的相关性，也为后续的补偿方案提供了直接的理论依据。
第二部分是基于偏差分析，系统地提出了三种改进算法。首先，研究者提出了偏置补偿伪线性卡尔曼滤波器（Bias-Compensated PLKF, BC-PLKF）。该算法的核心思想是从PLKF的状态估计中直接减去一个对瞬时偏差项的估计值。这个估计值是通过用目标位置的卡尔曼滤波估计值p̂_{k|k}替代真实未知位置p_k，并计算条件期望E{h_k^T η_k | x_k}而得到的。BC-PLKF的流程与标准PLKF基本一致，仅在状态更新后增加了一个偏置补偿步骤：x̂{k|k}^{bc} = x̂{k|k} + P_{k|k} R_k^{-1} μk^2 M^T (M x̂{k|k} - r_k)，其中P_{k|k}是状态估计协方差矩阵，R_k是伪线性噪声方差，μ_k^2与方位角测量噪声方差相关。BC-PLKF直接针对偏差源进行补偿，结构简单，是改进的第一步。
其次，为了更彻底地处理h_k与η_k的相关性问题，研究者提出了工具变量卡尔曼滤波器（Instrumental-Variable KF, IVKF）。该方法将递归工具变量（IV）估计方法嵌入到PLKF框架中。其关键创新在于使用BC-PLKF计算出的方位角估计值θ̂_{k|k}^{bc}来构造工具变量向量g_k，以替代原增益计算中的h_k。工具变量向量g_k需要满足与噪声η_k不相关，但与测量向量h_k强相关。通过这种修改，IVKF的增益矩阵变为Kk^{iv} = P{k|k-1} g_k^T / (R_k + hk P{k|k-1} g_k^T)，从而在理论上能够渐近地消除由相关性引起的偏差。IVKF算法整合了BC-PLKF用于生成高质量的工具变量，形成了一个递推改进的结构。
然而，IVKF的性能在大方位角噪声或不利几何条件下可能下降，因为此时估计的方位角θ̂_{k|k}^{bc}与测量的方位角θ̃_k差异较大，导致工具变量向量g_k与h_k的相关性减弱。为解决此问题，本研究进一步提出了选择性角度测量IVKF（Selective-Angle-Measurement IVKF, SAM-IVKF）。该算法引入了一个决策逻辑：仅当估计方位角与测量方位角之差的绝对值|θ̂_{k|k}^{bc} - θ̃_k|小于一个设定的阈值α_k（例如，α_k = κσ_k, σ_k为噪声标准差，κ在2到4之间）时，才执行IV估计步骤；否则，跳过IV步骤，直接采用BC-PLKF的估计结果。SAM-IVKF本质上是一个根据测量质量在IVKF和BC-PLKF之间自适应切换的混合算法，确保在噪声较大时仍能保持g_k与h_k的强相关性，从而维持算法的稳定性和性能。
第三部分是全面的仿真性能评估与比较。研究者通过大量的蒙特卡洛模拟实验来验证所提算法的有效性。仿真场景设定为一个在二维平面内做近恒定速度机动运动的目标，由一个沿特定折线轨迹运动的传感器进行方位角观测。实验评估了在不同方位角噪声水平（噪声标准差σ_θ从1°到10°变化）和不同滤波器初始化误差水平下，BC-PLKF、IVKF、SAM-IVKF与传统的PLKF、EKF以及修正极坐标EKF（Modified Polar Coordinate EKF, MPEKF）的性能对比。性能评估指标包括偏差范数（Bias Norm）、均方根误差（Root Mean Squared Error, RMSE）、平均欧几里得误差（Average Euclidean Error, AEE），并将后验克拉美-罗下界（Posterior Cramér–Rao Lower Bound, PCRLB）作为理论性能基准。数据处理方面，通过上万次蒙特卡洛运行，计算了目标位置和速度估计的时均偏差、RMSE和AEE，并与滤波器自身计算的状态估计协方差矩阵（如P_{k|k}）的时均迹进行了比较，以验证协方差估计的准确性。
本研究的主要结果在各个仿真场景中得到了清晰一致的体现。首先，在偏差性能方面，传统的PLKF表现出严重的估计偏差，且偏差随噪声增大而加剧。EKF和MPEKF在低噪声水平（σ_θ ≤ 4°-5°）下偏差较小，性能接近PCRLB，但在中等及以上噪声水平下，偏差和RMSE迅速恶化，MPEKF在σ_θ > 6°时甚至出现发散。相比之下，BC-PLKF的偏差相比PLKF有显著改善，但在较大噪声（σ_θ ≥ 7°）下仍会出现可观的偏差，这是因为其瞬时偏置估计的准确性在噪声增大时下降。IVKF和SAM-IVKF则表现出了最优的偏差性能，即使在较大噪声水平下也能保持非常小的偏差，这得益于工具变量法从根源上处理了相关性问题。
其次，在估计精度（RMSE和AEE）方面，所提出的三种新算法在低噪声水平下都能达到接近PCRLB的性能。在中等至高噪声水平下，BC-PLKF、IVKF和SAM-IVKF的RMSE和AEE性能显著优于PLKF、EKF和MPEKF。特别是SAM-IVKF，在所有噪声水平下都表现出了最佳的RMSE性能，其RMSE曲线最贴近PCRLB。值得注意的是，IVKF在极高噪声水平（σ_θ ≥ 9°）下RMSE有所恶化，而SAM-IVKF通过选择性测量机制有效避免了此问题，保持了稳定的高性能。这表明SAM策略作为一种安全机制，确保了算法在恶劣条件下的鲁棒性。
再者，在算法稳定性和对初始化误差的鲁棒性测试中，EKF和MPEKF随着初始化误差增大而迅速发散，再次暴露了它们的脆弱性。而BC-PLKF、IVKF和SAM-IVKF继承了PLKF的稳定性，即使在较大的初始化误差下仍能保持良好的跟踪性能，没有出现发散现象。
最后，通过比较滤波器自身计算的估计协方差（P_{k|k}）与实际蒙特卡洛模拟得到的RMSE，研究验证了PLKF的P_{k|k}严重低估了实际误差（因为未考虑偏差），而BC-PLKF在低噪声下其P_{k|k}与RMSE较为接近，SAM-IVKF的符合度最好。这说明新算法在提供更准确状态估计的同时，也能提供更可靠的误差协方差信息。
本研究的主要结论是成功开发了三种性能显著提升的递归伪线性目标跟踪算法：BC-PLKF、IVKF和SAM-IVKF。这些算法在继承PLKF高稳定性和低计算复杂度优点的同时，有效克服了其严重的偏差问题。其中，SAM-IVKF综合了偏置补偿和工具变量法的优点，并通过选择性测量机制确保了鲁棒性，被证明是性能最佳的算法，能够在中等噪声水平下产生可忽略的估计偏差和接近理论下界（PCRLB）的均方误差。
本研究的科学价值和应用价值十分突出。在科学价值方面，论文首次对递归PLKF的偏差进行了针对机动目标的一般性理论分析，明确了偏差根源，为后续研究奠定了理论基础。同时，论文创新性地将批处理伪线性估计中的工具变量法和选择性测量策略成功扩展到递归贝叶斯滤波框架中，提出了IVKF和SAM-IVKF这一全新算法族，丰富了非线性滤波和目标跟踪的理论工具箱。在应用价值方面，所提算法计算量仅比PLKF略有增加（仿真显示运行时间增加约18%至63%），但性能提升巨大，特别是在中高噪声和不利初始化条件下表现出的稳定性和高精度，使其非常适用于对实时性和可靠性要求高的实际目标跟踪系统，如雷达、声纳、无线传感器网络等。
本研究的亮点在于：第一，深刻的偏差根源分析，为算法设计提供了清晰的方向；第二，提出了层层递进、互为补充的三种改进算法，形成了系统的解决方案；第三，SAM-IVKF算法的设计巧妙，通过简单的逻辑判断实现了性能与鲁棒性的最优平衡；第四，通过详尽且设计合理的仿真实验，从多个维度（偏差、精度、鲁棒性、协方差准确性）全面验证了算法的优越性，并与主流算法和理论下界进行了对比，论证充分有力。此外，论文还指出，所提出的算法框架可以推广到其他具有类似伪线性化状态空间模型（即测量矩阵与伪线性噪声相关）的估计问题中，展示了其方法的通用性潜力。