一、引言
随着电子技术的进步，那些具有高分辨率的传感器可以解决单个扩展目标上的多点特征，这种高分辨率测量被称为扩展目标跟踪。相比于传统的目标跟踪算法大多将目标视为质点模型，高分辨率传感器为我们利用点特征集之间的关系以及更好地估计目标状态提供了可能。现代雷达就是一个高分辨率传感器在实际中应用的例子，它能够获取更多目标的几何特征测量信息，如目标的顺向距离等，利用这些测量信息将水面舰艇目标由传统的质点模型扩展为椭圆形目标模型，这样可以显著提高跟踪系统的估计精度。而且被动跟踪的方法具有较强的隐蔽性和抗干扰能力，但同时又具有弱可观测强非线性的特点，因此扩展目标跟踪研究的主要焦点是非线性滤波。本文在此基础上对扩展目标跟踪的研究现状进行了简要阐述，并总结了目前存在的问题与相关技术难点，为下一步的研究提供参考。
二、目前扩展目标跟踪的研究现状
从本质上来讲，纯方位被动跟踪系统存在一个理论误差下限值，称之为克拉美罗下界（CRLB）[14]，也就是说，跟踪系统的最小误差也会大于一个值，这个值不会因为采取不同的跟踪算法而改变。因此在现有的基于质点目标建模的被动跟踪算法基础上，要想有效改善跟踪精度是比较困难的。但是，已经被证明，利用高分辨率传感器提供的信息，扩展的目标跟踪框架有可能提高目标质心动态状态的跟踪精度。相比于传统的目标跟踪算法大多将目标视为质点模型，高分辨率传感器为我们利用点特征集之间的关系以及更好地估计目标状态提供了可能。
椭圆模型是描述扩展目标形状的常用模型，它的主要优点是便于计算，并且匹配了许多不同的目标情况，特别是高分辨率雷达传感器观测到的船舶和车辆。这种简单的椭圆目标模型可以有效利用跟踪滤波器内目标范围的传感器测量数据，这些额外的信息数据可以提供最有用的帮助，以保持对具有测量关联不确定性的紧密间隔的移动目标的跟踪。但是，从质点到椭圆建模的变化也引出了不利因素，目标范围与椭圆参数之间的关系通常是一个非线性函数，因此扩展目标跟踪研究的主要焦点是非线性滤波。
在非线性滤波算法方面，最著名的就是扩展卡尔曼滤波器（EKF）及其相关改进算法，如强跟踪滤波器（STF），二阶截断EKF和迭代EKF等。但EKF在实际使用中存在明显缺陷，比如存在一阶线性化精度偏低，需要计算雅克比矩阵以及要求非线性函数连续可微等自身无法克服的理论局限性，尤其在系统具有强非线性和高维数时，EKF滤波精度不佳，数值稳定性较差，因此只适用于弱非线性系统[19,11]。为了克服EKF的缺点，人们进而提出许多意义重大的经典非线性滤波算法，如Unscented卡尔曼滤波器（UKF）、中心差分卡尔曼滤波器（CDKF）和容积卡尔曼滤波器（CKF），此三者被统一称为确定采样型滤波器。三种滤波算法有一定的相似度，但对于不同的侧重点各有所长。
目前，关于确定采样型滤波的理论研究主要集中在克服系统模型的不确定性，滤波收敛性和数值稳定性以及噪声相关条件下确定采样型滤波器等[7]。在实际应用中，确定采样型滤波不仅估计精度高于EKF，而且无需计算非线性函数的雅克比矩阵，其也适用于某些不连续或不可导的非线性函数滤波问题，大大拓展了EKF的应用范围。它们广泛应用于目标跟踪和导航领域，如船舶和车辆跟踪、无人机导航等[17,18,20]，并不断向其他领域扩展，如计算机视觉领域[14]，有着可期的研究前景。
另一类研究较多的非线性滤波器是粒子滤波器[19]（Particle Filter，PF），它是基于蒙特卡罗模拟方法，通过统计采样对经验条件分布进行调整来近似后验概率密度。但是，这种方法尚不成熟，还有很多问题需要解决。
三、确定采样型滤波器
UKF、CDKF和CKF的核心思想是对状态先验分布抽取一定数量的确定性样本，称之为Sigma点，再通过对这些Sigma点经非线性函数直接传递之后的结果进行加权综合，以逼近非线性状态估计[7]。所以UKF、CDKF和CKF的差别就在于逼近非线性高斯系统最优滤波框架中的非线性状态后验均值和协方差的规则不同，分别对应于UT变换（Unscented Transformation）、多项式插值拟合和球面径向规则。
