多模型广义标签多伯努利滤波器

标准广义标签多伯努利算法没有对目标状态转移密度进行深入分析, 在带入确定运动模型的情况下无法对机动目标进行跟踪。针对这个问题, 参考基于马尔可夫跳变分支合并策略的多模型算法, 提出了交互多模型广义标签多伯努利算法、一阶广义伪贝叶斯广义标签多伯努利算法, 以及二阶广义伪贝叶斯广义标签多伯努利算法, 并将这三种多模型算法与同样针对机动多目标的马尔可夫跳变系统广义标签多伯努利算法进行比较。仿真结果表明, 与马尔可夫跳变系统广义标签多伯努利算法相比, 所提三种算法具有更低的计算时间消耗和更高的跟踪精度。其中, 一阶广义伪贝叶斯广义标签多伯努利算法计算时间消耗最低, 二阶广义伪贝叶斯广义标签多伯努利算法跟踪精度最高, 交互多模型广义标签多伯努利算法综合性能最好。     

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,可以实现不同航迹组之间并行滤波。另外,为了处理机动目标场景引入交互多模型,给出基于交互多模型的分组滤波递推方程。仿真结果表明,所提出的滤波器跟踪精度更高,计算速度更快,可以用于跟踪多个机动目标的场景。