基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

发布时间：2021-02-09 13:09

　　在非线性高杂波密度场景下,高斯混合（Gaussian Mixture,GM）实现的δ-广义标签多伯努利滤波器（δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB）难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波（Square-rooted Cubature Kalman Filter,SCKF）的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波（Extended Kalman Filter,EKF）高斯混合实现及无迹卡尔曼滤波（Unscented Kalman Filter,UKF）高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。 

【文章来源】：计算机应用与软件. 2020,37(04)北大核心

【文章页数】：7 页

【部分图文】：

本文算法总体框图

表1 6个机动目标的初始状态及出现消亡时间 目标 目标1 目标2 目标3 目标4 目标5 目标6 X轴/m 1 003.9 -255.8 -1 507.4 -1 500 246.2 -257.4 X轴速度/(m·s-1) -10 20 11 43 -12 -12 Y轴/m 1 488.3 1 011.4 256.7 250 739 993.8 Y轴速度/(m·s-1) -10 3 10 0 5 -12 角速度/(rad·s-1) π/720 -π/270 -π/180 0 π/360 π/180 出现时刻/s 1 10 10 10 20 40 消亡时刻/s 100 100 100 66 80 100本文在非线性模型系统下参考文献[15-16]中的目标运动模型、转弯模型CT,其状态转移方程为:

图3为本文所提算法在杂波密度为λ=1.5×10-6 m-2时的目标滤波结果图,x轴和y轴分别为二维坐标平面内的x位置和y位置。本文算法在x轴和y轴方向上对机动目标的跟踪效果如图4所示,从图中可得知各目标出现和消亡的时间及运动状态。图3、图4中滤波结果与目标真实轨迹几乎重合,因此本文算法能够准确地估计目标的运动轨迹,对目标进行准确跟踪。图4 本文算法对目标状态估计图

【参考文献】：
期刊论文
[1]δ-广义标记多伯努利滤波器的非线性应用扩展[J]. 侯利明,连峰,王伟.  西安交通大学学报. 2019(06)
[2]基于箱粒子滤波的混合标签多伯努利跟踪算法[J]. 冯新喜,迟珞珈,王泉,苗露.  控制与决策. 2020(02)
[3]杂波未知条件下基于箱粒子滤波的CBMeMBer算法[J]. 董青,胡建旺,吉兵,张浩.  探测与控制学报. 2018(04)
[4]基于改进的IMM-UKF高超声速目标跟踪算法[J]. 肖楚晗,李炯,雷虎民,李世杰.  探测与控制学报. 2018(03)
[5]箱粒子广义标签多伯努利滤波的目标跟踪算法[J]. 苗雨,宋骊平,姬红兵.  西安交通大学学报. 2017(10)
[6]基于UKF和优化组合策略的改进粒子滤波算法[J]. 张昆,陶建锋,贺思三.  计算机工程与科学. 2017(08)
[7]基于箱粒子的ET-CBMeMBer滤波算法[J]. 刘艳君,刘祖鹏.  电光与控制. 2017(08)
[8]未知杂波状态下基于箱粒子滤波的PHD算法[J]. 魏帅,冯新喜,王泉.  探测与控制学报. 2017(02)
[9]基于自适应EKF滤波算法的汽包水位估计方法[J]. 陈锐民,张曦,张卫东.  控制工程. 2017(02)
[10]一种改进的多伯努利多目标跟踪算法[J]. 王海环,王俊.  西安电子科技大学学报. 2016(06)

硕士论文
[1]基于箱粒子滤波的MeMBer扩展目标跟踪算法研究[D]. 李鹏涛.西安电子科技大学 2016



本文编号：3025680