企业官网建设流程全解析

1. 从点目标到扩展目标：MEM-EKF要解决什么问题

做目标跟踪这些年，最深的体会是：教科书里的经典滤波算法，一到真实场景就有点“水土不服”。传统卡尔曼滤波也好、EKF也好，默认目标是个“点”——一个坐标、一个速度向量就能描述完。但雷达回波打在集装箱船上、无人机集群或者行人身上时，传感器同一时刻可能返回几十个甚至上百个量测点。这些点散布在目标周围，有的落在船头、有的落在船尾，简单取个均值当“点目标”处理，损失的是目标的尺寸、朝向这些关键信息。

椭圆扩展目标跟踪正是冲着这个问题去的。它的思路很直接：目标不再是一个坐标点，而是一个椭圆——有中心位置、有长轴短轴、有朝向角。滤波算法需要同时估计两个层面的状态：运动学状态（位置、速度、加速度）和形态学状态（椭圆形状参数）。这在雷达海上目标监视、无人驾驶环境感知、视频监控中的人体轮廓跟踪里都有非常实际的需求。比如海面上一条货轮，雷达回波的分布范围直接反映船的尺寸和航向，光报一个中心点显然不够用。

最近在复现一类很重要的算法，叫MEM-EKF（Multiple Extended Model EKF，多重扩展模型扩展卡尔曼滤波），专门用于椭圆扩展目标跟踪，用MATLAB实现后跑了不少仿真场景。整个算法最核心的思路是：假设扩展目标的量测点在空间上服从一个以目标中心为均值、以椭圆形状决定协方差的高斯分布，然后构建一个同时包含运动状态和扩展状态的增广状态向量，再用EKF的统一框架去递推估计。

为什么叫“多重”扩展模型？因为实际场景里目标形状不是一成不变的——船转弯时雷达视角变化，椭圆朝向会跟着变；目标靠近传感器，椭圆长轴会拉长。单个固定模型难以跟踪这种形态演化。MEM-EKF把扩展状态的演化也建模成随机过程，扩展状态本身有自己的动态方程和过程噪声，这样滤波器既追踪目标“走到哪”，又追踪目标“长什么样”，还能应对形状的时变特性。这也是它区别于纯运动学跟踪算法的根本所在。

用MATLAB做这件事的好处是：矩阵运算、数值积分、绘图可视化这些活儿都有现成工具，把精力集中在算法逻辑本身。实测下来，一个包含量测生成、MEM-EKF递推、可视化输出的仿真框架，在普通笔记本上跑几百步蒙特卡洛完全没压力。这篇文章就围绕我自己搭建的这套MATLAB实现，把数学模型、递推公式、仿真参数和踩坑经验完整梳理一遍，给正在做扩展目标跟踪、随机矩阵法或者多传感器数据融合的读者提供一个能直接参考的版本。

2. 椭圆扩展目标的数学模型：量测是怎么生成的

2.1 扩展状态的增广建模

在MEM-EKF中，目标状态 $\xi_k$ 由两部分组成：

[ \xi_k = \begin{bmatrix} x_k \ X_k \end{bmatrix} ]

其中运动状态 $x_k$ 通常是目标中心的运动学状态，包含位置和速度；扩展状态 $X_k$ 是一个 $2\times2$ 对称正定矩阵，描述椭圆形状。前者的递推沿用标准运动模型，比如匀速模型、匀加速模型或者协同转弯模型；后者则需要专门的动态模型来描述形状的慢变化。

一个常见的扩展状态演化方程是：

[ X_k = I_2 + \Phi (X_{k-1} - I_2) ]

这里 $\Phi$ 是遗忘因子（通常取接近1的值如0.99，代表形状的“惯性”），$I_2$ 是单位矩阵。这个方程的含义是：形状矩阵有回归到单位矩阵的趋势，同时保留上一时刻的形态信息。我用一个生活化类比帮助理解：就像一块橡皮泥，每次捏完形变后，它总有点“往回弹”的趋势，遗忘因子决定这个回弹速度有多大。

值得注意，扩展状态必须保持对称正定。所以在实际实现中，MEM-EKF并不直接估计矩阵元素，而是估计其矩阵对数或Cholesky因子相关参数，以保证更新后的 $X_{k|k}$ 仍然满足正定性要求。这一点是初学者最容易忽略的：直接估计矩阵元素，迭代几步后行列式就可能变成负值，滤波器直接发散。

2.2 量测模型：椭圆上的多量测生成

在第 $k$ 时刻，目标产生的 $n_k$ 个量测点 ${z_k^j}_{j=1}^{n_k}$ 被建模为以目标中心 $H x_k$ 为均值、扩展状态 $X_k$ 决定分布形状的高斯分布：

[ z_k^j \sim \mathcal{N}(H x_k,; X_k + R_k) ]

$H$ 是从运动状态到量测中心的观测矩阵，$R_k$ 是传感器本身的量测噪声（比如雷达测距测角的噪声）。把 $X_k$ 和 $R_k$ 加在一起，意味着实际量测点的离散程度由“目标物理尺寸”和“传感器不确定度”共同决定。这套模型也被称为**随机矩阵法（Random Matrix Approach）**的基础模型，核心思想在于把量测分布看作一个有结构的协方差，而不是纯粹的噪声协方差。

生成量测的时候，为了模拟真实传感器的特性，还需要配合杂波模型。我用的做法是在每个扫描周期内，以目标位置为中心生成一组高斯散布的量测点，再叠加若干均匀分布的杂波点，这样滤波器的输入就是“含杂波的原始量测序列”。这个设置很关键，因为真实传感器不会告诉你哪些点属于目标，跟踪算法的职责本来就是在杂波背景下完成数据关联与状态估计。

2.3 为什么选EKF而不是粒子滤波

做椭圆扩展目标跟踪，可选的滤波框架其实不少：UKF（无迹卡尔曼滤波）、粒子滤波（PF）、随机矩阵法的解析贝叶斯更新。为什么MEM-EKF在工程上仍然占有重要位置？

核心原因是计算效率与不确定性传递精度的平衡。粒子滤波要用大量粒子逼近后验分布，椭圆扩展状态是高维的（运动状态4维+形状矩阵参数约3维），粒子数不够性能掉得厉害，粒子数够了实时性又跟不上。UKF的sigma点传播能处理非线性，但对于扩展状态的对称正定约束处理起来不如EKF改造方便。而MEM-EKF把扩展状态模型设计成近似线性的演化方程，配合扩展卡尔曼滤波的线性化手段，计算量小、实现简单，在雷达数据率较高的时候依然能跑实时。

当然，MEM-EKF的代价是模型近似误差——强非线性场景下线性化误差不可忽视。但工程上的经验是：对于扩展椭圆的跟踪，大多数情况下的非线性程度并不极端，EKF的近似完全够用。后面我会详细展示MATLAB中具体的递推步骤，你会看到这套框架落地其实非常直接。

3. MEM-EKF递推方程的推导与实现逻辑

3.1 状态预测：运动状态与扩展状态各自递推

MEM-EKF的预测阶段与标准EKF的核心差异在于多了扩展状态这一支。假设运动状态用匀速模型（CV模型），状态向量为 $x=[p_x, p_y, v_x, v_y]^T$，状态转移矩阵为：

[ F = \begin{bmatrix} 1 & 0 & T & 0 \ 0 & 1 & 0 & T \ 0 & 0 & 1 & 0 \ 0 & 0 & 0 & 1 \end{bmatrix} ]

预测表达式就是标准形式： [ x_{k|k-1} = F x_{k-1|k-1},\qquad P_{k|k-1}^{xx} = F P_{k-1|k-1}^{xx} F^T + Q ]

其中 $Q$ 是运动过程噪声协方差，取值跟机动强度有关。扩展状态预测则按前面提到的遗忘模型： [ X_{k|k-1} = I_2 + \Phi (X_{k-1|k-1} - I_2) ]

这里要特别提醒初学MATLAB仿真的朋友：扩展状态的预测是确定的、不引入过程噪声，但在协方差矩阵中要为扩展状态留下一块“不确定度”，否则滤波器会过度相信形状估计，后续增益矩阵计算会出现数值问题。我通常的做法是对扩展状态的估计误差协方差（跟形状参数相关的块）乘一个略大于1的因子，模拟形状慢变化引入的不确定性。

3.2 量测更新：等效量测与增益计算

MEM-EKF的量测更新不像标准EKF那样一条一条处理量测，而是先把当前时刻的全部 $n_k$ 个量测点压缩成一个等效量测（equivalent measurement）：

[ \bar{z}k = \frac{1}{n_k}\sum{j=1}^{n_k} z_k^j,\qquad \bar{P}{z,k} = \frac{1}{n_k}\sum{j=1}^{n_k} (z_k^j - \bar{z}_k)(z_k^j - \bar{z}_k)^T ]

$\bar{z}k$ 是所有量测点的中心，$\bar{P}{z,k}$ 是样本散布矩阵，本质上反映量测点在空间上的离散程度。MEM-EKF的巧妙之处在于，它用这两组统计量分别驱动两部分更新：

• 用 $\bar{z}_k$ 更新运动状态，因为量测中心直接反映目标位置；
• 用 $\bar{P}_{z,k}$ 更新扩展状态 $X_k$，因为量测的散布范围直接携带椭圆形状信息。

增益计算时要注意维度匹配。运动状态的更新方程是：

[ K_x = P_{k|k-1}^{xx} H^T (H P_{k|k-1}^{xx} H^T + \frac{X_{k|k-1} + R_k}{n_k})^{-1} ]

这里分母上多了个 $n_k$，原因是“量测中心”的协方差是单个量测协方差的 $1/n_k$。这个细节很多照着论文抄代码的人容易漏掉，一旦漏掉，滤波器会对位置量测过分信任，轨迹会出现诡异的抖动。

扩展状态的更新则基于逆Wishart分布的后验解析形式，具体更新公式为：

[ X_{k|k} = \frac{1}{n_k + \delta + 2} \left( (\delta + n_k + 2) X_{k|k-1} + \bar{P}_{z,k} \cdot n_k (n_k-1) + \cdots \right) ]

其中 $\delta$ 是逆Wishart分布的自由度参数，反映先验的置信程度。这个公式看起来复杂，但在MATLAB里就是个矩阵加权平均的运算，关键在于把 $\bar{P}{z,k}$ 的系数算对。我的实现里习惯把整个更新封装成一个函数，输入是预测的 $X{k|k-1}$、量测的 $\bar{P}_{z,k}$ 和量测数量 $n_k$，输出直接就是更新后的扩展状态，这样主循环里调用特别清爽。

3.3 矩阵正定性的保持技巧

前面反复提到扩展状态正定性，这里必须展开说明为什么它在数值实现里如此重要。如果更新后的 $X_{k|k}$ 不是正定矩阵，那么：

• 计算 $(X_{k|k})^{-1}$ 时可能出现无穷大或NaN；
• 后续量测模型里的高斯概率密度无法计算；
• 目标椭圆的长轴短轴可能会变成负数或纯虚数，画出来的椭圆直接诡异变形。

保持正定性的常用手段有两个。第一是在更新后强制对称化，并对特征值做下限截断： [ X_{k|k} \leftarrow \frac{X_{k|k} + X_{k|k}^T}{2},\qquad \lambda_i \leftarrow \max(\lambda_i, \epsilon) ] 其中 $\epsilon$ 取一个很小的正数，比如 $10^{-6}$。这里用的就是特征值分解后重建矩阵。第二是参数化技巧，把估计对象换成 $L$ 满足 $X = L L^T$，对 $L$ 做更新，这样就天然保持了 $X$ 的半正定性。后者涉及维度约简和雅可比矩阵推导，适合进阶实现，新手先用特征值截断法即可稳定运行。

4. MATLAB仿真框架：从数据生成到可视化

4.1 仿真场景定义与量测生成代码

我搭建的仿真框架分四个模块：场景参数定义、目标真实轨迹生成、量测与杂波生成、MEM-EKF滤波器主循环。先说前两个。以下是一个最小可运行版本的场景设置：

clear; clc; close all; % 场景参数 T = 1; % 采样周期（秒） N = 100; % 仿真步数 v = [5; 3]; % 目标速度（m/s） x0 = [100; 100; v(1); v(2)]; % 初始位置和速度 % 扩展状态初值（椭圆形状：长轴30m，短轴10m，朝向30度） theta0 = 30 * pi/180; L = [30 10]; Rrot = [cos(theta0) -sin(theta0); sin(theta0) cos(theta0)]; X0 = Rrot * diag(L.^2) * Rrot'; % 过程噪声 q = 0.5; Q = q * [T^3/3 0 T^2/2 0; 0 T^3/3 0 T^2/2; T^2/2 0 T 0; 0 T^2/2 0 T]; % 量测噪声 R = diag([2^2, 2^2]);

目标真实轨迹这里可以按匀速模型生成，每一步加上过程噪声扰动。量测点数我在仿真里设置为每帧从泊松分布抽样，均值设为15个点，然后按第2.2节的模型生成：

% 在目标中心周围生成扩展目标量测 numMeas = poissrnd(15); meas = mvnrnd(H * x_true(:,k)', X_true(:,:,k) + R, numMeas)';

这里有个值得留意的点：X_true是真实扩展状态矩阵，它随仿真步数改变（我在仿真里让它缓慢旋转和缩放），这样才能验证算法跟踪“形状演化”的能力。不少人在仿真时把扩展状态设成常量，这样虽然滤波器也能跑通，但完全测不出MEM-EKF相比普通点目标EKF的优势。

4.2 主循环中的滤波递推实现

滤波器主循环的骨架代码如下：

% 初始化 x_est = x0; P_est = blkdiag(100*eye(4), 10*eye(2)); % 运动+扩展联合协方差 X_est = X0; for k = 1:N % 预测 x_pred = F * x_est; P_pred = F * P_est(1:4,1:4) * F' + Q; X_pred = eye(2) + phi * (X_est - eye(2)); % 量测生成（模拟传感器） % ... （见上一节） % 计算等效量测 z_bar = mean(meas, 2); P_z = cov(meas'); % 运动状态更新 H = [1 0 0 0; 0 1 0 0]; S = H * P_pred * H' + X_pred / numMeas + R / numMeas; K = P_pred * H' / S; x_est = x_pred + K * (z_bar - H * x_pred); P_xx = (eye(4) - K * H) * P_pred; % 扩展状态更新 X_est = updateExtent(X_pred, P_z, numMeas, delta); % 记录结果用于绘图 % ... end

实际项目中我更推荐把updateExtent单独写成函数，内部实现第3.2节的加权公式，同时加上对称化和特征值截断。这样主循环干净，后续要换模型（比如从CV模型换成CT模型）也不需要动扩展状态更新部分。

4.3 椭圆的可视化绘制

跟踪结果光看坐标误差不够直观，一定要把估计椭圆画出来叠在量测点云上，一眼就能看出形状跟踪的效果。画椭圆的核心函数是把协方差矩阵转化为椭圆参数：

function h = drawEllipse(center, Cov, color, lineWidth) [V, D] = eig(Cov); angles = linspace(0, 2*pi, 100); % 协方差矩阵的椭圆：以2倍标准差为边界 a = 2 * sqrt(D(1,1)); b = 2 * sqrt(D(2,2)); ell = V * [a*cos(angles); b*sin(angles)]; h = plot(center(1)+ell(1,:), center(2)+ell(2,:), ... 'Color', color, 'LineWidth', lineWidth); end

注意这里用了2 * sqrt(D)而不是sqrt(D)，因为约95%的量测点应该落在2倍标准差椭圆内，这样画出来更贴近“目标边界”的直觉。

运行一次仿真后，把真实椭圆、估计椭圆和量测点画在同一张图上，你会看到：滤波器收敛后，估计椭圆的朝向和长短轴与真实椭圆基本重合，即使量测点混入杂波也没被带偏。这种直观的视觉反馈，是调参时效率最高的工具。

5. 仿真结果分析：位置误差与形状误差分开看

5.1 运动状态估计性能

评价运动状态估计，我用的是从第30步到第100步的均方根误差（RMSE），跳过前30步是因为滤波器的收敛过程会拉低整体指标。仿真的结果通常表现为：位置RMSE稳定在1到2米量级（在量测噪声标准差2米、量测点数15个的条件下），这已经好于直接用单个量测点做点目标EKF的效果。原因前面提过，量测中心等效于15个观测的平均，等效噪声方差下降了一个数量级。

速度估计方面，CV模型下收敛后速度RMSE通常在0.5m/s以内。如果过程噪声设置过大，速度估计会明显抖动；反之位置跟踪会滞后。实际调参时我是用模拟的机动场景来权衡的，经验值在 $q=0.1$ 到 $2$ 之间。

速度估计的收敛速度也与扩展状态初始值有关。如果初始扩展状态与实际形状差得远，前几步的增益会偏大，运动状态也会跟着产生短时波动。所以仿真中我把初始扩展状态设得比真实值略大而不是略小——宁可先“把船看大些”，再逐步收敛，也不要在第1步就让滤波器对一个过小的椭圆产生过度自信。

5.2 扩展状态跟踪效果

扩展状态的评价指标我用的是矩阵误差的Frobenius范数：

[ e_X(k) = | X_{k|k} - X_{\text{true},k} |_F ]

另一类更有物理意义的指标是椭圆长短轴的相对误差。在MATLAB里可以通过eig函数把形状矩阵的特征值提取出来，比较估计特征值与真实特征值的比值。实测下来，在无杂波场景下长短轴估计误差收敛到5%以内；在有杂波（杂波率每帧5个点）的情况下，误差会上浮到10%左右，但仍然能保持椭圆朝向的正确估计。

这里有个有意思的现象：朝向角的估计误差比长短轴的收敛速度快得多。原因是量测点在空间上的散布结构对角度的变化非常敏感，角度偏1度都会让样本协方差矩阵的非对角项显著变化。反观长短轴，如果量测点数偏少，样本散布矩阵的方差很大，长短轴会出现“忽大忽小”的振荡。解决思路是把逆Wishart分布的自由度参数 $\delta$ 调大，相当于给先验更大的权重，让长短轴变化更平滑。代价是形状变化较快时跟踪会变迟钝，这个权衡只能靠仿真需求去定。

5.3 蒙特卡洛多次运行的必要性

单次仿真曲线再漂亮也不算数。因为量测是随机生成的，一次运行里滤波器可能运气好误差很小，也可能运气差出现异常值。我在验证算法时固定跑50次蒙特卡洛，代码大概是这样：

MC_runs = 50; RMSE_pos = zeros(MC_runs, 1); for run = 1:MC_runs % 每次重新生成随机种子，保证场景的多样性 rng(run); [~, rmse] = runSimulation(params); RMSE_pos(run) = rmse; end meanRMSE = mean(RMSE_pos); stdRMSE = std(RMSE_pos);

从50次运行里还能统计出滤波器的“发散率”——如果某次运行的RMSE超过正常值10倍以上，大概率是数值问题导致发散，这时候就得回头检查特征值截断阈值、协方差对称化、量测个数为0时的处理等细节。

6. 关键参数的选取策略与经验教训

6.1 遗忘因子与自由度参数的影响

MEM-EKF里最敏感的两个参数就是前面的 $\Phi$（遗忘因子）和 $\delta$（逆Wishart自由度）。我把自己的调参经验整理成了下表：

实际调试中发现，$\Phi$ 和 $\delta$ 存在很强的耦合：$\Phi$ 偏小时，形状矩阵每步都回到单位矩阵附近，相当于“遗忘”了历史形状信息，此时 $\delta$ 必须调大一些，让当前量测的散布直接修正形状；反过来，$\Phi$ 接近0.999时，形状矩阵的历史信息保留很久，$\delta$ 就不要再加太大，否则滤波器会无视新量测带来的形状变化。

6.2 量测点数对滤波性能的隐性影响

量测点数 $n_k$ 对MEM-EKF的影响比想象中大得多。从公式层面看，$n_k$ 直接影响运动状态更新中量测中心的等效协方差，还直接影响扩展状态更新公式里的权重。当 $n_k=0$（某一帧没有量测）时，滤波器必须退化为纯预测模式——此时扩展状态保持预测值不变，协方差整体增大。

我在处理这个场景时，让扩展状态更新函数返回X_pred本身，同时按X_pred的对应协方差块乘以一个增长系数：

if isempty(meas) X_est = X_pred; P_ext = P_ext * 1.1; % 不确定度增大 continue; end

另外，量测点特别少（比如只有1到2个点）时，cov(meas')返回的样本协方差矩阵是奇异或严重病态的，直接拿去更新形状矩阵会让结果不可控。我的对策是加一个最小量测点数阈值，比如低于3个点时沿用上一帧的 $X_{k|k-1}$，等待下帧数据。这样做在工程里好处明显：既不引入人为的假形状，又保持了滤波器的数值稳定。

6.3 滤波器发散的典型原因与排查路径

我在这套仿真上踩过不少坑，整理出最容易导致发散的几个原因，按发生频率排序如下：

第一，协方差矩阵不对称。标准EKGF递推公式在纯理论推导中天然对称，但矩阵乘法顺序不同会引入微小的非对称误差，迭代几百步后对称性破坏会累积到不可忽视的程度。解决方法是每步更新后强制P = (P + P') / 2。第二步，特征值截断阈值设得太大，导致椭圆形状被“压缩”到接近点目标，量测更新时形状矩阵在分母上出现退化。第三，过程噪声设置过小，滤波器在目标机动时产生严重的模型失配，卡在一个错误的轨迹上。第四，杂波关联处理太粗糙，把离群杂波点纳入等效量测计算，导致量测中心偏航非常大。我的处理办法是先用一个粗略门限剔除离群点，再算等效量测。

7. 几个实操中容易忽略的细节

7.1 初值的设定不能太“完美”

很多人在仿真里直接把初始状态设成真实值，这会让滤波器的“收敛过程”完全消失，看起来性能很好，但实际部署时根本没有这样的条件。我更推荐的做法是把初始位置设为真实位置加上一个零均值高斯扰动，标准差取50到100米；初始速度设为零向量。初始扩展状态设成单位矩阵乘一个放大系数。这样的测试才真正有意义，因为滤波器的前几十步必须同时完成“定位收敛”和“形状收敛”。

7.2 状态维度与计算效率的平衡

增广状态向量的维度是运动状态维度与扩展状态参数维度之和。我的实现里没有直接估计5个参数（长短轴+角度+位置），而是让运动状态保持4维，扩展状态保持2×2矩阵，二者分别更新。这样做的好处是：如果直接増广联合估计，协方差矩阵的维度变成8×8，每次Riccati方程求解的开销成倍增长，而且矩阵病态程度会明显加剧。实测下来分开更新比联合更新的运行速度快约40%，而性能几乎没差别。

7.3 自定义传感器参数时的折算

真实传感器给出的往往是距离-方位形式的量测，而MEM-EKF的模型在笛卡尔坐标系下更自然。如果你要直接用雷达的距离和角度量测，需要把 $R_k$ 矩阵设为目标在雷达坐标系中的量测噪声，在MATLAB里可以这样换算：

sigma_r = 1.5; % 距离噪声标准差（米） sigma_theta = 1 * pi/180; % 角度噪声标准差（弧度） rho = 100; % 目标距离（米） R_cart = [sigma_r^2 * cos(theta)^2 + rho^2 * sigma_theta^2 * sin(theta)^2, ... (sigma_r^2 - rho^2 * sigma_theta^2) * sin(theta) * cos(theta); (sigma_r^2 - rho^2 * sigma_theta^2) * sin(theta) * cos(theta), ... sigma_r^2 * sin(theta)^2 + rho^2 * sigma_theta^2 * cos(theta)^2];

这个公式把距离和角度的量测噪声折算到了笛卡尔坐标系，且考虑了两者之间的耦合。不换算直接拿角度噪声去适配笛卡尔模型，椭圆形状会被拉成奇怪的椭圆——这属于那种“仿真里看起来没什么，一部署就露馅”的隐性坑。

8. 整套仿真的复现流程与后续扩展方向

如果你想在MATLAB里快速复现这套MEM-EKF椭圆扩展目标跟踪，可以按下面的流程走：先实现量测生成模块，再实现滤波器主体，最后补上可视化和指标统计。每个模块的验证方式我都建议分开做，模块本身跑通后再联调，问题会少很多。

代码的组织结构上，我的习惯是：

/mem_ekf_tracking /main.m // 主脚本，控制仿真流程 /genTargetTrajectory.m // 生成真实轨迹 /genMeasurements.m // 生成量测和杂波 /mem_ekf_predict.m // 预测步骤 /mem_ekf_update.m // 更新步骤 /updateExtent.m // 扩展状态更新 /drawEllipse.m // 椭圆绘制 /calcMetrics.m // RMSE与形状误差统计

这种模块化结构最大的优点是可替换性：今天用匀速模型，明天想换协调转弯模型，只需要改genTargetTrajectory.m和mem_ekf_predict.m中的状态转移矩阵；想加入时间延迟、量测漏检等传感器特性，也只需改genMeasurements.m。

扩展方向上，我觉得有两个角度特别值得继续深入。第一是量测划分，就是把同一目标的多量测点聚类成更精细的子集，比如把前部回波和后部回波分开建模，这样还能进一步估计目标的非对称形状（比如船头的V形结构）。第二是多目标场景，MEM-EKF结合JPDA（联合概率数据关联），可以同时处理多个椭圆目标的跟踪与关联问题，复杂度会上一个量级，但工程价值也高得多。还有一个方向是结合深度学习做扩展形状的先验识别，不过那个就已经跨出传统滤波的范畴了。

我自己的体会是，MEM-EKF这个算法看起来公式多、数学痕迹重，但真正把模型和代码对应起来之后，你会发现它的逻辑链条其实很紧凑：一个形状矩阵、一套量测统计量、两个更新公式，就完成了从“点目标”到“椭圆目标”的跨越。调参的过程也很有意思，不同的量测点数、不同的杂波密度，都会逼着你去理解每一个参数在公式里的物理意义。这也是做滤波算法最上瘾的地方：数学上每个符号背后，都对应着真实世界的一种物理特性。

建议想深入的朋友，先把仿真场景固定下来——就用一个“目标转弯、形状由扁变圆”的复杂场景，然后把文档里的参数表挨个改变量跑一遍，看看轨迹、椭圆、RMSE三条曲线分别怎么响应。这比从头啃十几篇论文有效得多，因为你对算法行为的直觉，就是这么一组一组仿真喂出来的。