【自适应滤波】自适应UKF，基于新息自适应调节Q和R，场景为雷达跟踪与滤波、MATLAB实现，附代码下载链接

程序概述

程序演示了新息协方差匹配 (Covariance Matching) 在UKF中的有效自适应策略，能够在噪声统计未知或变化的场景下自动修正$Q$与$R$，显著提升目标跟踪稳定性与精度。相比传统固定参数$UKF$，$CM-AUKF$无需额外外部调参，适用于无人机导航、雷达目标跟踪、移动机器人定位等动态环境下的滤波系统。

运行结果

目标轨迹对比：

位置误差对比曲线：

输出的速度（大小）误差对比曲线：

自适应曲线：

命令行输出的结果：

MATLAB源代码

部分代码如下：

% 基于新息协方差匹配的自适应UKF (CM-AUKF) vs 经典UKF对比
% 状态: 二维平面匀速运动 [x, vx, y, vy],观测: 雷达测角与测距 [r, theta]
% 作者：matlabfilter
% 2025-10-07/Ver1

clear; clc; close all;
rng(0);

%% 仿真参数设置
dt = 0.1;           % 采样时间
N = 200;            % 仿真步数
M = 15;             % 滑动窗口长度

% 真实过程噪声和观测噪声
q_true = 0.1;       % 过程噪声标准差
sigma_r = 5;        % 距离测量噪声标准差
sigma_theta = 0.02; % 角度测量噪声标准差 (rad)

%% UKF参数设置
n = 4;              % 状态维度
m = 2;              % 观测维度
alpha = 1e-3;       % UT变换参数：sigma点分布范围 (通常取0.001~1)
beta = 2;           % UT变换参数：先验分布信息 (高斯分布取2)
kappa = 0;          % UT变换参数：次要缩放参数 (通常取0或3-n)

lambda = alpha^2 * (n + kappa) - n;
Wm = zeros(2*n+1, 1);   % 均值权重
Wc = zeros(2*n+1, 1);   % 协方差权重

Wm(1) = lambda / (n + lambda);
Wc(1) = lambda / (n + lambda) + (1 - alpha^2 + beta);
for i = 2:(2*n+1)
    Wm(i) = 1 / (2 * (n + lambda));
    Wc(i) = 1 / (2 * (n + lambda));
end

%% 状态转移矩阵 (匀速运动模型)
F = [1, dt, 0,  0;
     0, 1,  0,  0;
     0, 0,  1,  dt;
     0, 0,  0,  1];

% 过程噪声协方差矩阵 Q
G = [dt^2/2, 0;
     dt,     0;
     0,      dt^2/2;
     0,      dt];
Q_true = q_true^2 * (G * G');

% 观测噪声协方差矩阵 R
R_true = diag([sigma_r^2, sigma_theta^2]);

%% 初始化
% 真实初始状态 [x, vx, y, vy]
x_true = [1000; 50; 1000; -30];

如需完整代码，可查看专栏文章：
https://blog.csdn.net/callmeup/article/details/152741692?spm=1011.2415.3001.5331

或单独下载：
https://download.csdn.net/download/callmeup/92122513

如需帮助，或有导航、定位滤波相关的代码定制需求，请点击下方卡片联系作者