基于双马尔可夫链的概率假设密度滤波器

隐式马尔可夫链(hidden Markov chain,HMC)是传统多目标跟踪的理论基础。在分析了HMC模型的局限性基础上,介绍了更具普适性的双马尔可夫链(pairwise Markov chain,PMC)模型,对基于PMC模型的概率假设密度(PMC-probability hypothesis density,PMC-PHD)滤波算法进行了推导,并对其高斯混合(Gauss-mixture,GM)实现进行了改进,利用椭圆波门给每一个高斯分量建立一个对应的缩减量测集合来对其进行更新。仿真实验证明在杂波密度较大的场景中,PMC-PHD滤波器GM实现的改进在不影响跟踪精度的情况下运行时间缩短为原来的三分之一;仿真实验还证明在HMC模型场景下PMC-PHD滤波器针对邻近目标的跟踪性能要优于HMC-PHD滤波器。     

基于幅度信息的标签多伯努利滤波算法

杂波环境下,现有多目标跟踪滤波器会出现性能衰减。对此,提出了基于幅度信息(amplitude information,AI)的广义标签多伯努利(generalized labeled multi-Bernoulli,GLMB)滤波算法(AI-GLMB)。通常杂波幅度低于目标回波幅度,通过引入幅度信息对目标状态进行扩展,建立幅度似然函数,推导新的更新方程,并给出了算法的序贯蒙特卡罗实现方法。仿真结果表明,AI-GLMB算法能有效适应高杂波环境,同幅度信息辅助的概率假设密度滤波算法、幅度信息势平衡多伯努利滤波算法及传统GLMB滤波算法相比,其跟踪精度更高。     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

基于VB近似的自适应δ-GLMB滤波算法

目前,基于δ-扩展标签多伯努利(δ-generalized labeled multi-Bernoulli, δ-GLMB)滤波器的多目标跟踪方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对上述问题,提出一种基于变分贝叶斯(variational Bayesian, VB)近似的自适应δ-GLMB滤波算法。该算法以δ-GLMB滤波器为基础,利用逆威沙特和高斯乘积混合分布近似量测噪声协方差和多目标状态联合后验分布,通过VB近似技术推导滤波迭代。仿真结果表明,所提算法对于线性未知量测噪声协方差场景具有很强的多目标跟踪鲁棒性,在有效估计量测噪声协方差的同时实现准确的目标数和目标状态估计。     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

基于修正贝努利滤波的被动多目标跟踪算法

针对势平衡多目标多贝努利(cardinality balanced multi target multi Bernoulli, CBMeMBer）滤波中的量测信息弱化问题,提出一种改进的多目标多贝努利（improved multi target multi Bernoulli, IMeMBer）滤波。该算法通过对漏检目标的多贝努利随机集进行修正,在解决目标数过估问题的同时,避免了CBMeMBer滤波中的量测信息弱化问题。在此基础上,将高斯粒子滤波引入IMeMBer算法中,通过一组高斯粒子近似多贝努利随机集中元素的概率分布,实现被动测角情况下的多目标跟踪。仿真结果表明,所提算法能够以较小的运算代价达到高斯混合粒子劳势估计的概率假设密度滤波相似的跟踪精度,具有良好的工程应用前景。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

改进的SRCDKF-PF算法及在BOT系统中的应用

针对纯方位目标跟踪(Bearing-Only Tracking, BOT)系统强非线性特点,提出一种新的解决方案:采用平方根中心差分卡尔曼滤波器(Square-Root CDKF, SRCDKF)产生粒子滤波提议分布,融入最新的观测数据影响;增加改进措施以提高滤波性能,如采用系统重抽样算法减少方差、应用马尔可夫链模特卡罗(Markov chain Monte Carlo ,MCMC)方法消除粒子贫乏等.仿真表明该算法是有效的,针对当前BOT系统,比传统EKF、PF算法可靠性更好,跟踪精度更高.     

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器.滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可...     

多模型标签多伯努利机动目标跟踪算法

针对标准标签多伯努利(labeled-multi-Bernoulli, LMB)算法只考虑了单个运动模型的问题,提出了一种适用于跳转马尔科夫系统的多模型标签多伯努利(multiple model-LMB, MM-LMB)算法。首先对目标状态进行扩展,将多模型思想引入LMB算法得到了新的预测和更新方程,并给出了算法的序贯蒙特卡罗实现。仿真实验表明,MM-LMB算法能对多机动目标进行有效跟踪,在复杂探测环境下跟踪精度优于多模型概率假设密度(multiple model probability hypothesis density, MM-PHD)算法和多模型势平衡多目标多伯努利(multiple model cardinality balanced multi-target multi-Bernoulli, MM-CBMeMBer)算法;所提算法计算量当目标相距较远时低于MM-PHD和MM-CBMeMBer,目标聚集时增长速度快于对比算法。     

Bayesian target tracking based on particle filter

1 .INTRODUCTIONIn many fields including target tracking, robotics ,signal processing, ti me-series analysis , etc , theKal manfilter is one of the most widely used methodsfor esti mationinlinear Gaussiansystemand measure-ment models . However , the application of theKal man filter to nonlinear systems can be difficult .Most common approach is to use the extendedKal manfilter (EKF) .EKFsi mplylinearizes all non-linear models by using Taylor series expansions andcan, however , lead to p…     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

Target tracking in glint noise using a MCMC particle filter

1.INTRODUCTION Insomeradarapplications[1～8],themeasurement noiseusuallyderivatesfromtheGaussianassumption.Forexample,complextargetsmightcauseirregular electromagneticwavereflection.Thisphenomenon variesthetargetcenterinaradarandgivesriseto outliersinangletracking,knownas“target glint”[1].Theglintnoisehasalong taileddistribu tionandcanseverelydegradetheKalmanfilterper formance[2～4].Filteringinnon Gaussianenviron mentshasbeenstudiedbymanyresearchers.Masre liez[5]usesascorefunctionbase…     

高斯和粒子滤波器及其在被动跟踪中的应用

为提高被动跟踪性能,提出了一种高斯和粒子滤波方法。在建立目标被动跟踪模型的基础上,使用高斯和滤波(GSF)近似目标状态的后验密度,利用粒子滤波方法处理GSF中的均值和方差计算问题,推导了高斯和粒子滤波器(GSPF)应用的具体算法步骤,使用机动目标被动跟踪仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和RMSE误差。仿真结果表明,对于机动目标被动跟踪问题,GSPF不仅具有较高的跟踪精度,而且与一般粒子滤波器相比,GSPF具有较好的跟踪稳定性和较低的计算量。     

面向目标跟踪的单平台主被动传感器长期调度

以目标跟踪为背景,研究了单平台上主被动传感器的长期调度问题。通过合理、实时地切换主被动传感器,使得有限时域内的跟踪精度和辐射风险达到合理的平衡。将该调度问题构建成部分可观马氏决策过程(partially observable Markov decision process, POMDP)以同步实现目标跟踪和辐射控制。提出以容积采样法估算长期精度收益,以隐马氏模型滤波器推导长期辐射代价。最终将原问题转化成决策树并利用分枝定界法进行求解。仿真结果证明了本方法的有效性。     

闪烁噪声下的改进粒子滤波跟踪算法

在实际雷达目标跟踪系统中,雷达量测常受到闪烁噪声干扰,传统的滤波算法在闪烁噪声下,滤波性能急剧下降甚至发散。提出了一种改进的粒子滤波(particle filter, PF)算法,按照高斯牛顿迭代方法对迭代扩展卡尔曼滤波(iterated extended Kalman filter, IEKF)中的测量更新进行修正,利用修正的IEKF来产生PF的重要性密度函数。进一步,采用马尔科夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)方法来消除重采样引起的粒子贫化问题。在给出的闪烁噪声统计模型基础上,将所提算法与PF及MCMCPF算法进行了仿真比较,结果表明该算法具有更好的跟踪性能。     

基于标签随机有限集滤波器的多扩展目标跟踪算法

针对现有随机有限集(random finite set, RFS)扩展目标滤波器不能输出航迹的问题,提出了基于标签RFS滤波器的多扩展目标跟踪算法。该算法首先采用随机超曲面模型将目标建模为星-凸扩展形态,然后利用标签策略表征集合中的离散元素,结合基于延迟逻辑的多假设跟踪理论,采用N 次回扫策略对多帧量测进行平滑处理。仿真实验结果表明,该算法可以在目标跟踪过程中形成完整航迹并对目标扩展形态进行有效估计,特别是在低信噪比探测场景中,所提算法跟踪精度明显优于传统RFS滤波算法,进一步提高了滤波器的稳定性和有效性。     

空基无源相干定位系统的机动目标跟踪算法

针对空基无源相干定位系统中外辐射源状态不确定性对机动目标跟踪精度的影响, 提出了一种基于多模型预测的双变量容积卡尔曼滤波算法。首先建立了机动目标跟踪的系统模型, 并确定了多模型集。然后基于多模型思想, 将模型交互步骤增加到状态预测步骤之后, 对状态预测值进行交互融合, 得到最优的状态预测值。为解决固定的马尔可夫转移概率导致系统跟踪性能下降的问题, 采用“感知记忆”嵌入的时变转移概率, 降低不匹配模型的竞争影响; 最后利用双变量容积卡尔曼滤波算法同时对目标和外辐射源进行状态估计。仿真对比实验验证了算法的有效性。