1.基于级联鲁棒最优混合滤波的动态目标跟踪估计方法，具体步骤包括：

1)、对仓库中移动机器人的运动情况建立连续运动学模型；把仓库内的地面环境建立成一个平面直角坐标系，然后用 来表示移动机器人的位置，其中Px表示移动机器人的横坐标，Py表示移动机器人的纵坐标，得到每一时刻移动机器人的位置；

2)、考虑仓库复杂环境下的混合扰动以及模型的不精确，建立系统状态方程以及传感器的观测方程；考虑仓库里地面环境的混合扰动和模型的不精确，建立系统状态方程和传感器的观测方程包括以下步骤：(2.1)建立系统的状态方程；系统的状态方程为：

x(k+1)＝Ax(k)+B1ω1(k)+B0ω0(k) (1)

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，x表示移动机器人的位置，x＝T[Px Py]，Px表示移动机器人的横坐标，Py表示移动机器人的纵坐标，上标"T"表示矩阵的转置，A表示x的状态转移矩阵，ω1表示不确定性扰动信号，B1表示不确定性扰动信号ω1的输入矩阵，ω0表示均值为0方差为1的白噪声，B0表示白噪声ω0的输入矩阵；

(2.2)建立传感器的观测方程；传感器的观测方程为：

z(k)＝Hx(k)+D1ω1(k)+D0ω0(k) (2)

其中，k表示当前离散化时刻，z表示传感器的观测向量，x表示移动机器人的位置，x＝T[Px Py]，Px表示移动机器人的横坐标，Py表示移动机器人的纵坐标，H表示传感器的观测矩阵，ω1表示不确定性扰动信号，D1表示传感器的不确定性扰动信号的观测矩阵，ω0表示均值为0方差为1的白噪声，D0表示传感器的白噪声ω0的观测矩阵；

3)、根据传感器的观测值设计其相应的级联鲁棒最优混合滤波器；在对仓库里移动机器人进行跟踪时，数据的传输是在无线传感网络中进行，对于传感器来说，它能通过无线传感网络接收到观测值，但是在传输过程中往往会受到扰动，使得数据会出现丢失的情况；假设传感器实际接收到的观测值，记作：s(k)＝Φ(k)z(k) (3)

其中，k表示离散化时刻，s表示传感器实际收到的所有数据，Φ表示传感器的观测值z的数据是否丢失，z表示传感器的观测向量；

设计传感器的级联鲁棒最优滤波器F和Q：

其中，k表示当前离散化时刻，k+1表示下一离散化时刻；A表示x的状态转移矩阵，表示x的估计值，ez表示x与对应估计值 的差值，表示估计对象ez的估计值，L0表示传感器的F滤波器增益，L1表示传感器的Q滤波器增益,Φ表示传感器的观测值z的数据是否丢失,z表示传感器的观测向量，H表示传感器的观测矩阵，s(k)表示传感器实际收到的所有数据；

级联鲁棒最优滤波器F和Q的作用是使得传感器对移动机器人的位置估计值尽可能接近移动机器人实际位置x(k)，实现对移动机器人位置的实时高精度估计；

4)、给出系统的自治误差模型，设计并通过迭代算法求解黎卡提Riccati方程，得到每个滤波器的增益；给出系统的自治误差模型，设计并通过迭代算法求解F和Q滤波器的增益L0和L1，具体包括以下步骤：(4.1)给出系统的自治误差模型；通过式(1)、式(2)、式(4)和式(5)分别得到系统的自治误差模型：ez(k+1)＝(A+L0Φ(k)H)ez(k)+[B0+L0Φ(k)D0]ω0(k) (6)其中，k表示当前离散时刻，k+1表示下一个离散时刻；ez表示x与对应估计值 的差值，表示ez与对应估计值 的差值，A表示x的状态转移矩阵，B0表示白噪声ω0的输入矩阵，H表示传感器的观测矩阵，D0表示传感器的白噪声ω0的观测矩阵,ω1表示不确定性扰动信号，ω0表示均值为0方差为1的白噪声，Φ表示传感器的观测值z的数据是否丢失,z表示传感器的观测向量， 和 均为与L0和L1相关的中间矩阵，L0表示传感器的F滤波器增益，L1表示传感器的Q滤波器增益；

(4.2)给出F滤波器增益L0的表达式；基于系统的自治误差模型式(6)，通过卡尔曼滤波算法得到F滤波器增益L0的表达式：其中，k表示当前离散化时刻，A表示x的状态转移矩阵，上标"‑1"表示矩阵的逆，上标"T"表示矩阵的转置，B0表示白噪声ω0的输入矩阵，H表示传感器的观测矩阵，D0表示传感器的白噪声ω0的观测矩阵，O为中间矩阵；

(4.3)给出Q滤波器增益L1的表达式；基于系统的自治误差模型式(7)，通过H∞滤波算法得到Q滤波器增益L1的表达式：‑1

L1＝‑uw  (9)

其中，u和w均是包含M的中间矩阵，M为中间矩阵；

(4.4)给出中间矩阵O和M的初值；中间矩阵O和M分别表示的是上述系统的自治误差模型式(6)和式(7)的协方差形式；当k＝0时，对中间矩阵O和M赋予初值，即O(0)，M(0)(10)(4.5)给出中间矩阵O的黎卡提Riccati方程，得到中间矩阵O(1)；中间矩阵O满足如下黎卡提Riccati方程：因此得到中间矩阵O(1)：

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，A表示x的状态转移矩阵，上标"‑1"表示矩阵的逆，上标"T"表示矩阵的转置，B0表示白噪声ω0的输入矩阵，H表示传感器的观测矩阵，D0表示传感器的白噪声ω0的观测矩阵，μ表示Φ的数学期望，Φ表示传感器的观测值z的数据是否丢失,z表示传感器的观测向量，O为中间矩阵；

(4.6)给出中间矩阵M的黎卡提Riccati方程，得到中间矩阵M(1)；中间矩阵M满足如下黎卡提Riccati方程：因此得到中间矩阵M(1)：

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，γ表示预设的H∞参数，上标"‑

1"表示矩阵的逆，上标"T"表示矩阵的转置,上标"2"表示参数的平方，I表示一定维度的单位矩阵，L0表示传感器的F滤波器增益，H表示传感器的观测矩阵，μ表示Φ的数学期望，Φ表示传感器的观测值z的数据是否丢失,z表示传感器的观测向量，D1表示传感器的不确定性扰动信号的观测矩阵，B1表示不确定性扰动信号ω1的输入矩阵， 和M均为中间矩阵，u和w均是包含M的中间矩阵；

(4.7)在满足给定误差的情况下，迭代求解出中间矩阵O和中间矩阵M；重复步骤(4.5)(4.6)；

若k＝T时刻时，矩阵O(T)和矩阵O(T‑1)差值的二范数小于给定误差，得到：O＝O(T)＝O(T‑1) (15)

同样，若k＝T时刻时，矩阵M(T)和矩阵M(T‑1)差值的二范数小于给定误差，得到：M＝M(T)＝M(T‑1) (16)

其中,O和M均为中间矩阵；

(4.8)代入中间矩阵O和中间矩阵M，求解出滤波器F和Q的增益矩阵L0和L1；将中间矩阵O和中间矩阵M分别代入式(8)和式(9)得到级联鲁棒最优滤波器F和Q的增益矩阵L0和L1；

5)、代入上述滤波器的增益，得到实时估计值，实现对移动机器人的实时位置跟踪；将步骤(4.8)得到的增益矩阵L0和L1代入到级联鲁棒最优滤波器F式(4)和Q式(5)中，得到移动机器人位置的实时估计值，实现对移动机器人的跟踪。