余瀟， 柯芳， 袁佳， 高歆楊

(西南技術(shù)物理研究所， 四川 成都 610041)

0 引言

對于高精度自動光電跟蹤系統(tǒng)，為了減小動態(tài)滯后誤差，通常采用復(fù)合控制的方案[1]。共軸跟蹤是等效復(fù)合控制的一種完善形式[2]，它把控制回路分割成目標(biāo)跟蹤與伺服隨動兩部分，可彼此獨(dú)立設(shè)計。目標(biāo)跟蹤環(huán)節(jié)實現(xiàn)目標(biāo)位置與速度的狀態(tài)預(yù)測；伺服隨動環(huán)節(jié)以位置預(yù)測量為參考輸入、以速度預(yù)測量為前饋輸入完成復(fù)合控制。由于實現(xiàn)了復(fù)合控制并用位置預(yù)測補(bǔ)償了脫靶量時滯，系統(tǒng)跟蹤性能大為改善[3]。

為實現(xiàn)復(fù)合控制，文獻(xiàn)[3]提出一種人為延遲編碼器輸出信息再與脫靶量合成，通過卡爾曼濾波(KF)外推來補(bǔ)償脫靶量時滯并實現(xiàn)前饋的方法；文獻(xiàn)[4]將低速率的位置給定信息分別進(jìn)行插值細(xì)分和濾波,通過高增益微分器和KF預(yù)測得到了轉(zhuǎn)臺速度和加速度的估計；文獻(xiàn)[5]采用了基于狀態(tài)參數(shù)雙重擴(kuò)展KF估計的共軸跟蹤方案；文獻(xiàn)[6-8]采用自適應(yīng)濾波技術(shù)實現(xiàn)了對目標(biāo)狀態(tài)信息的估計，在噪聲先驗統(tǒng)計信息準(zhǔn)確的前提下得到了理想效果。

在以上方法中，狀態(tài)預(yù)測均采用了傳統(tǒng)KF及其衍生算法，故難以擺脫KF算法依賴噪聲先驗統(tǒng)計信息和狀態(tài)初始值的局限。在實際應(yīng)用中,噪聲統(tǒng)計信息通常無法事先獲得,或已知的統(tǒng)計信息不準(zhǔn)確，導(dǎo)致狀態(tài)預(yù)測產(chǎn)生誤差，直接影響共軸跟蹤實現(xiàn)的效果，使得系統(tǒng)實際跟蹤精度無法達(dá)到理論設(shè)計水平。

本文針對上述問題，采用一種新型迭代無偏有限沖擊響應(yīng)(UFIR)濾波算法替代傳統(tǒng)KF算法，實現(xiàn)對共軸跟蹤方案中狀態(tài)預(yù)測環(huán)節(jié)的改進(jìn)。由于迭代UFIR濾波算法不需要噪聲先驗統(tǒng)計信息的參與，不依賴狀態(tài)初始設(shè)定值，僅需要一定窗長的歷史量測數(shù)據(jù)就能獲得較為理想的預(yù)估結(jié)果，從原理上彌補(bǔ)了KF算法的不足，因此改進(jìn)后的系統(tǒng)具有更好的魯棒性和更高的工程應(yīng)用價值[9-10]。

1 復(fù)合控制與共軸跟蹤系統(tǒng)

1.1 脫靶量滯后對光電跟蹤的影響

在光電跟蹤系統(tǒng)中通常采用基于電荷耦合器件(CCD)的探測器來獲取目標(biāo)圖像信息。由于信號提取和處理需要一定的時間積累，導(dǎo)致輸出的目標(biāo)脫靶量存在一定程度的滯后。若考慮探測器為純時滯環(huán)節(jié)，則光電跟蹤系統(tǒng)被校正為典型Ⅱ型系統(tǒng)時，其傳遞函數(shù)可表示為

(1)

式中：K為系統(tǒng)開環(huán)放大倍數(shù)；T1、T2為時間常數(shù)；s為拉普拉斯算子；τ0為脫靶量滯后時間。則可得到對應(yīng)的探測器環(huán)節(jié)幅頻特性為

(2)

相頻特性為

(3)

(4)

ωCτ0=α.

(5)

由(5)式可知，系統(tǒng)開環(huán)截止頻率ωC與脫靶量時滯τ0呈反比，脫靶量時滯越大，開環(huán)截止頻率越低，跟蹤動態(tài)性能也越差。因此必須補(bǔ)償脫靶量滯后，以減小其對系統(tǒng)跟蹤精度的不利影響。

1.2 等效復(fù)合控制與共軸跟蹤原理

在控制系統(tǒng)中，同時采用前饋控制和反饋控制的方法被稱為復(fù)合控制，如圖1所示。其中：Gf(s)為前饋環(huán)節(jié)傳遞函數(shù)；Gp(s)為位置控制器傳遞函數(shù)；Gv(s)為速度控制器傳遞函數(shù)；G0(s)為對象的等效傳遞函數(shù)；1/s為積分環(huán)節(jié)；R(s)、C(s)、E(s)分別為控制系統(tǒng)的輸入、輸出以及誤差信號的拉普拉斯變換。

在控制系統(tǒng)中加入前饋，引入?yún)⒖驾斎胄盘柕?階或高階導(dǎo)數(shù)，能提高系統(tǒng)的無差度，在大幅度提升跟蹤精度的同時不影響系統(tǒng)的穩(wěn)定性。然而在自動光電跟蹤實際工程中，往往不能直接獲得目標(biāo)速度、加速度等高階信息，也就無法直接進(jìn)行前饋引導(dǎo)。因此通常采用等效復(fù)合控制技術(shù)，通過狀態(tài)估計獲得高階狀態(tài)信息，進(jìn)而實現(xiàn)復(fù)合控制。

在共軸跟蹤方案中，通過人為延遲編碼器輸出信息再與脫靶量結(jié)合，進(jìn)而采用狀態(tài)預(yù)測技術(shù)得到較為準(zhǔn)確的目標(biāo)當(dāng)前位置和速度的信息，能有效補(bǔ)償脫靶量滯后，從而提高系統(tǒng)的跟蹤精度。其實現(xiàn)原理是將整個光電跟蹤回路分割成目標(biāo)跟蹤與伺服隨動兩個獨(dú)立環(huán)節(jié)進(jìn)行設(shè)計：目標(biāo)跟蹤部分由計算機(jī)完成狀態(tài)估計和預(yù)測，提供目標(biāo)當(dāng)前位置和速度等信息，補(bǔ)償脫靶量時滯；伺服隨動部分接收位置參考量和速度前饋信息，完成復(fù)合控制。

1.3 共軸跟蹤改進(jìn)方案設(shè)計

由于傳統(tǒng)共軸跟蹤方案中狀態(tài)預(yù)測環(huán)節(jié)采用的KF算法依賴噪聲先驗統(tǒng)計信息，在實際工程應(yīng)用中存在局限。為增強(qiáng)其工程適用性，本文設(shè)計了一種共軸跟蹤改進(jìn)方案，提出采用迭代UFIR濾波算法替代傳統(tǒng)的KF算法進(jìn)行狀態(tài)估計與預(yù)測。迭代UFIR濾波算法不依賴噪聲先驗統(tǒng)計信息，可有效克服傳統(tǒng)KF算法的不足，在噪聲統(tǒng)計信息未知時仍能保持理想的預(yù)測精度，從而使改進(jìn)后的系統(tǒng)在實際工況下也能達(dá)到較高的跟蹤精度。

以自動光電跟蹤系統(tǒng)為對象設(shè)計的共軸跟蹤改進(jìn)方案框圖如圖3所示。

圖3中：伺服隨動部分為典型三環(huán)系統(tǒng)；狀態(tài)預(yù)測部分的設(shè)計則包含坐標(biāo)系選擇、目標(biāo)運(yùn)動模型建立和預(yù)測算法3個關(guān)鍵環(huán)節(jié)，其詳細(xì)設(shè)計如下文所述。

在目標(biāo)跟蹤問題中，狀態(tài)預(yù)測的實現(xiàn)建立在目標(biāo)運(yùn)動模型的基礎(chǔ)上，而運(yùn)動模型的建立又與坐標(biāo)系的選擇有關(guān)。在光電跟蹤系統(tǒng)中，目標(biāo)的量測信息通常在極坐標(biāo)系下獲得，為了避免坐標(biāo)轉(zhuǎn)換和量測數(shù)據(jù)耦合帶來的問題復(fù)雜化，本文選擇在極坐標(biāo)系下建立目標(biāo)模型。而在極坐標(biāo)系中，目標(biāo)在空間中簡單的直線運(yùn)動也會變成復(fù)雜的變速運(yùn)動[3]，因此有必要建立機(jī)動性較強(qiáng)的目標(biāo)運(yùn)動模型。考慮到計算復(fù)雜性和系統(tǒng)實時性的要求，本文采用2階模型，即常加速度(CA)模型。后續(xù)仿真結(jié)果也表明，CA模型已能滿足跟蹤精度需求。下面給出模型設(shè)計。

在線性時不變(LTI)系統(tǒng)中，離散的狀態(tài)方程可表示為

(6)

(7)

式中：T為光電探測器的采樣周期。量測數(shù)據(jù)是編碼器輸出的轉(zhuǎn)軸位置與脫靶量融合得到的目標(biāo)位置量，維數(shù)等于1，故量測矩陣為Hn=[1 0 0].

預(yù)測算法采用迭代UFIR濾波算法。該算法僅使用一定窗長的歷史量測數(shù)據(jù)就能得到較理想的預(yù)估結(jié)果，其詳細(xì)實現(xiàn)將在2.2節(jié)中給出。

2 狀態(tài)預(yù)測算法的設(shè)計

2.1 KF算法

KF算法是線性高斯條件下的最優(yōu)狀態(tài)估計方法，自建立以來廣泛用于各領(lǐng)域的狀態(tài)估計問題中。擴(kuò)展卡爾曼濾波(EKF)和無跡卡爾曼濾波(UKF)等適用于非線性問題的算法又進(jìn)一步拓展了KF算法的使用范圍。本文中目標(biāo)運(yùn)動模型為線性的CA模型，因此可直接使用標(biāo)準(zhǔn)KF算法。其離散形式的遞推方程為

(8)

從遞推方程(8)式也可以看出，KF算法要求已知噪聲的統(tǒng)計特性矩陣Qn和Rn，且目標(biāo)狀態(tài)的遞推也依賴初始值設(shè)定。當(dāng)噪聲統(tǒng)計信息不準(zhǔn)確時，估計效果將大打折扣，嚴(yán)重時還會引起系統(tǒng)發(fā)散。

2.2 迭代UFIR濾波算法

由于KF算法的不足，本文采用一種魯棒性更強(qiáng)的迭代UFIR濾波算法來設(shè)計共軸跟蹤的狀態(tài)預(yù)測環(huán)節(jié)。UFIR濾波算法最早由Shmaliy提出[11]，此后最優(yōu)有限沖擊響應(yīng)(OFIR)濾波和迭代UFIR濾波等一系列狀態(tài)估計算法相繼問世[12-15]?；綰FIR濾波器又稱為批處理UFIR濾波器，其核心思想是通過最近的N個歷史量測數(shù)據(jù)來估計目標(biāo)當(dāng)前時刻的狀態(tài)，N又被稱為記憶窗長。UFIR濾波算法首先滿足如下無偏性條件：

E(n)=E(xn).

(9)

(9)式意味著狀態(tài)估計的均值等于真實狀態(tài)均值。在基于(6)式所示的線性系統(tǒng)下，令Fn=Fn,n-1，則滿足(9)式的UFIR濾波算法可表示為

(10)

式中：m=n-N+1；擴(kuò)張量測向量Zm,n和映射矩陣Cm,n分別為

(11)

(12)

(13)

從(10)式可看出，批處理UFIR濾波算法需一次性處理m到n時刻的N個量測數(shù)據(jù)。而N的增大將引起向量Zm,n和矩陣Cm,n維數(shù)的增大，使得算法計算量驟增，不適合在實時性要求較高的跟蹤系統(tǒng)中使用。迭代UFIR濾波算法則能較好地緩解這一問題。本文采用的迭代UFIR濾波算法表達(dá)形式為

(14)

(15)

(16)

Gl為l時刻的廣義噪聲功率增益(GNPG)。為了啟動迭代算法，需要通過一個批處理UFIR濾波器得到迭代狀態(tài)初始值和廣義噪聲功率增益初始值，表示為

(17)

(18)

此批處理UFIR濾波的窗長值等于系統(tǒng)狀態(tài)向量的維度K，且有s=m+K-1. 迭代過程從迭代變量l=m+K時刻開始，在l=n時刻結(jié)束，從而得到系統(tǒng)n時刻狀態(tài)估計值其算法實現(xiàn)如表1所示。同理，當(dāng)Fn+k=Fn+k,n時，可結(jié)合當(dāng)前狀態(tài)估計值n，通過狀態(tài)方程預(yù)測得到n+k.

由UFIR濾波算法表達(dá)式可知，該算法遞推過程不需要噪聲統(tǒng)計特性矩陣Qn和Rn的參與，也無需假定初始狀態(tài)值和協(xié)方差矩陣。唯一的可調(diào)參數(shù)為窗長N，為最小化估計值的均方根誤差，N必須取最優(yōu)值Nopt，可結(jié)合量測數(shù)據(jù)通過最小化殘差均方矩陣跡的導(dǎo)數(shù)求出，從而避免了先驗假定[13]。Nopt的取值可由(19)式得到：

(19)

式中：

Ln=E{(zn-Hn×n)×(zn-Hn×n)T}.

(20)

迭代UFIR濾波算法的本質(zhì)是一種有限記憶狀態(tài)估計算法，與傳統(tǒng)KF算法的無限記憶特性相比，不會存在數(shù)據(jù)飽和現(xiàn)象。迭代UFIR濾波算法的基本特性使得其比傳統(tǒng)KF算法具有更好的魯棒性和工程應(yīng)用價值。表1中給出了迭代UFIR濾波算法的實現(xiàn)步驟。

表1 迭代UFIR濾波算法

3 仿真實驗研究

3.1 仿真目的及背景條件

為了驗證迭代UFIR濾波算法相對傳統(tǒng)KF算法在狀態(tài)預(yù)測性能上的優(yōu)勢及其對提升共軸跟蹤系統(tǒng)跟蹤精度的貢獻(xiàn)，開展兩類仿真實驗：首先進(jìn)行兩種狀態(tài)預(yù)估算法性能對比的單元仿真實驗；在此基礎(chǔ)上進(jìn)行系統(tǒng)級仿真實驗，將兩種算法分別應(yīng)用于共軸跟蹤系統(tǒng)，考察其對提升系統(tǒng)跟蹤精度發(fā)揮的作用，并重點(diǎn)比較工程應(yīng)用背景下的實際光電跟蹤系統(tǒng)在采用兩種不同算法時的性能優(yōu)劣。

3.2 狀態(tài)預(yù)測算法對比單元仿真實驗

在兩種狀態(tài)預(yù)測算法對比的單元仿真實驗中，基于上文所建立的CA模型，分別在噪聲已知和噪聲未知的條件下對KF及迭代UFIR算法進(jìn)行100次蒙特卡洛仿真，計算目標(biāo)位移和速度預(yù)測的均方根誤差。同時對兩種算法在目標(biāo)機(jī)動增強(qiáng)時的預(yù)測性能進(jìn)行仿真，比較位移和速度預(yù)測的誤差收斂快慢，結(jié)果如圖4所示。

圖4(a)表明，當(dāng)噪聲統(tǒng)計特性已知或估計準(zhǔn)確時，由于KF算法在線性高斯條件下最優(yōu)，預(yù)測精度較好，而迭代UFIR濾波算法在取最優(yōu)窗長時與KF算法位置預(yù)測精度相當(dāng)，速度預(yù)測精度略優(yōu)于KF算法，從表2的統(tǒng)計數(shù)據(jù)可知較KF算法提高了0.88%. 圖4(b)表明當(dāng)噪聲不準(zhǔn)確或未知時，KF算法的估計誤差明顯增大，位置預(yù)測的誤差從0.017 5 mrad增大到0.019 1 mrad，增大了9.1%，速度預(yù)測的誤差從6.015 mrad/s增大到6.357 mrad/s，增大了5.7%，而迭代UFIR濾波算法由于迭代過程中不需要噪聲統(tǒng)計特性矩陣的參與，位置和速度都保持了原有的預(yù)測精度，表現(xiàn)出了對噪聲更強(qiáng)的魯棒性。圖4(c)表明仿真模擬目標(biāo)機(jī)動增強(qiáng)時，兩種算法的預(yù)估誤差都驟增，但可明顯看出迭代UFIR濾波算法相比KF算法預(yù)估誤差收斂速度更快、過渡時間更短。仿真中當(dāng)位置估計誤差重新收斂至約0.02 mrad量級時，兩種算法花費(fèi)的時間分別為tKF=0.124 s、tUFIR=0.059 s，表明后者能更快跟蹤上目標(biāo)。

3.3 基于兩種狀態(tài)預(yù)測算法的共軸跟蹤系統(tǒng)對比仿真實驗

為了進(jìn)一步分析實際工程背景下兩種算法對光電跟蹤系統(tǒng)跟蹤性能的不同貢獻(xiàn)，以某型自動光電跟蹤系統(tǒng)工程樣機(jī)為研究對象，在跟蹤轉(zhuǎn)臺伺服控制系統(tǒng)中分別施加兩種算法，構(gòu)成共軸跟蹤系統(tǒng)，并對兩個系統(tǒng)的跟蹤性能作對比仿真。在3.1節(jié)的目標(biāo)運(yùn)動軌跡及前提條件下，建立了光電跟蹤系統(tǒng)的共軸跟蹤仿真模型，如圖5所示，通過人為延遲編碼器輸出信息并與脫靶量結(jié)合得到有時滯的目標(biāo)角位置信息，進(jìn)而由狀態(tài)預(yù)測環(huán)節(jié)得到無時滯的目標(biāo)角位置、角速度估計量并選取目標(biāo)角速度信息作為前饋導(dǎo)引，實現(xiàn)時滯補(bǔ)償和等效復(fù)合控制。其中，跟蹤誤差即脫靶量取自第1個求和環(huán)節(jié)輸出，框圖中前饋環(huán)節(jié)為Gf=τs，τ為前饋系數(shù)。

在本文中，跟蹤轉(zhuǎn)臺伺服系統(tǒng)反饋控制部分采用電流環(huán)、速度環(huán)、位置環(huán)的經(jīng)典三環(huán)結(jié)構(gòu)。考慮到轉(zhuǎn)速變化較電流變化慢很多，在計算動態(tài)時，開環(huán)傳遞函數(shù)忽略反電動勢反饋。電流環(huán)控制器采用PI

表2 預(yù)測算法誤差

調(diào)節(jié)，按典型2階最優(yōu)校正，得到電流環(huán)與跟蹤架的前向傳遞函數(shù)為

(21)

在電流環(huán)整定的基礎(chǔ)上，將速度環(huán)按近似1階慣性環(huán)節(jié)設(shè)計，等效閉環(huán)時間常數(shù)在系統(tǒng)中取為約20 ms，可使速度響應(yīng)的上升時間和超調(diào)量都較為滿意，得到速度環(huán)PI控制器為

(22)

位置跟蹤回路按伺服系統(tǒng)工程實踐中采用最多的2階無差度伺服系統(tǒng)考慮，保證對等速運(yùn)動輸入無差。根據(jù)期望頻率特性的Bode圖，得到作為串聯(lián)校正環(huán)節(jié)的位置環(huán)控制器為

(23)

基于以上各環(huán)節(jié)傳遞函數(shù)，計算求得前饋系數(shù)τ=1.

在對比仿真實驗中，兩個系統(tǒng)在跟蹤轉(zhuǎn)臺的反饋控制部分均采用上述實際結(jié)果，僅在狀態(tài)預(yù)測環(huán)節(jié)上不同，以便考察狀態(tài)預(yù)測算法的差異對系統(tǒng)性能的影響，基于KF算法的狀態(tài)預(yù)測是當(dāng)前跟蹤技術(shù)中普遍采用的方法。

圖6所示為光電跟蹤系統(tǒng)在不同仿真條件下的跟蹤誤差隨時間的變化曲線，其穩(wěn)態(tài)誤差統(tǒng)計數(shù)據(jù)如表3所示。圖6(a)為在無時滯條件下，無前饋補(bǔ)償與加入信號真實速度前饋的理想補(bǔ)償時系統(tǒng)跟蹤誤差的對比；圖6(b)為脫靶量滯后2個采樣周期時，無前饋和有理想前饋但無預(yù)測的系統(tǒng)跟蹤誤差對比曲線；圖6(c)為使用KF算法與迭代UFIR濾波算法實現(xiàn)帶有預(yù)測和前饋的共軸跟蹤系統(tǒng)跟蹤誤差對比曲線；圖6(d)為在目標(biāo)機(jī)動增強(qiáng)時使用KF算法與迭代UFIR濾波算法的共軸跟蹤系統(tǒng)跟蹤誤差對比曲線圖。

圖6(a)和表3的對應(yīng)數(shù)據(jù)表明，在無時滯時加入理想前饋能使系統(tǒng)跟蹤誤差呈數(shù)量級地降低；從圖6(b)和表3的數(shù)據(jù)可知，在無前饋時由于脫靶量滯后導(dǎo)致的系統(tǒng)跟蹤誤差比不存在滯后時擴(kuò)大了近10倍，此時即使加入理想前饋，但由于沒有預(yù)測，也不能有效改善系統(tǒng)的跟蹤性能，表明脫靶量時滯已經(jīng)極大地影響了系統(tǒng)跟蹤精度的提升；從圖6(c)、圖6(d)和表3的結(jié)果可知，采用基于KF算法和迭代UFIR濾波算法的共軸跟蹤方案，系統(tǒng)的跟蹤精度都得到了明顯提高，接近無時滯且有理想前饋作用時的跟蹤精度值，證明了基于KF算法和迭代UFIR濾波算法的共軸跟蹤技術(shù)通過狀態(tài)預(yù)測減小了脫靶量滯后的影響并實現(xiàn)了前饋補(bǔ)償，使系統(tǒng)跟蹤精度得到有效提升，近似達(dá)到了理想情況。此外，還可知當(dāng)噪聲先驗信息不準(zhǔn)確時，基于迭代UFIR濾波算法的共軸跟蹤系統(tǒng)保持了原有的跟蹤誤差(最大值0.247 mrad、均方根值0.091 mrad)，而基于KF算法的系統(tǒng)由于對噪聲先驗信息敏感，其穩(wěn)態(tài)最大誤差從0.262 mrad增加到0.414 mrad，接近于成倍上升，均方根誤差從0.082 mrad增加到0.117 mrad；圖6(d)表明當(dāng)目標(biāo)機(jī)動增強(qiáng)時，基于迭代UFIR濾波算法的系統(tǒng)相比使用KF算法，跟蹤誤差收斂更快，與3.2節(jié)中迭代UFIR濾波算法和KF算法在目標(biāo)發(fā)生機(jī)動時算法自身預(yù)估誤差收斂規(guī)律一致。由于在實際工程應(yīng)用中，往往無法準(zhǔn)確獲知噪聲的先驗統(tǒng)計信息和目標(biāo)機(jī)動信息，上述仿真實驗的結(jié)果證明了工程應(yīng)用背景下采用基于迭代UFIR濾波算法的共軸跟蹤方案較基于KF算法的方案，對提高光電跟蹤系統(tǒng)跟蹤精度的貢獻(xiàn)更為顯著、魯棒性更好。

4 結(jié)論

本文針對高精度光電跟蹤系統(tǒng)亟待減小動態(tài)滯后誤差的需求，設(shè)計了一種共軸跟蹤的改進(jìn)方案。采用一種新型迭代UFIR濾波算法替代傳統(tǒng)KF算法進(jìn)行狀態(tài)估計與預(yù)測，得到了較理想的結(jié)果，提高了共軸跟蹤方案在工程應(yīng)用中的適應(yīng)性。得到主要結(jié)論如下：

仿真條件穩(wěn)態(tài)最大誤差/mrad誤差均方根值/mrad無時滯,無前饋補(bǔ)償5.2983.781無時滯,理想前饋補(bǔ)償0.0950.044時滯2T,無前饋補(bǔ)償49.62034.310時滯2T,理想前饋補(bǔ)償6.0814.154時帶2T,KF預(yù)測前饋補(bǔ)償(噪聲已知)0.2620.082時帶2T,KF預(yù)測前饋補(bǔ)償(噪聲未知)0.4140.117時帶2T,UFIR濾波預(yù)測前饋補(bǔ)償0.2470.091

1) 迭代UFIR濾波算法與理想條件下的KF算法估計精度相當(dāng)，并且具有不依賴噪聲先驗統(tǒng)計信息的優(yōu)勢，在噪聲先驗信息未知的情況下比KF類方法有更強(qiáng)的魯棒性。同時，在目標(biāo)機(jī)動增強(qiáng)時，迭代UFIR濾波算法過渡時間更短，誤差衰減更快，追蹤效果更好。

2) 時滯嚴(yán)重阻礙跟蹤精度的提升。共軸跟蹤方案通過狀態(tài)預(yù)測提供了伺服控制所需較準(zhǔn)確的目標(biāo)位置量和速度量，補(bǔ)償了探測器脫靶量滯后，并實現(xiàn)了等效復(fù)合控制，顯著提高了系統(tǒng)的跟蹤精度。

3) 在共軸跟蹤方案中，采用迭代UFIR濾波算法比采用傳統(tǒng)KF算法在噪聲先驗信息未知的情況下系統(tǒng)跟蹤誤差更小、在目標(biāo)機(jī)動增強(qiáng)時系統(tǒng)跟蹤誤差收斂更快。由于實際工程應(yīng)用中上述兩種情況普遍存在，基于迭代UFIR濾波的共軸跟蹤方案具有更大的工程應(yīng)用潛力。