✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、核心痛点：目标跟踪中的状态估计难题
在雷达探测、视觉跟踪、无人机导航等场景中，目标跟踪的核心是通过传感器（如雷达、摄像头）观测数据，实时估计目标的位置、速度、加速度等状态。但实际场景中存在三大核心难题：
非线性系统耦合：目标运动常呈现非线性特性（如匀速转弯、机动加速），而传统卡尔曼滤波（KF）仅适用于线性高斯系统，直接应用会导致滤波发散；
观测噪声干扰：传感器观测数据（如雷达测距、视觉定位）不可避免存在噪声（如高斯白噪声），单纯依赖观测值会导致状态估计偏差；
状态量耦合估计：笛卡尔坐标系下，目标的位置（x,y,z）与速度（vx,vy,vz）相互关联，需通过状态转移模型实现多变量协同估计，传统方法难以平衡估计精度与实时性。
EKF 与 UKF 通过对非线性系统的适配的，成为解决上述难题的核心算法 ——EKF 通过泰勒展开线性化处理非线性问题，UKF 通过无迹变换逼近非线性分布，两者均能在笛卡尔坐标系下精准建模状态转移过程，实现稳定的目标跟踪。
二、核心基础：笛卡尔坐标系下的状态转移模型
目标跟踪的核心是构建状态方程（描述目标运动规律）与观测方程（描述传感器观测关系），两者均基于笛卡尔坐标系定义：
（一）状态向量定义
设目标在三维笛卡尔坐标系中运动，定义状态向量为：
Image
Image
三、EKF 目标跟踪：非线性系统的线性化解决方案
（一）核心原理
EKF（Extended Kalman Filter）的核心是通过一阶泰勒展开将非线性状态转移方程与观测方程线性化，再沿用传统 KF 的预测 - 更新框架实现状态估计。其核心假设：
过程噪声与观测噪声均为高斯白噪声；
非线性函数在当前估计值处可微，泰勒展开的高阶小项可忽略。
（二）EKF 目标跟踪实现步骤（笛卡尔坐标系）
EKF 流程分为 “预测阶段” 与 “更新阶段”，以匀速转弯（CT）非线性模型为例：
Image
四、UKF 目标跟踪：无迹变换的非线性精准解决方案
（一）核心原理
UKF（Unscented Kalman Filter）摒弃线性化思路，通过无迹变换（UT） 逼近非线性函数的概率分布：
基于当前状态估计值与协方差矩阵，生成一组 “Sigma 点”（数量为 2n+1，n 为状态维度）；
将 Sigma 点代入非线性状态转移函数与观测函数，得到变换后的 Sigma 点；
对变换后的 Sigma 点加权平均，得到状态预测值与观测预测值，同时更新协方差矩阵。
其核心优势：无需线性化，能更精准逼近非线性分布，适用于强非线性、非高斯噪声场景。
（二）UKF 目标跟踪实现步骤（笛卡尔坐标系）
UKF 流程同样分为 “预测阶段” 与 “更新阶段”，以 3 维机动目标（状态维度 n=6）为例：
- 初始化：Sigma 点生成
Image
Image
⛳️ 运行结果
Image
Image
📣 部分代码
function [x_k1] = state_func_polar(x,T)
x1 = x(1);
x2 = x(2);
v = x(3);
h = x(4);
w = x(5);
x_k1 = [x1 + (2vcos(h + (Tw)/2)sin((T*w)/2))/w
x2 + (2*v*sin(h + (T*w)/2)*sin((T*w)/2))/w
v
h + T*w
w ];
end
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
