基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

基于随机有限集滤波器的可分辨群目标跟踪技术研究综述

群目标跟踪在救灾搜救、海陆防御和战场作战等领域展现出广阔的应用前景。与传统多目标跟踪不同,群目标跟踪不仅涉及对多个个体目标的跟踪,还涉及对一个群体目标的跟踪。在群体中各个子目标需要同步运动以避免碰撞,同时群体中的子目标数量和群结构还将随着时间推移而改变。根据子目标数量和传感器分辨率的不同,群目标跟踪问题包含可分辨、不可分辨、部分可分辨以及部分不可分辨群目标跟踪等多个类别。其中,可分辨群目标跟踪问题需要同时对群体结构、群内子目标交互和数目进行估计。现有研究主要关注基于传统数据关联和随机有限集滤波器的可分辨群目标跟踪方法,其中,基于随机有限集滤波器的方法通过将多个目标状态联合建模成随机有限集,缓解了数据关联问题,从而可更好地适应跟踪场景。为更好地展示群目标跟踪方法的研究进展,综述了近年来基于随机有限集滤波器的可分辨群目标跟踪的若干代表性方法,包括基于多目标多伯努利滤波器、基于标签随机有限集滤波器和基于泊松多伯努利混合滤波器的群目标跟踪方法。这些方法在处理可分辨群目标跟踪问题时展示出了显著的优势。最后,探讨了存在的问题和未来的发展方向。

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括:1)结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2)利用基于L-RFS的广义标签多伯努利滤波(Generalizes label multi-Bernoulli,GLMB)算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3)通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.