基于群结构集成势均衡多目标多伯努利滤波器的群目标跟踪算法

群目标跟踪已被广泛应用于作战对抗、自动驾驶、低空防御等各个军民领域。群目标是指由多个单目标组成,并以相同的速度或方向进行移动的一组或多组目标集群。鉴于随机有限集(Random Finite Set,RFS)滤波器在处理多目标数据关联方面的优势,现有的群目标跟踪算法大多基于RFS滤波器。然而,这些滤波器在对群目标进行跟踪时大多忽略了各目标之间的关联、依赖关系等问题,为此,提出了一种基于群结构集成的势均衡多目标多伯努利(Cardinality Balanced Multi-target Multi-Bernoulli,CBMeMBer)滤波器的群目标跟踪算法。具体而言,首先通过邻接矩阵对目标群结构进行估计,即将群目标看作无向图,利用各目标之间的距离来估计群目标的邻接矩阵,进而将群目标划分为多个子群。并根据各子群中目标的运动状态,将其划分为群中心和群成员两种类别,分别建立了运动方程。而后在预测步骤中,利用估计的群结构来对目标状态进行预测。特别地,在滤波器的高斯混合实现步骤中,多个高斯分量被用来拟合相对应的各伯努利分量,但过多高斯分量的存在会降低对群目标状态估计的准确性,从而降低群结构估计的准确性,因此,在状态提取阶段,本文所提算法对高斯分量进行修剪,即对更新步骤后的每个伯努利分量中所包含的高斯分量进行筛选,只保留一个权重最大的高斯分量。最后,仿真结果表明,本文所提算法实现了对群目标的稳定跟踪,且跟踪性能优于传统的CBMeMBer滤波器。

基于变分贝叶斯势均衡多目标多伯努利滤波的多扩展目标跟踪算法

由于传统多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能急剧下降,本文提出一种基于变分贝叶斯的势均衡多目标多伯努利滤波(VB--CBMe MBer)跟踪算法,并给出了高斯混合实现.该算法在未知量测噪声协方差的情况下,将量测看成随机分布在扩展目标上的量测产生点所产生,利用变分贝叶斯方法近似地求出各量测产生点状态和量测噪声协方差的联合概率密度,并给出其递归形式以估计量测产生点,继而将得到的量测产生点状态进行聚类得到扩展目标的状态.仿真实验表明,所提算法可以自适应地跟踪未知数目、未知量测噪声协方差的多扩展目标.其跟踪精度与传统的CBMe MBer跟踪算法相比,有明显提高.

学生t混合势均衡多目标多伯努利滤波器

在有重尾的过程噪声和量测噪声的影响下,高斯混合势均衡多目标多伯努利滤波器(GM-CBMeMBer)的滤波性能会明显下降。针对上述问题,该文提出一种新的学生t混合势均衡多目标多伯努利滤波器(STM-CBMeMBer)。该滤波器将过程噪声和量测噪声近似为学生t分布,并用学生t混合模型来近似多目标的先验强度。从理论上推导出学生t混合形式的预测强度和后验强度,建立了势均衡多目标多伯努利滤波器的闭式递推框架。仿真结果表明,在重尾的过程噪声和量测噪声存在的环境中,该滤波器能有效抑制其干扰,相比于传统方法,具有更高的跟踪精度。

基于势平衡多伯努利滤波的多传感器纯方位多目标跟踪

被动传感器不主动发射信号,通常仅获得目标的角度量测信息,无法获得径向距离信息,这种仅利用角度量测信息对多目标跟踪的方法称为纯方位多目标跟踪。实际应用中,纯方位多目标跟踪面临三个主要问题:一是由于被动传感器只获取目标的角度量测,导致量测信息不完备;二是量测方程存在高度非线性;三是由于传感器可能接收到杂波等非目标产生的量测,导致量测源不确定。针对上述问题,本文提出一种多传感器贪婪伪线性粒子势平衡多伯努利滤波。首先采用Rao-Blackwell理论将混合目标状态向量分解,将与量测值相关的位置分量视为非线性分量,而与量测值无关的速度分量视为线性分量,并分别采用粒子滤波器(Particle Filter,PF)和卡尔曼滤波器(Kalman Filter,KF)进行处理,从而有效降低粒子滤波采样维度。其次,针对传统粒子采样严重依赖模型的问题,基于伪线性卡尔曼滤波器(Pseudo-linear Kalman Filter,PLKF)设计一种新型粒子采样方法,即利用PLKF和最新量测信息构造重要性密度函数,并对非线性分量进行粒子采样;在更新阶段采用贪婪量测划分策略选取最优量测集合,并利用最优量测集合中量测信息实现多目标状态集中式融合估计。最后,通过仿真结果验证,本文所提滤波器能在杂波环境中仅利用角度量测对目标进行有效稳定的跟踪,相较于对比方法,所提滤波器能够更为准确估计目标数量和状态。

低检测率条件下改进的势均衡多目标多伯努利算法+

标准势均衡多目标多伯努利算法在低检测率下对目标数目估计过少。针对该问题,提出一种改进的势均衡多目标多伯努利算法。通过在上一时刻滤波过程中对某些特定的高斯项进行修正和保存,将修正后的高斯项合并到更新后的高斯项中,用到下一时刻的滤波步骤中,以削减低检测率带来的影响。仿真实验结果表明,在低检测率下,改进算法能够在一定程度上解决目标数目估计过少的问题,提高算法的目标跟踪精度。

基于势均衡多伯努利滤波的SLAM方法

针对传统的EKF-SLAM、FastSLAM等方法存在着复杂度高、需要进行数据关联、计算量大不足等问题,提出了一种基于势均衡多伯努利滤波的SLAM(Cardinality Balanced Multi-Bernoulli-SLAM,CBMBer-SLAM)算法,该方法是一种基于随机有限集理论的滤波方法,将势均衡多伯努利滤波方法运用到地图特征估计中,克服了复杂的数据关联和地图特征点数目估计过多的问题,从而提高地图估计的整体精度,是一种用来解决水下SLAM问题比较好的新方法。通过仿真实验,将所提算法与RB-PHD-SLAM算法进行比较,仿真结果表明该算法可以有效提高地图特征估计精度。

基于位姿图优化的势均衡多伯努利滤波器SLAM方法

在复杂室内环境下,传统基于随机有限集理论的SLAM方法存在机器人位姿精度低、计算量大的问题。针对此问题,提出一种基于位姿图优化的势均衡多伯努利滤波器SLAM方法。首先,该方法通过势均衡多伯努利滤波器获得地图特征估计,避免了数据关联。其次,提出了自适应信息控制法,丰富先验信息。然后,通过自适应信息控制法将位姿图优化理论与势均衡多伯努利滤波器SLAM结合,优化机器人的位姿估计。最后,进行实验对比分析,结果表明所提方法比RB-PHD-SLAM方法有更好的SLAM精度及实时性。

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法.该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化.与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制.仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高.

未知量测噪声分布下的多扩展目标CBMeMBer滤波算法

在实际应用场景中,量测噪声协方差准确模型很难被建立,传统的多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能迅速下降。为了解决量测噪声未知对多扩展目标跟踪结果造成的影响,将变分贝叶斯方法引入到CBMeMBer滤波算法中。VB-GM-CBMeMBer算法能在量测噪声未知情况下通过估计噪声协方差进行滤波计算,但该算法存在目标数目估计不准确的问题。针对此问题,提出一种改进的VB-GM-CBMeMBer算法,该算法在滤波算法预测步骤后引入椭球门限,使用保留在门限内的量测来进行下一步计算,以减少杂波量测,降低杂波量测对扩展目标量测的影响,提高对扩展目标状态聚类的精度。实验结果表明,该算法适用于多扩展目标数目未知、量测噪声协方差未知的情况,且其跟踪精度比GM-CBMeMBer和VB-GM-CBMeMBer滤波算法有一定提高。

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器.随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合(Gaussian mixture,GM)技术获得了该滤波器解析的递推形式—多模型GMCBMeMBer滤波器,并简要给出了它在非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似.仿真实验结果表明所建议的多模型GM-CBMeMBer滤波器能有效地对多个机动目标进行跟踪而单模型GM-CBMeMBer滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度(GM probability hypothesis density,GM-PHD)滤波器,接近于多模型高斯混合势概率假设密度(GM cardinalized PHD,GM-CPHD)滤波器.

多机动目标GM-CBMeMBer跟踪算法

针对杂波环境下标准的势均衡多伯努利滤波器不能有效跟踪多机动目标的问题,本文提出了一种新的多机动目标跟踪算法。该方法将势均衡多伯努利滤波器与"当前"统计自适应模型相结合,对目标的运动状态矩阵进行扩维,改变了目标状态转移矩阵和过程噪声方差,增加控制矩阵,实现目标加速度的自适应调整,从而使新算法能够适应目标运动状态的变化。仿真结果表明,在机动条件下,新算法能有效地跟踪多机动目标,而且跟踪精度较高。

基于CBMeMBer滤波器的多攻击检测方法

对具有大量节点的信息物理系统(CPS)而言,多攻击的同时在线检测是一个颇具挑战性的问题。一方面,多个不同攻击者可采用不同的攻击策略与发动不同类型的攻击以规避检测;另一方面,CPS不仅需检测攻击的数目,还需同时检测出被每个攻击者攻击的节点。为此,提出了一种基于随机有限集的多攻击检测方法。通过采用多伯努利随机集对攻击行为和CPS检测机制进行建模,并使用势均衡多目标多伯努利滤波器对模型滤波,所提方法可实现对CPS中多攻击的同时在线检测。

多阵列水下多目标跟踪的分布式算法研究

针对水下单水听器阵列探测范围受限、目标定位和跟踪性能不足问题,论文提出一种基于匹配场定位量测模型的分布式多目标联合定位与跟踪方法。在各阵列节点选取匹配场模糊函数大于设定阈值的峰对应的坐标作为量测,结合势平衡多伯努利(Cardinality Balanced Multi-Bernoulli,CBMB)滤波,滤除噪声干扰,解决常规匹配场定位方法低信噪比导致的跟踪精度下降的影响。在分布式网络架构下,利用广义协方差交集(Generalized Covariance Intersection,GCI)融合法则,序贯融合每个阵列节点与其邻近节点各自滤波后的多目标后验概率密度,以充分利用不同阵列节点的量测信息,提高水下多目标的跟踪精度。由于融合的是多目标后验概率密度而非量测集本身,改善了集中式融合处理的高通信负担问题。仿真实验结果证明,与单水听器阵列目标跟踪算法相比,经分布式融合后,多次蒙特卡洛实验下的平均最优子模式分配(Optimal Subpattern Assignment,OSPA)距离显著下降,多目标的状态和数目的跟踪精度有所提升。在系统通信负担和单节点计算负担大幅降低的情况下,可达到与集中式融合处理相当的跟踪精度。

未知新生目标先验下基于SCK-CBMeMBer的弱小目标检测前跟踪算法研究

该文针对红外弱小目标跟踪场景中未知新生分布先验信息且传统MeMBer会造成势低估的问题,提出一种基于平方根容积卡尔曼滤波势均衡多目标多伯努利的新生目标自动搜索算法并给出高斯混合实现。该算法首先将平方根容积卡尔曼滤波(SCK)算法引入到红外图像的多弱小目标检测跟踪中,用来实现CBMeMBer-TBD算法,同时结合新生目标自动搜索算法,自适应地产生新生弱小目标的分布,而势分布则通过CBMeMBer来实现。仿真实验表明,所提算法能够实现在新生目标未知场景下的红外弱小目标跟踪,且其跟踪精度与传统的MeMBer跟踪算法相比,有明显提高。

基于双马尔可夫链的SMC-CBMeMBer滤波

大部分多目标跟踪滤波器都是假设目标及其量测符合隐式马尔可夫链(hidden Markov chain,HMC)模型,而HMC模型隐含的独立性假定在很多实际应用中是无效的,双马尔可夫链(pairwise Markov chain,PMC)模型相对于H MC模型更具有普适性。已有的基于PMC模型的势均衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波的高斯混合实现仅适用于线性高斯系统,针对基于PMC模型的非线性多目标跟踪系统,将每一条假设航迹的伯努利随机有限集用一组加权粒子来近似,提出了基于PMC模型的势均衡多目标多伯努利滤波的序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现(SMC-PMC-CBMeMBer)滤波。仿真实验结果验证了SMC-PMC-CBMeMBer算法的有效性,在基于PMC模型的非线性多目标跟踪系统中,SMC-PMC-CBMeMBer算法性能优于基于HMC模型的SMC-CBMeMBer滤波器和基于PMC模型的SMC-PHD滤波器。

杂波未知条件下基于箱粒子滤波的CBMeMBer算法

针对杂波未知条件下,传统的势均衡多目标多伯努利滤波器(CBMeMBer)的序贯蒙特卡洛实现跟踪精度不高,且所需粒子数目过大,导致跟踪效率低下的问题,引入区间分析理论,提出了杂波未知条件下基于箱粒子滤波技术的CBMeMBer算法。该算法构建目标和杂波的混合状态空间模型,基于箱粒子滤波技术,建立杂波模型,推导出目标预测、更新方程,用多目标箱粒子CBMeMBer递推表达式估计目标状态。仿真实验表明,在杂波模型先验已知或未知条件下,所提算法既保证了目标跟踪精度,又大幅度提高了算法的执行速率。

基于椭圆方向和半轴长度的多伯努利扩展目标跟踪

针对杂波环境下扩展目标外形难以估计、新生目标先验信息未知等问题,在扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器的基础上,开展基于椭圆方向和半轴长度(OAL)的参数化多扩展目标跟踪研究。借助乘性噪声构造考虑目标空间信息的显式量测方程,并推导OAL-CBMeMBer滤波器高斯混合实现的封闭形式解;基于显式的量测方程,利用已知的量测数据自适应构造考虑了质心位置和外形状态的新生目标先验信息,并提出自适应新生OAL-CBMeMBer滤波器。仿真实验结果表明:所提OAL-CBMeMBer滤波器提高了目标数目和状态的估计精度,能够有效地对多扩展目标进行跟踪。

改进的SMC-CBMeMBer前向后向平滑检测前跟踪算法

针对在雷达观测下机动弱小目标的检测前跟踪(TBD)问题中,基于序贯蒙特卡洛的势均衡多伯努利检测前跟踪(SMC-CBMeMBer-TBD)算法存在目标的数目估计不准确及状态估计精度随时间下降的问题,提出了一种基于SMC-CBMeMBer前向后向平滑检测前跟踪的改进算法。该算法在预测和更新过程之间加入多目标粒子群优化算法(MOPSO),基于观测值设置适应度目标函数,使粒子集群向后验概率密度较为集中的位置分布,缓解了粒子贫乏的问题;在更新步骤之后加入平滑递归方法,利用观测值平滑滤波值,算法运算时间虽有一定延长,但获得了数目和状态估计精度的提升。仿真实验表明,与CBMeMBer-TBD方法相比,所提算法在对机动目标数目估计和目标状态估计的准确度等性能上都有所改进。

基于量测噪声方差估计的GM-CBMeMBer算法

针对目标跟踪系统下量测噪声统计特性不准确甚至难以获取的问题,提出一种量测噪声统计特性自适应的高斯混合势均衡多目标多伯努利(Cardinality Balanced Multi-Target Multi-Bernoulli,GM-CBMeMBer)滤波算法。该算法引入Sage-Husa自适应滤波器的思想,利用遗忘因子对量测噪声协方差误差进行修正;建立检验统计量,判断算法敛散性;若滤波发散,则采用有偏估计方法来保证算法收敛性。仿真结果表明在非时变、时变量测噪声方差未知情况下,改进算法的跟踪性能优于传统的GM-CBMeMBer滤波算法,对量测噪声的变化具有较强的适应能力。

未知量测噪声分布下的CBMeMBer算法

针对目标跟踪过程中量测噪声概率分布等先验知识无法准确获取的问题,提出一种基于风险评估的势均衡多目标多伯努利(RE-CBMeMBer)滤波算法。采用CBMeMBer算法的序贯蒙特卡洛实现,在粒子预测后利用风险函数和评估函数计算粒子风险值,并用评估结果更新粒子权值。避免了计算似然函数且不依赖量测噪声的概率分布。仿真表明:与SMC-CBMeMBer算法相比,RE-CBMeMBer算法具有更好的实时性,特别是当量测噪声分布未知时,具有更高的跟踪精度和稳定性。