基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。     

元启发式数据关联的多目标跟踪方法

提出了一种元启发式数据关联的多目标跟踪方法。首先,该方法根据跟踪门逻辑确定目标的有效量测。然后,利用滤波信息的似然函数描述量测点与目标之间的关联关系,并建立约束条件下多目标数据关联模型。最后,对蚁群优化算法进行改进设计,引入量测剔除策略,将求解问题转化为无约束的组合优化形式,从而利用蚁群优化算法在离散空间的启发式机制搜索量测与目标的最佳关联。仿真结果表明,该方法可以有效实现多目标数据关联且计算量较小,具有一定的工程实用价值。     

基于信息融合的机动多目标单站无源跟踪关键技术研究

跟踪起始与数据关联是机动多目标单站无源跟踪的关键技术。提出了一种基于目标多特征信息融合的自适应跟踪起始算法，通过构造多维动态可变的跟踪门，进行自适应跟踪起始检测，然后根据序列概率比检验准则进行轨迹确认。同时提出了一种基于多目标多特征信息融合的数据关联算法，首先通过定义多个特征数据关联度，将单个有效观测的多特征信息进行融合，再对多目标进行综合数据关联。计算机仿真表明，该跟踪起始算法能够快速有效地进行航迹起始，数据关联算法的性能要优于传统的最近邻（NN）方法。     

速度信息辅助雷达目标数据关联方法研究

多目标数据关联时,联合概率数据互联(JPDA)算法是最常用的方法之一,与最优的贝耶斯算法需要对当前时刻以前的所有确认量测集合进行研究相比,其只对最新的确认量测集合进行研究,因此是次优的贝叶斯算法。为进一步提高JPDA算法的性能,基于最优贝叶斯算法的理论,将包含目标历史信息的速度信息引入JP-DA算法过程中,增加了近距离平行运动目标的正确关联次数,并提高交叉运动目标关联精度。     

密集杂波环境下的快速数据关联算法

联合概率数据关联(JointProbabilisticDataAssociation,JPDA)是密集杂波环境下跟踪多目标最有效的算法之一。但当目标数目和有效量测数增大时,关联概率的计算出现组合爆炸现象一直是工程应用的瓶颈。基于JPDA算法的思想,提出了一种快速数据关联算法,该方法首先根据被跟踪目标相关门的相交情况将监视区域分成相互独立的空间,对同一空间内具有公共量测的目标和各目标相关门内的多个量测的概率密度值分别进行概率加权后再计算关联概率。不需要象最优JPDA算法中产生所有可能的联合事件,因此具有计算量小,易于工程实现的优点。仿真结果表明,在不同的杂波密度环境下和不同的目标运动形式下,此算法都可以取得令人满意的跟踪效果。     

基于FCM的多传感器融合多目标跟踪的数据关联

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提。本文采用改进的模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪。仿真实验结果说明了本文方法的有效性。     

基于群目标的多目标关联算法研究

针对群目标跟踪数据关联的特点以及多目标跟踪数据关联经典的联合概率数据关联算法存在的计算量大与假设条件苛刻等问题,提出了基于群目标的多目标概率数据关联算法GJPDA（Group-target joint probability data association）。该算法首先把跟踪空间内的所有回波看作一个群,跟踪空间中任一关联门内的所有回波看作一个子群,通过关联门是否交叉、多少回波位于关联门交叉区内的判别及其相对于不同关联中心概率的计算,确定交叉区域内回波的归属。以每一个关联门内所有回波的等效回波为量测实现多群目标跟踪。仿真结果表明了该算法的有效性。     

未知环境中FastSLAM算法的数据关联问题

讨论FastSLAM算法(FastSLAM-对SLAM进行因式分解的一种快速算法)在未知环境中的数据关联问题.在标准的FastSLAM算法中,通常假设数据关联是已知的.然而现实情况中,数据关联往往是未知的.采用一种基于单个粒子的最大似然数据关联和环境否定信息相结合的方法来解决未知环境中的数据关联问题.仿真结果表明,新的数据关联方法提高了移动机器人在未知环境中自身定位和地图创建的精度.     

基于证据理论的数据关联算法

数据关联技术是多传感器目标跟踪系统中最核心而且也是最重要的部分。由于缺乏跟踪环境的先验知识以及受传感器自身性能的制约,整个量测过程不可避免地引入量测误差,密集环境中的目标跟踪比较困难。针对这个问题,提出的新算法利用概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

基于广义似然比检验和二维分配的多目标跟踪方法

针对杂波环境下多目标跟踪形成问题,提出一种多目标跟踪方法,采用二维分配算法解决“量测-航迹”关联问题,采用广义似然函数比检验(generalize likelihood ratio test,GLRT)规则对航迹的真假作出判决,并且充分利用信号的强度信息来提高算法的可靠性和有效性。仿真分析表明,该方法能够有效地解决噪声环境下目标的航迹起始、确认、删除和维持问题,给出的递推形式可以满足实时计算的要求。     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题, 提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下, 设计了一种基于测量平面的数据关联指标函数, 实现量测值的分配; 在此基础上采用变结构滤波框架对多弹道目标进行状态更新; 最后给出了多目标状态估计性能的评估指标。数值仿真实验证明, 所提算法可以有效地实现多目标在测量平面上的数据关联, 并以较少的计算量对多目标进行准确估计。     

基于信息熵权的最近邻域数据关联算法

复杂环境下雷达数据关联算法是多目标跟踪领域研究的重难点问题之一。其中,最近邻域算法虽然是一种计算量小、工程易应用的有效数据关联算法,但是存在数据关联正确率不高,滤波结果不够精确和多目标跟踪时易产生错误关联的问题。为改善该算法的数据关联效果,提出了一种最近邻域数据关联算法,通过进一步深度挖掘已知量测信息的熵,按照熵权法分析并确定各自量测指标的权值,再利用权值对最近邻域算法的统计距离关联准则进行优化,从而改善原算法在单目标跟踪中存在的问题。通过仿真实验结果分析得出,该算法相比于原算法具有更高的数据关联正确率、更小的跟踪误差和更快的收敛效果。     

多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

Modified joint probabilistic data association with classification-aided for multitarget tracking

Joint probabilistic data association is an effective method for tracking multiple targets in clutter, but only the target kinematic information is used in measure-to-track association. If the kinematic likelihoods are similar for different closely spaced targets, there is ambiguity in using the kinematic information alone; the correct association probability will decrease in conventional joint probabilistic data association algorithm and track coalescence will occur easily. A modified algorithm of joint probabilistic data association with classification-aided is presented, which avoids track coalescence when tracking multiple neighboring targets. Firstly, an identification matrix is defined, which is used to simplify validation matrix to decrease computational complexity. Then, target class information is integrated into the data association process. Performance comparisons with and without the use of class information in JPDA are presented on multiple closely spaced maneuvering targets tracking problem. Simulation results quantify the benefits of classification-aided JPDA for improved multiple targets tracking, especially in the presence of association uncertainty in the kinematic measurement and target maneuvering. Simulation results indicate that the algorithm is valid.