《表4 基于DUKF的目标跟踪算法的ARMSE值Tab.4 ARMSE results of DUKF》
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。
图表编号 | XD0032419400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 郑斌琪、李宝清、刘华巍、袁晓兵 |
绘制单位 | 中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院上海微系统与信息技术研究所微系统技术重点实验室、中国科学院大学、中国科学院上海微系统与信息技术研究所微系统技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |