基于粒子滤波的雷达目标追踪系统

资 源 简 介

本系统利用粒子滤波算法实现在非线性、非高斯噪声环境下的雷达目标精确追踪。其核心功能是解决传统卡尔曼滤波在面对复杂运动模型和非线性观测方程（如极坐标下的距离与角度测量）时的精度下降问题。该项目通过蒙特卡洛方法，使用一组带权重的物理粒子来逼近目标状态的后验概率分布。系统能够模拟目标的多种动态运动模式，如匀速直线运动、协同转弯运动或机动规避运动，并结合雷达传感器的实时观测数据进行状态更新。程序包含初始化阶段、预测阶段、权重更新阶段以及重采样阶段。在重采样过程中，系统会根据权重大小对粒子进行筛选，有效抑制粒子退化

详 情 说 明

项目介绍

本项目实现了一个基于粒子滤波（Particle Filter, PF）算法的雷达目标追踪系统。该系统专门针对雷达在非线性观测环境下的追踪难题，通过蒙特卡洛方法模拟目标的运动状态。在实际场景中，雷达通常提供极坐标（距离和方位角）数据，这与笛卡尔坐标系下的目标运动状态呈非线性关系。本系统通过维持一组离散的带权重粒子，有效地近似了目标位置和速度的后延概率分布，从而在噪声干扰下实现高精度的目标连续追踪。

功能特性

1. 非线性雷达观测处理：系统通过非线性转换公式，直接处理雷达采集到的距离和方位角数据，解决了传统线性滤波器的局限性。
2. 动态运动模型模拟：内置匀速直线运动（CV）模型，能够模拟目标在二维空间内的复杂演进过程。
3. 自适应重采样机制：引入系统重采样（Systematic Resampling）算法，根据有效粒子数（Neff）动态触发重采样逻辑，有效抑制粒子退化问题。
4. 多维度性能评估：实时计算位置均方根误差（RMSE），并提供速度分量的追踪对比。
5. 动态可视化交互：系统不仅展示真实轨迹和估计轨迹的对比，还通过不同颜色展示特定时刻粒子云的分布演化，直观呈现滤波器的收敛过程。

使用方法

1. 环境配置：确保计算机中已安装MATLAB R2016b或更高版本。
2. 运行分析：在MATLAB命令窗口中直接运行主程序脚本。
3. 结果查看：程序执行完毕后会自动弹出图形化界面，展示轨迹对比图、RMSE误差曲线以及速度追踪曲线。
4. 参数调整：用户可根据需要修改程序中的采样间隔（T）、粒子数量（N_particles）或噪声协方差矩阵（Q, R）来测试不同环境下的系统鲁棒性。

系统要求

• 操作系统：Windows, macOS 或 Linux
• 运行环境：MATLAB (推荐 R2020a 及以上版本)
• 核心算法库：无需额外工具箱，基于MATLAB基础语法实现

实现逻辑说明

系统的核心执行逻辑遵循粒子滤波的标准迭代框架，具体步骤如下：

1. 参数与环境初始化：

定义采样周期（1秒）和总步数（100步）。设定状态向量为包含位置和速度的四维向量。配置过程噪声协方差（Q）和观测噪声协方差（R），模拟雷达测距和测角的物理特性。

1. 真实轨迹与观测模拟：

利用状态转移矩阵（F）生成目标的理论运动轨迹，并在其中加入高斯生存噪声。同步将笛卡尔坐标下的位置转换为极坐标观测值（r, theta），并添加测量噪声以模拟真实雷达反馈。

1. 粒子初始化：

在初始观测位置附近随机散布1000个粒子，赋予每个粒子初始状态和均等权重，作为概率密度的初始估计。

1. 滤波循环迭代：

• 预测阶段：利用运动模型对每个粒子进行状态预测，加入过程激励。
• 权重更新：计算每个粒子的预测观测值与实际雷达观测值的差异。利用高斯似然函数对粒子进行打分，特别对角度差异进行了纠正处理，确保角度差值位于合理范围。
• 归一化：将所有粒子权限进行归一化处理。
• 重采样：实时监控有效粒子指标，当粒子多样性不足时，触发系统重采样算法，根据权重比例舍弃弱粒子并复制强粒子。
• 状态估计：通过对当前粒子集进行加权平均，得出该时刻目标的最优估计状态。

关键算法与技术细节

1. 观测方程非线性化：

算法直接在权重更新阶段处理极坐标转换公式，避免了对观测方程进行线性化截断（如EKF），从而保持了更高的阶数精度。

1. 角度纠偏逻辑：

在计算方位角观测残差时，使用了正弦和余弦的反正切函数纠偏，解决了方位角在正负PI跳转时的阶跃问题，避免了权重计算错误。

1. 系统重采样算法：

不同于简单的随机采样，系统重采样通过在0到1之间等间距设置采样点并结合随机偏移量，确保了权重大的粒子能更均匀且稳定地被选中，提高了滤波器的稳定性。

1. 粒子云可视化：

系统在第20、50、80个时间步单独提取粒子空间分布，通过散点图展示粒子是如何随着观测数据的增加而从发散状态逐渐向目标真实轨迹收敛的。

1. 误差评价指标：

程序实时统计每一步的欧几里得位置误差，并计算全过程的平均RMSE，作为评估追踪精度的核心数学指标。