EKF交互多模型算法在目标跟踪的应用
发布时间：2020-12-14 17:18
针对移动目标跟踪过程中,传感器感知信息存在噪声以及运动轨迹突变导致目标观测失真甚至丢失的问题,提出了一种扩展卡尔曼滤波交互多模型算法（EKF-IMM）。该算法以交互多模型算法为主体,同时融入EKF算法做滤波处理,使得在目标跟踪过程中,不仅对目标的不同运动状态具有自适应能力,同时还能对运动状态中可能的非线性问题做更好的处理,提高算法的鲁棒性。仿真实验表明,EKF-IMM算法能很好得适应多变的目标运动,与标准KF-IMM算法相比,该算法降低了噪声对传感器的干扰,提高了定位精度。
【文章来源】：机械设计与制造. 2020年02期 北大核心
【文章页数】：4 页
【图文】：
EKF-IMM算法流程图
根据问题的描述，建立三个采样模型：非机动模型、机动模型1、机动模型2。分别对应三种运动：匀速运动、慢加速度运动、快加速度运动。假定非机动模型噪声为0，机动模型1的噪声为Q=0.01I，机动模型2的噪声为Q=0.07I。控制模型转换的马尔可夫链P=[0.95 0.025 0.025;0.025 0.95 0.025;0.025 0.025 0.95]，观测矩阵，初始模型概率u=[0.8,0.1,0.1]。在机动情况下，EKF-IMM算法与KF-IMM算法对被测目标跟踪的运动曲线，如图2所示。图中显示了两种算法都能以真实轨迹为中心进行波动，模拟了噪声对目标跟踪的影响，从图上可以看出，不加入滤波算法的情况下，误差比较大，跟踪精度很低，EKF-IMM算法和KF-IMM算法都可以对目标进行跟踪，证明了算法不仅在理论上能很好的对目标进行跟踪，而且具有实际的可行性。运动曲线的局部放大图，如图3所示。对于EKF-IMM算法和KF-IMM以及不加滤波处理进行了比较，图中可看出不加滤波时，跟踪精度很低。对EKF-IMM算法和KF-IMM算法进行对比可知，EKF-IMM算法对于噪声的滤波作用具有更好的效果。
在机动情况下，EKF-IMM算法与KF-IMM算法对被测目标跟踪的运动曲线，如图2所示。图中显示了两种算法都能以真实轨迹为中心进行波动，模拟了噪声对目标跟踪的影响，从图上可以看出，不加入滤波算法的情况下，误差比较大，跟踪精度很低，EKF-IMM算法和KF-IMM算法都可以对目标进行跟踪，证明了算法不仅在理论上能很好的对目标进行跟踪，而且具有实际的可行性。运动曲线的局部放大图，如图3所示。对于EKF-IMM算法和KF-IMM以及不加滤波处理进行了比较，图中可看出不加滤波时，跟踪精度很低。对EKF-IMM算法和KF-IMM算法进行对比可知，EKF-IMM算法对于噪声的滤波作用具有更好的效果。EKF-IMM算法和KF-IMM算法在横坐标的误差，如图4所示。从图上可以看出，在进行转弯运动时，误差均值会有一些波动，但是波动都不是很大，并且当运动稳定后，误差均值又都会回到零点附近进行波动，不会出现发散的情况。
【参考文献】：
期刊论文
[1]卡尔曼滤波在机载监视系统中的应用研究[J]. 王丽博,商建东. 机械设计与制造. 2011(09)
[2]一种噪声背景下的雷达目标识别方法[J]. 吴杰,周建江,朱劼昊. 系统工程与电子技术. 2010(07)
[3]基于Kalman滤波的目标轨迹预测[J]. 谭菊. 重庆文理学院学报(自然科学版). 2009(05)
[4]一种模糊自适应交互多模型算法[J]. 申斌,董朝阳,陈宇,王青. 系统仿真学报. 2005(10)
博士论文
[1]无线传感器网络中定位跟踪技术的研究[D]. 匡兴红.上海交通大学 2008
硕士论文
[1]交互多模型目标跟踪算法的研究[D]. 胡炜.东北大学 2010
本文编号：2916718
【文章来源】：机械设计与制造. 2020年02期 北大核心
【文章页数】：4 页
【图文】：
EKF-IMM算法流程图
根据问题的描述，建立三个采样模型：非机动模型、机动模型1、机动模型2。分别对应三种运动：匀速运动、慢加速度运动、快加速度运动。假定非机动模型噪声为0，机动模型1的噪声为Q=0.01I，机动模型2的噪声为Q=0.07I。控制模型转换的马尔可夫链P=[0.95 0.025 0.025;0.025 0.95 0.025;0.025 0.025 0.95]，观测矩阵，初始模型概率u=[0.8,0.1,0.1]。在机动情况下，EKF-IMM算法与KF-IMM算法对被测目标跟踪的运动曲线，如图2所示。图中显示了两种算法都能以真实轨迹为中心进行波动，模拟了噪声对目标跟踪的影响，从图上可以看出，不加入滤波算法的情况下，误差比较大，跟踪精度很低，EKF-IMM算法和KF-IMM算法都可以对目标进行跟踪，证明了算法不仅在理论上能很好的对目标进行跟踪，而且具有实际的可行性。运动曲线的局部放大图，如图3所示。对于EKF-IMM算法和KF-IMM以及不加滤波处理进行了比较，图中可看出不加滤波时，跟踪精度很低。对EKF-IMM算法和KF-IMM算法进行对比可知，EKF-IMM算法对于噪声的滤波作用具有更好的效果。
在机动情况下，EKF-IMM算法与KF-IMM算法对被测目标跟踪的运动曲线，如图2所示。图中显示了两种算法都能以真实轨迹为中心进行波动，模拟了噪声对目标跟踪的影响，从图上可以看出，不加入滤波算法的情况下，误差比较大，跟踪精度很低，EKF-IMM算法和KF-IMM算法都可以对目标进行跟踪，证明了算法不仅在理论上能很好的对目标进行跟踪，而且具有实际的可行性。运动曲线的局部放大图，如图3所示。对于EKF-IMM算法和KF-IMM以及不加滤波处理进行了比较，图中可看出不加滤波时，跟踪精度很低。对EKF-IMM算法和KF-IMM算法进行对比可知，EKF-IMM算法对于噪声的滤波作用具有更好的效果。EKF-IMM算法和KF-IMM算法在横坐标的误差，如图4所示。从图上可以看出，在进行转弯运动时，误差均值会有一些波动，但是波动都不是很大，并且当运动稳定后，误差均值又都会回到零点附近进行波动，不会出现发散的情况。
【参考文献】：
期刊论文
[1]卡尔曼滤波在机载监视系统中的应用研究[J]. 王丽博,商建东. 机械设计与制造. 2011(09)
[2]一种噪声背景下的雷达目标识别方法[J]. 吴杰,周建江,朱劼昊. 系统工程与电子技术. 2010(07)
[3]基于Kalman滤波的目标轨迹预测[J]. 谭菊. 重庆文理学院学报(自然科学版). 2009(05)
[4]一种模糊自适应交互多模型算法[J]. 申斌,董朝阳,陈宇,王青. 系统仿真学报. 2005(10)
博士论文
[1]无线传感器网络中定位跟踪技术的研究[D]. 匡兴红.上海交通大学 2008
硕士论文
[1]交互多模型目标跟踪算法的研究[D]. 胡炜.东北大学 2010
本文编号：2916718
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2916718.html
