导航制导

本项目实现了一套完整的信号处理与状态估计平台，集成了经典的卡尔曼滤波（Kalman Filter）算法以及适用于非线性系统的扩展卡尔曼滤波（Extended Kalman Filter, EKF）。项目旨在解决动态环境下的目标跟踪问题，能够从包含高斯白噪声的传感器测量数据中精确还原目标的运动状态（如位置、速度和加速度）。除了基础的状态估计功能外，项目还重点开发了航迹关联（Track Association）模块，该模块利用统计距离或加权算法，在多目标或杂波干扰环境下，有效将当前的量测数据与既有的目标航迹进行匹配，确保跟踪的连续性与准确性。整个系统不仅提供了核心算法的MATLAB实现源码，还包含模拟数据生成器和可视化工具，用于直观展示滤波前后的效果对比以及航迹跟踪的收敛过程，适用于雷达工程、导航制导及移动机器人定位等领域的算法验证与教学研究。

本项目主要用于解决非线性系统中的目标跟踪问题，具体实现了一个针对纯方位（Bearings-Only）系统的无迹卡尔曼滤波（UKF）算法。在纯方位跟踪场景中，观测器（如被动声纳或无源雷达）仅能获取目标的角度信息而无法直接测量距离，导致观测模型呈现高度非线性。相比于传统的扩展卡尔曼滤波（EKF），本程序采用无迹变换（Unscented Transform）技术，通过确定性采样Sigma点来通过非线性函数传播，从而逼近状态的后验概率分布。这种方法无需对非线性函数进行线性化（计算雅可比矩阵），因此在处理强非线性问题时能提供更高的估计精度和更好的数值稳定性。项目功能细节包括构建二维平面内的目标运动模型（通常为匀速直线运动CV模型）和纯方位观测模型；生成即包含过程噪声也包含量测噪声的仿真数据以模拟真实环境；完整实现UKF算法的预测与更新循环，包括Sigma点的生成、权重的分配、状态预测、量测预测及卡尔曼增益的计算；最后，程序通过MATLAB绘图工具直观展示目标的真实轨迹与UKF估算轨迹的对比，并计算位置估算的均方根误差（RMSE）以及误差协方差边界，用于量化评估算法在纯方位跟踪任务中的收敛性和准确性。该代码结构清晰，适合用于目标跟踪、导航制导及多传感器数据融合领域的算法研究与验证。