关于“一种无需偏差补偿的纯方位跟踪新伪线性滤波器”的学术研究报告

一、 研究团队与发表信息

本研究的主要作者为Shizhe Bu， Aiqiang Meng 和 Gongjian Zhou。他们均来自哈尔滨工业大学电子工程系，同时也是工业和信息化部海洋环境监测与信息处理重点实验室的研究人员。通讯作者为Gongjian Zhou教授。该项研究成果以题为“A New Pseudolinear Filter for Bearings-Only Tracking Without Requirement of Bias Compensation”的论文形式，于2021年8月12日发表在学术期刊《Sensors》上（卷21， 期16， 文章编号5444）。

二、 学术背景与研究目标

本研究属于目标跟踪领域，具体聚焦于被动传感器纯方位跟踪（Bearings-Only Tracking, BOT） 这一经典且具有挑战性的问题。在BOT系统中，传感器（如声纳、雷达被动模式）仅能获取目标的方向角（方位）测量值，而无法直接获得距离信息。由于方位测量方程相对于目标状态（位置、速度）是高度非线性的，这给精确估计目标运动轨迹带来了巨大困难。

为了解决非线性问题，伪线性卡尔曼滤波器（Pseudolinear Kalman Filter, PLKF） 被提出。该方法通过数学变换将非线性的方位测量方程转化为伪线性形式，从而可以直接应用计算高效、稳定性较好的标准卡尔曼滤波器（Kalman Filter, KF）框架。PLKF因其对初始误差不敏感和计算复杂度低的优点而受到关注。然而，PLKF存在一个根本性缺陷：在伪线性化过程中产生的伪测量矩阵与伪线性噪声之间存在相关性。这种相关性被标准KF框架所忽略，导致状态估计会产生严重的偏差（Bias），尤其在几何构型不利或测量噪声较大时，偏差问题会严重影响跟踪性能。

为了克服PLKF的偏差问题，先前的研究主要采用偏差补偿（Bias Compensation） 的策略，例如偏差补偿PLKF（BC-PLKF）和基于工具变量（Instrumental Variable, IV） 的估计方法。然而，这些方法存在局限性：BC-PLKF的偏差补偿在小噪声假设下有效，但在大噪声下补偿不充分，导致精度损失；而IV类方法（如SAM-IVKF）通常没有闭式解，依赖于良好的初始化和经验性的参数选择（如选择角度测量阈值），其理论框架不统一，性能可能因参数选择不当而下降。

因此，本研究旨在解决上述问题。其核心目标是：在最小均方误差（Minimum Mean Square Error, MMSE） 的理论框架下，提出一种新的伪线性滤波器。该滤波器无需显式进行偏差补偿，而是通过深入分析并显式地处理伪测量矩阵与伪线性噪声之间的相关性，将它们的互协方差纳入滤波更新过程，从而在统一的MMSE框架下隐式地解决相关性带来的偏差问题。最终目标是开发一种兼具PLKF的稳定性与低计算复杂度，同时又能提供高精度、无偏估计的新型滤波器。

三、 研究流程与方法详述

本研究主要包含理论推导、滤波器设计、性能下界分析以及仿真验证四个核心部分。

1. 问题建模与伪线性状态空间模型构建 研究首先建立了二维平面内单运动传感器对单目标的BOT模型。目标运动采用近恒定速度（Nearly Constant Velocity, NCV） 模型描述，过程噪声协方差已知。传感器位置精确已知，其测量值为带有高斯白噪声的真实方位角。

关键步骤在于将非线性方位测量方程转换为伪线性形式。通过三角恒等变换和代数操作，原始的方位测量被重写为关于目标状态向量的线性方程：z_k = H_k * x_k + η_k。其中，z_k是伪测量值，H_k是伪测量矩阵，η_k是伪线性噪声。分析表明，H_k和η_k都包含真实的方位测量噪声n_k，因此两者是统计相关的。这正是PLKF产生偏差的根源。论文详细推导了η_k的均值（为零）和方差。

2. 新滤波器（PL-MMSE）的设计与推导 这是本研究的核心创新部分。研究在MMSE估计框架下，逐步推导滤波器的预测、协方差计算和更新步骤。

• 预测阶段：与传统KF类似，基于状态方程进行状态和协方差的一步预测。
• 协方差计算阶段（关键创新点）：此阶段需要计算测量预测协方差P_zz以及状态与测量间的互协方差P_xz。在标准KF中，由于测量矩阵与噪声不相关，P_zz的计算公式中不包含交叉项。但在本研究的伪线性模型中，由于H_k与η_k相关，P_zz的表达式中会出现E[H_k * x̃_k|k-1 * η_k^T]和E[η_k * x̃_k|k-1^T * H_k^T]这两个非零的交叉项。同样，P_xz的计算也受到影响。
  • 为了解决这个问题，作者对H_k进行了巧妙的分解：H_k = cos(n_k) * H1_k + sin(n_k) * H2_k，将噪声项n_k显式分离出来。其中H1_k和H2_k是仅与真实方位角（未知）相关的矩阵。
  • 随后，作者利用目标状态的预测值x̂_k|k-1和预测方位角θ̂_k|k-1来近似未知的真实值，并基于方位测量噪声的统计特性（其正弦、余弦函数的期望值已知），通过一系列严谨的代数运算，最终得到了交叉项以及P_zz和P_xz的闭式表达式。这些表达式包含了状态预测协方差P_k|k-1的元素和传感器-目标预测距离‖d̂_k|k-1‖，都是滤波过程中可用的量。
• 更新阶段：在成功计算出包含相关性影响的P_zz和P_xz后，直接应用MMSE框架下的标准更新方程，即可得到最终的状态估计x̂_k|k及其协方差P_k|k。

整个推导过程确保了新滤波器（作者称之为伪线性最小均方误差滤波器， PL-MMSE）在理论上的严密性，其滤波过程完全在伪线性模型内进行，继承了PLKF计算复杂度低的特点，同时通过修正的协方差计算步骤，从根本上解决了相关性导致的偏差问题。

3. 性能下界推导 为了评估所提滤波器的理论性能极限，作者推导了BOT问题的后验克拉美-罗下界（Posterior Cramér–Rao Lower Bound, PCRLB）。PCRLB为任何无偏估计器的误差协方差提供了一个理论下界。作者给出了基于费雪信息矩阵递归计算的PCRLB公式，并将其作为仿真中评估算法性能的基准。

4. 仿真实验与性能评估 研究通过大量的蒙特卡洛（Monte Carlo）仿真实验来验证PL-MMSE的有效性，并将其与PLKF、BC-PLKF以及SAM-IVKF进行对比。 * 实验设置：仿真场景为二维平面，传感器沿预设的多段恒速轨迹运动，目标以恒定速度运动。进行了10,000次蒙特卡洛运行，每次包含150个时间步长。评估了不同方位测量噪声水平（标准差从1度到10度）和不同初始化误差水平下的性能。 * 性能指标：采用了均方根误差（Root Mean Square Error, RMSE） 和偏差范数（Bias Norm） 来评估位置和速度的估计精度与偏差，并使用归一化估计误差平方（Normalized Estimation Error Squared, NEES） 来检验滤波器的一致性（Consistency）。同时，计算了各算法的平均运行时间以比较计算复杂度。 * 对比方法：PLKF作为基线；BC-PLKF代表偏差补偿方法；SAM-IVKF代表先进的工具变量方法，并测试了其在不同选择角度测量阈值（κ=4,3,2）下的性能，以考察其对经验参数的敏感性。

四、 主要研究结果

仿真结果全面而清晰地展示了所提PL-MMSE滤波器的优越性能。

1. 与PLKF和BC-PLKF的对比：PLKF在所有噪声水平下都表现出严重的偏差，RMSE和偏差范数均远高于PCRLB，且性能随噪声增大急剧恶化，NEES检验也表明其不一致。BC-PLKF在小噪声水平（σθ < 7°）下能有效补偿偏差，性能优于PLKF。但在大噪声水平下（σθ ≥ 7°），由于偏差补偿不充分，其性能出现下降，RMSE和偏差范数再次升高。而PL-MMSE在所有噪声水平下均表现稳定，其RMSE非常接近PCRLB，且偏差范数始终维持在很低的水平，显著优于PLKF和BC-PLKF。 NEES检验表明PL-MMSE是一致的估计器。

2. 与SAM-IVKF的对比：SAM-IVKF的性能高度依赖于其经验性阈值κ的选择。当选择“最佳”阈值（κ=4）时，其RMSE和偏差范数性能与PL-MMSE相当，略优或接近。然而，当阈值变为κ=3或κ=2时，SAM-IVKF的性能出现明显退化，甚至在某些指标上不如BC-PLKF。这凸显了SAM-IVKF对参数选择的敏感性。相比之下，PL-MMSE无需任何经验参数，在所有测试条件下均提供了稳定且优异的性能。

3. 计算复杂度分析：运行时间对比显示，PLKF复杂度最低。BC-PLKF因额外的偏差补偿步骤，耗时比PLKF多约18%。PL-MMSE为处理相关性，耗时比PLKF多约46%。SAM-IVKF（κ=4）由于涉及IV估计和SAM策略，耗时比PLKF多约71%，是所比较方法中计算最复杂的。因此，PL-MMSE在取得显著精度提升的同时，其计算复杂度仍远低于性能相近的SAM-IVKF（最佳参数下），在精度与效率之间取得了更好的平衡。

4. 结果逻辑关系：理论推导部分证明了PLKF偏差的根源在于忽略相关性，并给出了在MMSE框架下显式处理相关性的数学方法。仿真结果则验证了该理论方法的有效性：通过处理相关性，PL-MMSE成功消除了PLKF的严重偏差；由于该方法在统一框架内处理问题，避免了BC-PLKF补偿不充分和SAM-IVKF依赖经验参数的缺点，从而实现了在宽噪声范围内稳定、接近最优（PCRLB）的估计性能。性能下界（PCRLB）的引入为所有算法的性能评估提供了一个客观、理论上的比较基准。

五、 研究结论与价值

本研究成功提出并验证了一种用于纯方位跟踪的新伪线性滤波器——PL-MMSE。其核心结论是：通过深入分析伪线性模型中伪测量矩阵与噪声之间的相关性，并在最小均方误差框架下将它们的互协方差显式纳入滤波更新方程，可以构建一种无需外部偏差补偿、且能从根本上解决PLKF偏差问题的新型滤波器。

该研究的科学价值在于：为BOT领域提供了一个统一、严谨的理论框架（MMSE）来解决伪线性估计中的相关性难题，丰富了非线性滤波理论。其方法具有普适性，为解决类似结构的估计问题提供了新思路。

其应用价值显著：PL-MMSE算法兼具高精度、强鲁棒性和适中的计算复杂度。它不依赖于经验参数调整，在各种测量噪声水平和初始化误差下均能保持稳定、优异的跟踪性能。这使得它在对实时性和可靠性要求高的实际应用场景（如水下无人潜器跟踪、被动雷达监视等）中具有重要的应用潜力。

六、 研究亮点

1. 理论创新性：首次在MMSE框架下，通过严格的数学推导，显式地建模并处理了伪线性BOT问题中伪测量矩阵与噪声的相关性，提出了完整的滤波器设计方法，跳出了传统的“先估计后补偿”或依赖工具变量的思路。
2. 性能优越性：所提出的PL-MMSE滤波器在仿真中展现出接近理论下界（PCRLB）的估计精度，且性能全面超越经典的PLKF和BC-PLKF，与参数调优后的先进方法（SAM-IVKF）性能相当甚至更优。
3. 实用性与鲁棒性：算法不包含需要经验设定的参数（如SAM-IVKF中的阈值），避免了因参数选择不当导致的性能波动，具有更好的实用性和鲁棒性。同时，其计算复杂度低于性能相近的对比算法。
4. 系统性验证：研究不仅提出了新算法，还推导了对应的性能下界（PCRLB），并进行了全面、细致的蒙特卡洛仿真，从精度（RMSE）、偏差（Bias Norm）、一致性（NEES）和计算效率多个维度进行了综合评估，论证充分。

七、 其他有价值内容

论文在引言部分对BOT领域的主流非线性滤波方法（如EKF, UKF, PF）和各类改进的伪线性方法（MPE, IV-based等）进行了简要而清晰的梳理，为读者理解本研究工作的定位和贡献提供了良好的背景。此外，论文详细给出了传感器运动轨迹、目标初始状态、过程噪声参数等仿真设置，确保了实验的可复现性。