《表4 基于DUKF的目标跟踪算法的ARMSE值Tab.4 ARMSE results of DUKF》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《采用自适应一致性UKF的分布式目标跟踪》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

比较上述3个表格可以看出在3种不同的算法中基于ACUKF算法的分布式跟踪算法在准确性和鲁棒性上表现的最好。具体来说，从表3和表4可以看出，对于传统的分布式跟踪算法在Q0和R1与实际系统值相比过大或者过小时，跟踪误差都会较大。特别地，对比3个表格的左下方会发现，在基于CIF和DUKF的分布式算法的ARMSE值较大时，基于ACUKF的分布式跟踪算法对于跟踪误差的改进更加的明显（相比于CIF，ARMSE值最大减少了49.93%，相比于DUKF，ARMSE值最大减少了51.46%）。这说明对于先验噪声协方差与系统实际值不匹配时，传统的分布式跟踪算法效果较差，而基于ACUKF的分布式跟踪算法通过调增先验噪声协方差的值，能够明显改善跟踪结果。需要指出的是，当Q0∶R1=Q°∶R°时，基于CIF和DUKF的跟踪算法的ARMSE值要稍小于基于ACUKF的跟踪算法。这是因为，ACUKF算法在先验噪声值和实际值相匹配时，也可能自适应地调整了先验噪声协方差的值，且该值为通过近似操作获得的估计值与实际值会有误差。但在实际的应用中Q°∶R°是不可能获得的，设置的Q0∶R1值不可能正好与实际值的比值相同。所以提出的基于ACUKF的分布式跟踪算法能够系统的估计噪声协方差的值，使其与实际值相匹配，进而能够获得一个更加准确和稳定的跟踪结果。