基于集员估计的光电系统目标状态预测方法研究

在光电跟踪系统目标状态估计过程中,噪声统计特性不确定是导致滤波精度下降的主要原因之一。针对该问题,研究了一种基于扩展集员估计的目标状态估计方法,并与扩展卡尔曼滤波算法做了比较。结果表明,在保证滤波精度前提下,基于噪声特性未知但能量有界(Unknown but Bounded-UBB)假设的扩展集员估计方法能有效克服噪声统计特性不确定造成的影响,具有较强的工程实用性。     

基于UBB噪声的高动态GPS载波跟踪算法研究

GPS接收机在高动态情况下,载波信号受到不同类型复杂噪声的干扰,且很难获得这些噪声的统计特性,而传统方法对噪声的处理都是假定其统计特性已知,因此,本文提出了一种基于集员滤波(SMF)的解决方案。该方法首先将噪声定义成一类未知但有界(UBB)噪声,然后利用椭球包含UBB噪声集合及状态集合,进而采用集员滤波的方法实现了载波信号的多普勒频率估计,最后通过Matlab仿真验证该算法的有效性,并与传统方法进行比较。较传递函数设计的PLL设计方法,提高了环路的动态适应性和精度;较Kalman滤波方法,提高了环路的鲁棒性和快速性。集员滤波为GPS接收机载波跟踪环路的设计提供了新的思路。     

采用随机矩阵的多扩展目标滤波器

针对杂波环境下多扩展目标的运动状态和形状信息的联合估计跟踪的问题,提出了一种基于随机矩阵的扩展目标跟踪算法。该算法采用具有噪声基于密度的空间聚类(DBSCAN)划分与预测划分相结合的联合划分算法对量测集进行划分,然后采用联合概率数据关联(JPDA)的软关联思想建立量测簇与扩展目标之间的对应关系,最后采用随机矩阵法对扩展目标进行估计获得运动状态和形状信息,特点是:将量测集划分为互不相交的几个簇,以使每个簇中的量测源于同一目标或杂波;建立量测簇与扩展目标之间的关联关系及状态更新。联合划分算法与DBSCAN划分的比较仿真实验表明,在有距离相近目标时采用联合划分算法比采用DBSCAN划分的滤波器的跟踪效果好得多。所提多扩展目标滤波器与ET-GMPDH滤波器的仿真实验表明,所提算法有较高的跟踪精度、较大的检测概率及较小的虚警概率。     

基于集员滤波的移动机器人动态环境建模

针对移动机器人动态环境建模中动态的障碍物/目标跟踪定位问题,提出了一种采用集员滤波框架来解决动态障碍物/目标跟踪的方法.与传统的概率估计方法相比,该方法无需噪声的概率先验假设,仅要求噪声未知但有界,从而保证了方法的普遍性和实用性,且能够获得动态目标的状态或参数的不确定性偏差边界,有利于与后继路径规划和运动控制的结合,以...     

基于扩展集员估计的气体源定位方法

提出一种基于扩展集员滤波框架的室内气体源分布式定位方法。相对于基于随机模型的统计估计方法(扩展卡尔曼滤波和无迹卡尔曼滤波),此方法只需要知道未知噪声的边界,不考虑噪声的随机性。利用静态湍流模型迭代计算定位误差边界,将位置状态真实值有效地包含在估计范围内,从而能达到的定位可信度。同时引入最小二乘法进行初步定位,以克服扩展集员滤波的初始点选取问题。最后通过基于无线电子鼻的室内定位仿真实验,证明算法的可行性和有效性。     

一种基于鲁棒性的计算机视觉目标跟踪算法

为解决由于大面积遮挡引起的观测模型噪声协方差增大、滤波精度和稳定性降低的问题,提出了一种有效的鲁棒遮挡视频目标跟踪方法.首先,提出了一种适应于噪声统计特性未知的无迹扩展H_∞滤波方法,将UT变换引入到适用于噪声统计特性未知的扩展H_∞滤波中取代复杂的雅克比矩阵计算,并采用生成的无迹扩展H_∞滤波优化重要性概率密度函数;然后,将遮挡引起的目标模型的变化看作是观测噪声统计特性的变化,在PF的框架内建立目标状态估计与噪声统计特性之间的关系,将粒子预测值和基于当前观测信息的估计值进行权重求和处理,通过状态和观测模型的噪声协方差自适应调整权值大小来克服遮挡情况下目标观测信息的失效问题.最后,给出了具体实现步骤.实验结果表明,该方法具有较好的跟踪精度和稳定性,即使在大面积遮挡情况下,对粒子的更新概率仍然保持在90%左右.     

基于椭圆RHM的扩展目标伯努利滤波算法

针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(RHM)的扩展目标伯努利滤波算法.首先采用RHM对目标量测源建模,然后在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计,最后引入Gamma分布以提高量测率估计的准确性.为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数.仿真结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于单目标伯努利滤波算法.     

椭球状态定界的数值稳定算法

针对带有未知但有界噪声的线性离散时间系统，提出了一种数值稳定的集员状态估计递推算法．算法采用椭球集合来描述状态的不确定性和噪声的界限．椭球形状矩阵的计算采用奇异值分解技术，以提高算法的数值稳定性．同时，给出了包含时间更新椭球和在状态空间中与量测量和量测噪声相一致的椭球交集的次最小容积椭球的计算方法，以避免受病态矩阵求逆的影响．蒙特卡洛仿真结果表明，数值稳定算法所得到的均方误差和椭球容积与最优算法得到的十分接近．此外，当存在舍入误差时，数值稳定算法可以保证形状矩阵的正定性，而最优算法有时难以保证，说明该算法比最优算法具有更好的数值稳定性．     

非均匀分布量测下的扩展目标跟踪方法

针对雷达方位角变化导致散射源统计特性改变的问题,提出了一种非均匀分布量测下的扩展目标跟踪方法。算法通过轮廓质心法和接受-拒绝采样法产生伪量测,并构建了分层无迹卡尔曼滤波器(Hierarchical Unscented Kalman Filter,HUKF)来计算运动状态和形状参数的后验概率。实验结果表明,相比于传统的无迹卡尔曼滤波方法,该方法对星凸扩展目标有着更好的跟踪性能。。     

利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分

针对杂波环境下多扩展目标高斯混合概率假设密度(ET-GMPHD)量测集划分难、计算量大的问题,提出了一种新的基于网格密度分布和谱聚类的扩展目标量测集划分方法。利用动态网格生成技术来获得量测集的网格密度分布;在获得网格划分后,将全部量测数据映射到网格单元中并统计网格单元的密度,且采用双密度阀值法来滤除量测集中的杂波;在谱聚类算法中利用密度敏感距离测度对去除杂波后的量测集构造相似矩阵,继而变换得到拉普拉斯矩阵;利用k-均值聚类算法对拉普拉斯矩阵的特征向量进行聚类划分。采用网格密度划分法滤除量测集中的杂波,使划分子集尽可能多地包含真实量测,增加划分子集与量测集合的近似度,从而在减少计算量的同时保证算法的跟踪性能损失不大。仿真实验表明,与典型的量测集划分算法相比,所提方法在跟踪误差损失约5%的前提下,计算效率提高了38%以上,具有更好的性能。     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

Cubature Kalman probability hypothesis density filter based on multi-sensor consistency fusion①

The GM-PHD framework as recursion realization of PHD filter is extensively applied to multi-target tracking system .A new idea of improving the estimation precision of time-varying multi-target in non-linear system is proposed due to the advantage of computation efficiency in this paper .First, a novel cubature Kalman probability hypothesis density filter is designed for single sensor measure -ment system under the Gaussian mixture framework .Second , the consistency fusion strategy for multi-sensor measurement is proposed through constructing consistency matrix .Furthermore, to take the advantage of consistency fusion strategy , fused measurement is introduced in the update step of cubature Kalman probability hypothesis density filter to replace the single-sensor measurement .Then a cubature Kalman probability hypothesis density filter based on multi-sensor consistency fusion is proposed .Capabilily of the proposed algorithm is illustrated through simulation scenario of multi-sen-sor multi-target tracking .     

基于噪声预测的二维卡尔曼跟踪算法在经纬仪航迹测量中的研究

针对卡尔曼滤波涉及到过程噪声协方差矩阵Q和量测噪声协方差矩阵R,实际情况中,Q和R未知或仅知道近似值,在最优滤波器的性能因素中需要考虑到Q和R的误差因素,大多数算法能够很好的辨识R,但在辨识Q时遇到了困难问题。为了能够更精确的获得输出矢量,提出了一种估计Q和R的方法,并对该方法的可靠性进行了实验仿真。同时采用扩展卡尔曼算法对输出的A、E和R进行预测和扩展,然后进行数据处理获得飞行器空间轨迹坐标,最后对计算的结果和文献对比。理论分析和实验仿真表明,算法能够获得更高的跟踪精度和更高的测量精度,验证了其有效性和可靠性。     

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。