基于GRU预测的改进UKF普适目标跟踪算法

doi:10.3969/j.issn.1009-086x.2025.06.014

摘要/Abstract

摘要：

针对传统算法对高机动目标精准建模难、普适性差的问题，提出了一种基于门控循环单元(gated recurrent unit, GRU)预测的改进无迹卡尔曼滤波(unscented kalman filter, UKF)普适目标跟踪算法。将自注意力机制引入到传统GRU模型中，使得模型能够更好地从历史观测数据中挖掘出目标的运动学方程，解决人工难以对机动目标运动精准建模问题；将学到的模型应用到UKF算法中，实现对目标的跟踪。仿真实验表明，相比于传统GRU模型以及UKF、交互多模型(interacting multiple model, IMM)等经典算法，所提算法具有更好的跟踪精度以及适应性。

关键词: 无迹卡尔曼滤波, 目标跟踪, 门控循环单元, 自注意力机制, 普适, 交互多模型

Abstract:

To address the difficulties and poor universality of traditional algorithms for accurate modeling of high maneuvering targets， this paper proposes an improved unscented Kalman filter （UKF） universal target tracking algorithm based on gated recurrent unit （GRU） prediction. The self-attention mechanism is introduced into the traditional GRU model， so that the model can better mine the kinematic equation of the target from the historical observation data and solve the problem that it is difficult to accurately model the maneuvering target manually. The learned model is applied to the UKF algorithm to achieve target tracking. Simulation experiments show that compared with traditional GRU models and classical algorithms such as UKF and interacting multiple model （IMM）， the proposed algorithm has better tracking accuracy and adaptability.

Key words: unscented Kalman filter（UKF）, target tracking, gated recurrent unit（GRU）, self-attention mechanism, universal, interacting multiple model（IMM）

中图分类号:

TN953

黄权印, 蔡益朝, 李浩, 吴卫华, 王辰洋. 基于GRU预测的改进UKF普适目标跟踪算法[J]. 现代防御技术, 2025, 53(6): 134-148.

Quanyin HUANG, Yichao CAI, Hao LI, Weihua WU, Chenyang WANG. Improved UKF Universal Target Tracking Algorithm Based on GRU Prediction[J]. Modern Defense Technology, 2025, 53(6): 134-148.

图/表 16

图1 基于改进的GRU模型结构图

Fig. 1 Structure diagram of the improved GRU model

图2 窗口长度对位置预测性能的影响

Fig. 2 Effect of window length on position prediction performance

图3 GRU模型训练流程图

Fig. 3 GRU model training flow chart

图4 不同方向训练误差曲线

Fig. 4 Error curves for training in different directions

图5 GRU预测的改进UKF算法整体流程

Fig. 5 Whole process of the improved UKF algorithm based on GRU prediction

表1 航迹生成规则

Table 1 Track generation rules

参数	数值
采样间隔/s	1
采样点个数	60
初始位置/m	（rand（1 000，1 500），rand（1 500，2 000））
初始速度/（m·s^-1）	（rand（80，100），rand（60，80））
加速度/（m·s^-2）	（rand（-10，10），rand（-10，10））
转弯率/（（°）·s^-1）	rand（-10，10）
训练集航迹数量	1 200
验证集航迹数量	150
测试集航迹数量	150

图6 训练集航迹

Fig. 6 Training set track

图7 不同方向航迹预测对比

Fig. 7 Comparison of track prediction in different directions

表2 训练与预测运行时间

Table 2 Training and prediction running time

预测方法	训练耗时/ s	预测耗时/ s
GRU模型	1 508.47	0.064
本文模型	1 703.15	0.075

图8 4种算法跟踪RMSE对比

Fig. 8 Tracking RMSE comparison among four algorithms

表3 运行时间与整条航迹平均RMSE记录

Table 3 Running time and record of average RMSE for the entire track

算法	运行时间/s	CV运动平均 RMSE/m	CA运动平均 RMSE/m
本文算法	0.081	2.435 3	2.571 2
传统GRU模型+UKF	0.077	2.918 3	2.986 0
UKF+CA	0.068	2.856 7	2.770 2
UKF+CV	0.059	2.770 4	9.657 6

图9 6种算法跟踪RMSE对比

Fig. 9 Tracking RMSE comparison among 6 algorithms

图10 6种算法航迹跟踪对比

Fig. 10 Comparison of trajectory tracking among 6 algorithms

表4 运行时间与整条航迹平均RMSE记录

Table 4 Running time and record of average RMSE for the entire track

算法	运行时间/s	航迹1平均 RMSE/m	航迹2平均 RMSE/m
本文算法	0.085	3.111 8	3.298 8
传统GRU模型+UKF	0.079	3.383 1	3.994 8
UKF+CA	0.072	3.384 5	5.946 2
UKF+CT	0.065	10.155 1	7.483 0
UKF+CV	0.061	10.017 1	12.305 2
IMM	0.175	3.309 3	3.978 4

图11 不同噪声条件下6种算法跟踪RMSE对比

Fig. 11 Tracking RMSE comparison among 6 algorithms under different noise conditions

图12 不同噪声条件下整条航迹平均RMSE

Fig. 12 Average RMSE of the entire track under different noise conditions

参考文献 37

[1]	彭华甫，黄高明，田威，等. 标签多伯努利机动目标跟踪与分类算法［J］. 西安交通大学学报， 2019， 53（2）： 157-162， 178.
	PENG Huafu， HUANG Gaoming， TIAN Wei， et al. A Tracking and Classification Algorithm for Maneuvering Targets with Labeled Multi-Bernoulli［J］. Journal of Xi'an Jiaotong University， 2019， 53（2）： 157-162， 178.
[2]	陆光宇. 目标跟踪技术研究［J］. 舰船电子工程， 2018， 38（12）： 6-10.
	LU Guangyu. An Overview of Target Tracking Technology［J］. Ship Electronic Engineering， 2018， 38（12）： 6-10.
[3]	KUMAR M， MONDAL S. Recent Developments on Target Tracking Problems： A Review［J］. Ocean Engineering， 2021， 236： 109558.
[4]	王江. 基于深度神经网络的目标轨迹预测［D］. 太原：中北大学， 2023.
	WANG Jiang. Target Trajectory Prediction Based on Deep Neural Network［D］. Taiyuan： North University of China， 2023.
[5]	ZHANG Junbiao， XIONG Jiajun， LI Lingzhi， et al. Motion State Recognition and Trajectory Prediction of Hypersonic Glide Vehicle Based on Deep Learning［J］. IEEE Access， 2022， 10： 21095-21108.
[6]	张宏鹏，黄长强，唐上钦，等. 基于卷积神经网络的无人作战飞机飞行轨迹实时预测［J］. 兵工学报， 2020， 41（9）： 1894-1903.
	ZHANG Hongpeng， HUANG Changqiang， TANG Shangqin， et al. CNN-Based Real-Time Prediction Method of Flight Trajectory of Unmanned Combat Aerial Vehicle［J］. Acta Armamentarii， 2020， 41（9）： 1894-1903.
[7]	SHI Zhiyuan， XU Min， PAN Quan. 4-D Flight Trajectory Prediction with Constrained LSTM Network［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（11）： 7242-7255.
[8]	刘金铭，张玉艳，张碧玲. 基于LSTM-KF的无人机航迹跟踪算法［J］. 北京邮电大学学报， 2022， 45（5）： 121-128.
	LIU Jinming， ZHANG Yuyan， ZHANG Biling. Trajectory Estimation Algorithm for Unmanned Aerial Vehicle Based on LSTM-KF［J］. Journal of Beijing University of Posts and Telecommunications， 2022， 45（5）： 121-128.
[9]	QIU Jing， XING Zirui， ZHU Chunsheng， et al. Centralized Fusion Based on Interacting Multiple Model and Adaptive Kalman Filter for Target Tracking in Underwater Acoustic Sensor Networks［J］. IEEE Access， 2019， 7： 25948-25958.
[10]	YOUN W， MYUNG H. Robust Interacting Multiple Model with Modeling Uncertainties for Maneuvering Target Tracking［J］. IEEE Access， 2019， 7： 65427-65443.
[11]	HAN Bo， HUANG Hanqiao， LEI Lei， et al. An Improved IMM Algorithm Based on STSRCKF for Maneuvering Target Tracking［J］. IEEE Access， 2019， 7： 57795-57804.
[12]	ELTOUKHY M， AHMAD M O， SWAMY M N S. An Adaptive Turn Rate Estimation for Tracking a Maneuvering Target［J］. IEEE Access， 2020， 8： 94176-94189.
[13]	林晓晶，肖鹏浩，何良，等. 基于极化神经网络的雷达舰船检测识别方法［J］. 上海航天（中英文）， 2023， 40（1）： 53-60.
	LIN Xiaojing， XIAO Penghao， HE Liang， et al. Radar Ship Target Detection and Recognition Based on Polarimetric Neural Networks［J］. Aerospace Shanghai（Chinese & English）， 2023， 40（1）： 53-60.
[14]	DENG Lichuan， LI Da， LI Ruifang. Improved IMM Algorithm Based on RNNs［J］. Journal of Physics： Conference Series， 2020， 1518（1）： 012055.
[15]	LIU Huajun， XIA Liwei， WANG Cailing. Maneuvering Target Tracking Using Simultaneous Optimization and Feedback Learning Algorithm Based on Elman Neural Network［J］. Sensors， 2019， 19（7）： 1596.
[16]	BAI Yuting， WANG Xiaoyi， JIN Xuebo， et al. A Neuron-Based Kalman Filter with Nonlinear Autoregressive Model［J］. Sensors， 2020， 20（1）： 299.
[17]	党晓方，蔡兴雨. 基于Transformer的机动目标跟踪技术［J］. 电子科技， 2023， 36（9）： 86-92.
	DANG Xiaofang， CAI Xingyu. Transformer-Based Maneuvering Target Tracking［J］. Electronic Science and Technology， 2023， 36（9）： 86-92.
[18]	LIU Jingxian， WANG Zulin， XU Mai. DeepMTT： A Deep Learning Maneuvering Target-Tracking Algorithm Based on Bidirectional LSTM Network［J］. Information Fusion， 2020， 53： 289-304.
[19]	LIM B， ZOHREN S， ROBERTS S. Recurrent Neural Filters： Learning Independent Bayesian Filtering Steps for Time Series Prediction［C］∥2020 International Joint Conference on Neural Networks （IJCNN）. Piscataway： IEEE， 2020： 1-8.
[20]	虞卞雨萱，陆科林，符启恩，等. 基于神经网络和无迹卡尔曼滤波融合的天线罩误差斜率估计方法［J］. 战术导弹技术， 2023（1）： 121-131， 161.
	YU Bianyuxuan， LU Kelin， FU Qien， et al. A Radome Slope Estimation Method Based on Fusion of Neural Network and Unscented Kalman Filter［J］. Tactical Missile Technology， 2023（1）： 121-131， 161.
[21]	邱建杰，蔡益朝，李浩，等. 基于动态估计反馈的灰色理论航迹关联算法［J］. 系统工程与电子技术， 2024， 46（4）： 1401-1411.
	QIU Jianjie， CAI Yizhao， LI Hao， et al. Grey Theory Track Association Algorithm Based on Dynamic Estimation Feedback［J］. Systems Engineering and Electronics， 2024， 46（4）： 1401-1411.
[22]	王新，杨任农，左家亮，等. 基于HPSO-TPFENN的目标机轨迹预测［J］. 西北工业大学学报， 2019， 37（3）： 612-620.
	WANG Xin， YANG Rennong， ZUO Jialiang， et al. Trajectory Prediction of Target Aircraft Based on HPSO-TPFENN Neural Network［J］. Journal of Northwestern Polytechnical University， 2019， 37（3）： 612-620.
[23]	SON G， KWON S， PARK N. Gender Classification Based on the Non-lexical Cues of Emergency Calls with Recurrent Neural Networks （RNN）［J］. Symmetry， 2019， 11（4）： 525.
[24]	ZHANG Ananjing， LIU Hongyi， CHANG Qing， et al. Recurrent Neural Network for Motion Trajectory Prediction in Human-Robot Collaborative Assembly［J］. CIRP Annals， 2020， 69（1）： 9-12.
[25]	WANG Jinyong， ZHANG Ce. Software Reliability Prediction Using a Deep Learning Model Based on the RNN Encoder-Decoder［J］. Reliability Engineering & System Safety， 2018， 170： 73-82.
[26]	李洁，林永峰. 基于多时间尺度RNN的时序数据预测［J］. 计算机应用与软件， 2018， 35（7）： 33-37， 62.
	LI Jie， LIN Yongfeng. Prediction of Time Series Data Based on Multi-time Scale RNN［J］. Computer Applications and Software， 2018， 35（7）： 33-37， 62.
[27]	HORNG G J， HUANG Y C， YIN Zongxian. Using Bidirectional Long-Term Memory Neural Network for Trajectory Prediction of Large Inner Wheel Routes［J］. Sustainability， 2022， 14（10）： 5935.
[28]	何友，修建娟，刘瑜，等. 雷达数据处理及应用［M］. 4版. 北京：电子工业出版社， 2022.
	HE You， XIU Jianjuan， LIU Yu， et al. Radar Data Processing with Applications［M］. 4th ed. Beijing： Publishing House of Electronics Industry， 2022.
[29]	孙陈影，沈希忠. LSTM和GRU在城市声音分类中的应用［J］. 应用技术学报， 2020， 20（2）： 158-164.
	SUN Chenying， SHEN Xizhong. Research and Application of LSTM and GRU in Urban Sound Classification［J］. Journal of Technology， 2020， 20（2）： 158-164.
[30]	MNIH V， HEESS N， GRAVES A， et al. Recurrent Models of Visual Attention［C］∥Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014： 2204-2212.
[31]	何迎. 双级卷积神经网络高光谱图像分类［D］. 兰州：兰州大学， 2020.
	HE Ying. Dual-Level Convolutional Neural Network for HSI Classification［D］. Lanzhou： Lanzhou University， 2020.
[32]	李思寒，仇怀利，吴佳，等. 基于卷积神经网络的漏液视觉检测［J］. 液晶与显示， 2021， 36（5）： 741-750.
	LI Sihan， QIU Huaili， WU Jia， et al. Visual Detection of Liquid Leakage Based on Convolutional Neural Network［J］. Chinese Journal of Liquid Crystals and Displays， 2021， 36（5）： 741-750.
[33]	PRECHELT L. Early Stopping-But When？［M］∥ORR G B， MÜLLER K R. Neural Networks： Tricks of the Trade. Berlin： Springer Berlin Heidelberg， 1998： 55-69.
[34]	JULIER S J， UHLMANN J K， DURRANT-WHYTE H F. A New Approach for Filtering Nonlinear Systems［C］∥Proceedings of 1995 American Control Conference -ACC'95. Piscataway： IEEE， 1995： 1628-1632.
[35]	JULIER S， UHLMANN J， DURRANT-WHYTE H F. A New Method for the Nonlinear Transformation of Means and Covariances in Filters and Estimators［J］. IEEE Transactions on Automatic Control， 2000， 45（3）： 477-482.
[36]	XU Yabo， XU Ke， WAN Jianwei， et al. Research on Particle Filter Tracking Method Based on Kalman Filter［C］∥2018 2nd IEEE Advanced Information Management， Communicates， Electronic and Automation Control Conference （IMCEC）. Piscataway： IEEE， 2018： 1564-1568.
[37]	LIU Jingxian， WANG Zulin， XU Mai， et al. A Deep Neural Network Based Maneuvering-Target Tracking Algorithm［C］∥ICASSP 2019-2019 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. Piscataway： IEEE， 2019： 3117-3121.