基于STGP-ETCBMeMBer滤波器的扩展目标跟踪算法

外形估计是扩展目标跟踪的难点之一,不精确的建模方法会导致较差的估计效果。针对不规则多扩展目标的跟踪问题,本文提出了一种基于时空高斯过程模型的势平衡多扩展目标多伯努利(Spatio-Temporal Gaussian Process Cardinality Balanced Multi-Extended Target Multi-Target Multi-Bernoulli, STGP-ETCBMeMBer)滤波算法。首先,利用随机有限集方法将增广后的多扩展目标状态集合和量测集合分别建模为多伯努利随机有限集合和泊松随机有限集合,并在此基础上利用STGP方法对星凸形扩展目标的量测源建模,提高算法对扩展目标的外形估计精度。之后,在算法更新阶段,假设同一目标量测子集对应的多个似然函数服从高斯分布,推导得到了STGPETCBMeMBer滤波算法的高斯混合(Gaussian Mixture, GM)实现。最后,通过构造仿真对比实验验证了所提算法的有效性,仿真结果表明所提算法在扩展目标的外形估计上有更精确的效果。

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.

集群无人机定位信号的自适应GM-CBMeMBer滤波算法

针对集群无人机导航定位信号通信过程中,易混入实际随机噪声,而传统GM-CBMeMBer滤波算法处理会导致滤波器发散的问题,提出了一种用于集群无人机定位信号的自适应GM-CBMeMBer滤波算法。首先,构建对应的数学模型,通过观测模型和量测模型对信号进行跟踪、滤波。在此基础上,利用随机有限集和衰减因子实现对噪声的动态处理和进一步预测,结合预测值进行迭代更新,直到滤波过程结束。同时,引入高斯项的剪枝合并来提高滤波精度。实验结果表明,改进算法与传统算法相比较,在集群无人机定位航迹上的杂波点有所减少,总体平均误差降低了26.6%。同时,方法简单易行,便于工程实现。

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。

基于箱粒子的ET-CBMeMBer滤波算法

为解决扩展目标跟踪算法量测不精确的问题,提出一种基于箱粒子滤波的ET-CBMeMBer滤波算法。该算法基于随机集理论,首先将扩展目标的状态集和观测集随机化,然后基于区间分析技术,推导了适用于区间量测的多扩展目标伪似然函数和势平衡多伯努利多扩展目标状态更新方程,并提出了适用于区间量测的模糊ART区间量测集划分方法,继而在量测集划分的基础上对目标进行持续稳定的跟踪。最后进行了仿真实验,结果表明了所提算法的有效性。

基于粒子群算法的WSN多目标跟踪能量均衡算法

为了满足无线传感网络下多目标跟踪对于跟踪精度与网络寿命的需求,提出一种基于粒子群算法和势均衡多目标多伯努利滤波(cardinality balanced multi-target multi-bernoulli filter,CBMeMBer)的多目标跟踪能量均衡算法。算法通过粒子群算法计算网络能量中心,围绕能量中心形成传感器簇从而改善网络结构,在CBMeMBer滤波的基础上,借助Cauchy-Schwarz散度作为评价函数优化传感器节点量测更新顺序,以保证多目标跟踪精度。通过仿真结果证明算法在多目标跟踪精度与网络能量均衡性上的优势。

基于多普勒与微多普勒联合利用的弱小目标检测与估计方法

近年来,无人机(UAVs)等低慢小目标对现有低空空域管理带来了巨大挑战。这类目标由于其飞行高度低、飞行速度慢及雷达散射截面(RCS)面积小,导致其回波信噪比(SNR)低,传统基于目标多普勒信息的检测估计方法检测概率低,参数估计不准确。对于无人机类低慢小目标的检测估计,除了可以利用目标径向运动产生的多普勒信息外,还可以利用目标微动部件产生的微多普勒信息,通过有效聚集因微动而分散在多个多普勒单元格内的能量,可望实现目标信噪比的提升。该文针对旋翼类低慢小目标,充分挖掘目标回波中蕴含的多普勒信息和微多普勒信息,在随机集框架下对旋翼无人机目标的多普勒和微多普勒信息进行联合建模,提出一种基于(CBMeMBer)滤波器的多普勒和微多普勒联合检测估计方法,利用贝叶斯估计实现了目标多普勒信息和微多普勒信息的有效积累和融合利用,可以提高雷达低慢小目标的检测估计性能。仿真试验表明,该方法可实现对旋翼无人机目标的稳定检测与状态估计,相比于仅利用目标多普勒信息的传统检测方法,检测灵敏度提高了2 dB。