扰动补偿下功率受限转向模型的自适应轨迹估计

机动目标轨迹估计应用于导航、路径规划和视觉跟踪等众多任务中。许多先前工作在具有准确先验统计和针对特定对象的专用动态模型的严格控制条件下取得了令人印象深刻的成果。但在没有专用动态模型和精确先验统计的挑战性条件下，这些方法的性能显著下降。为解决该问题，提出了一种称为功率受限转向模型（PLS）的动态模型来描述非合作目标的运动。它是瞬时功率与瞬时角速度的自然结合，依赖非线性而非状态切换概率来实现状态切换。并引入重整化群以补偿 PLS 模型中扰动的非线性效应。为进行鲁棒且高效的轨迹估计，提出了一种自适应轨迹估计（AdaTE）算法。通过在线更新统计量与截断时间，它校正了由有偏先验统计和观测漂移引起的估计误差，同时将计算复杂度降低至低于 O(n)。轨迹估计实验证明了 AdaTE 的收敛性，以及相较于 EKF、UKF 和稀疏 MAP 对有偏先验统计和观测漂移更好的鲁棒性。其他实验表明，经轻微修改，AdaTE 也可应用于随机障碍环境中的局部导航以及视觉跟踪中的轨迹优化。