多核并行粒子滤波算法设计与实现

粒子滤波算法由于需要采样大量粒子才能较好地逼近后验概率,故使得系统实时性较差。以一个简单的离散系统为例实现多种粒子滤波并行算法。实验结果表明,并行算法可以有效提高计算效率,基于OpenMP和MPI的并行算法加速效果较好,在一定情况下可以达到超线性加速,此外,当粒子数达到一定数量时,MPI结合OpenMP的并行方法加速效果更佳。

分布式并行粒子滤波算法结构分析与研究

粒子滤波器是解决非线性/非高斯系统状态估计的有效技术,广泛应用于目标跟踪、无线通信、自动控制等领域。但因其计算复杂、计算量庞大等缺陷,无法满足实时系统的应用需求。针对粒子滤波器计算量大、实时性差的问题,提出了一种基于MPI的分布式并行粒子滤波算法,给出了Master-Slave并行模式下任务分配、数据划分与负载平衡策略。实验结果表明,若忽略通信代价,加速比基本呈线性增长。

基于多核的并行粒子滤波运动目标跟踪

粒子滤波中大量的粒子计算使得算法的实时性较差。由于粒子滤波本身具有可并行化的特点,因此利用OpenMP多线程库派生出多个线程,将算法过程由单线程串行执行转变为多线程并行执行。用多核并行计算技术实现粒子滤波运动目标的跟踪。实验结果表明:基于多核的并行计算技术提高了粒子滤波算法的计算效率。

基于粒子滤波的SLAM算法并行优化与实现

基于粒子滤波的即时定位与地图构建(simultaneous localization and mapping,SLAM)算法,可在完全未知的环境进行即时的定位和地图构建.该算法使用粒子集表示定位位姿的概率分布情况,计算量与粒子集的规模成正比,在一定范围内,粒子的数量越多,算法的定位准确度和抗干扰能力越好,但在增加粒子数量的同时,将增加计算时间,从而导致定位延迟,造成移动机器人的定位误差.提出一种结合粒子滤波和SLAM算法特点的GPU并行优化的方法进行加速,从而减少计算带来的定位延迟和定位误差.通过实验,证明使用GPU并行计算的算法改进有明显效果.

基于嵌入式多核DSP系统的并行粒子滤波目标跟踪(英文)

目标跟踪中的伺服系统需要极低的跟踪延时,由于粒子滤波跟踪算法固有的庞大计算量使得目标跟踪的精度大受影响。提出了一种粒子滤波跟踪算法在多核DSP系统中的快速实现方法。首先,利用DSP片上的包加速器来降低以太网相机的采集延时以及CPU占用率,CPU占用率从31%降低到10%;其次,通过手动操作高速缓存的刷新和实效,解决了多核同时共享图像数据带来的存储器一致性问题,多个核能通过高速缓存快速获取图像数据;最后,通过在多核核心上设置代理任务的方法,建立了一种多核并行计算的机制。粒子滤波算法中计算复杂度高的运算阶段被分配到多个核心上同时运算,实现了算法的低延时。实验结果显示8核加速比达到7倍以上,优于开放多处理标准OpenMP的并行优化效果。

GPU并行实现多特征融合粒子滤波目标跟踪算法

提出了一种多特征融合粒子滤波跟踪算法,并利用GPU(Graphic Processing Unit)技术对算法进行了并行优化.针对单一特征描述目标模型的缺陷,此算法采用了具有互补性的灰度与梯度直方图特征建立目标模型,从而提高粒子滤波算法跟踪的稳定性和精度.同时,针对粒子滤波计算量大的缺点,此算法对粒子滤波进行了基于GPU的并行优化设计和实现,从而提升跟踪算法的计算速度.可以满足算法的实时性应用.

一种新型混合并行粒子滤波频率估计方法

针对高动态、低信噪比环境下的载波频率信号跟踪问题,提出一种新的混合并行粒子滤波算法(Multiple Extend Kalman Filter Independent Metropolis Hastings,M-E-IMH).该算法具有并行运算结构,实时性较基本粒子滤波有较大的提高.该算法直接利用同相支路(In-phase,I)和正交支路(Quadrature,Q)作为观测量,避免了传统方法中的鉴别器引入而引起的信噪比损耗.在高斯和非高斯环境下,与现有的载波跟踪方法如扩展卡尔曼滤波器(EKF),粒子滤波器(PF),卡尔曼滤波器(KF)等仿真对比表明,该方法在低信噪比下具有更高的跟踪精度.

并行高斯粒子滤波器结构分析和实现

本文针对粒子滤波器计算量大、实时性差的问题分析了高斯粒子滤波的并行结构,并以一个简单实例为背景介绍了高斯粒子滤波器在集群计算机上的应用实现。

多线程的多特征粒子滤波跟踪并行算法

多特征粒子滤波较传统粒子滤波跟踪精度高,其运算量大,跟踪实时性差.文中结合多特征粒子滤波的算法特点,提出了基于多线程的多特征并行模型,在算法实施上采用多线程与多特征进行匹配,并分析了该模型的并行效率以及各特征间通讯机制的协调性.实验结果表明:该并行算法提高了多特征粒子滤波两倍以上的效率.

并行化退火粒子滤波

本文提出一种基于异构计算的并行化退火粒子滤波方法(P-APF),使用OpenCL框架实现了实时无标记运动跟踪任务。退火粒子滤波过程被分解成若干具有相应粒度的子任务。根据相应的并行度,每个计算任务被分配到标准或附属处理器进行处理,以充分利用OpenCL框架的异构计算能力。提出一种任务时延隐藏策略进一步减少时间消耗。在不同人体运动数据库的实验中,P-APF能在不降低跟踪精度的前提下实现实时处理。时间消耗随着粒子数或视角数目的增加基本保持不变,平均加速比为106。

实时粒子滤波跟踪算法及其实现

针对粒子滤波跟踪算法在视频跟踪中存在的计算复杂、计算量庞大,无法满足实时系统的应用需求,提出了实时粒子滤波跟踪算法。利用粒子滤波器潜在的数据并发特征,在集群环境下,设计并实现了分布式并行粒子滤波跟踪算法,给出了主从模式下的算法设计、数据划分、负载平衡及通信策略。实验结果表明,随着粒子数增加,计算量以幂指数增大,并行跟踪算法的执行时间明显减少,有效地提高了跟踪精度、降低计算时间,能够满足硬实时系统的时间约束。

传感器网络中的分布式粒子滤波被动跟踪算法比较研究

为提高无线传感器网络(WSN)中的被动跟踪性能,并减少通信量,提出了两种分布式粒子滤波方法.在使用动态分簇结构的基础上,采用信息粒子滤波器(IPF)技术,以簇头作为簇的处理中心,接收来自子节点的观测量,形成本地估计,再将并行粒子滤波器(PPF)将粒子集被分成多个小的子集,分配到簇中的各子节点,完成并行进行粒子滤波过程.在通过计算机仿真的基础上,进行了跟踪和能耗的对比分析研究,结果表明IPF和PPF不仅提高了跟踪精度,而且减少了WSN中的通信能量开销.

融合目标特征和空间信息的粒子滤波跟踪

传统的基于颜色直方图的粒子滤波跟踪算法不能很好地利用跟踪对象的空间结构信息,因此在邻域颜色相似或目标模型微小变化时,不能取得良好的跟踪效果。提出一种融合目标特征和目标空间位置信息的粒子滤波跟踪算法,该算法鉴于目标空间位置包含跟踪对象一定的结构信息,可以和目标特征互为补充,利用定义的融合目标特征和目标空间位置的度量函数来进行跟踪对象相似度度量,以提高跟踪算法的稳健性和精确性。同时针对粒子滤波计算粒子相似度时可并行的特点,运用OpenMP共享存储并行计算进行粒子滤波跟踪的加速。实验表明,基于融合目标特征和空间信息的粒子滤波跟踪算法能得到更鲁棒的跟踪效果,可以有效地提高目标跟踪的速度。

GPU加速的差分进化粒子滤波算法

为了解决实时系统中粒子滤波的计算复杂性问题,提出了一种零bank冲突并行规约的差分进化粒子滤波方法。该方法首先分析了并行差分进化粒子滤波算法在GPU中的内存访问模式,根据粒子滤波器的均方根误差与内存访问bank(存储体)冲突度成正比的关系,提出了一种去除bank冲突的有填充寻址的差分进化粒子滤波算法,降低了计算复杂度。将该算法在NVIDIA GTX960 GPU中实现,与串行差分进化粒子滤波算法进行比较。实验表明,随着粒子数增加,计算量以指数增加,采用GPU加速的跟踪算法的执行时间明显减少,有效提高了跟踪精度,降低了计算时间。

基于Beowulf机群中改进粒子滤波的3D人体运动跟踪

针对标准的粒子滤波算法在视频三维人体运动跟踪中存在的计算量巨大、粒子退化、跟踪失效而无法同时满足跟踪精度和跟踪实时性要求的问题,提出了基于Beowulf机群中改进的粒子滤波新算法。新算法通过三维人体模型参数的自动初始化、粒子数目和模板的调整来实现跟踪失效的自动恢复,基于任务动态分配策略、低开销通信策略设计的Beowulf机群中的迁移式粒子滤波并行算法克服了粒子退化问题和提高了计算速度。实验结果显示:新方法有效地减轻了粒子退化和跟踪失效问题,降低了计算时间,提高了跟踪精度,能够同时满足三维人体运动跟踪精度和实时性的要求。

基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法

针对无线传感器网络中节点通信能力及能量有限的情况,该文提出基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法。该方法以动态分簇的方式将监测区域内随机部署的传感器节点划分为若干个簇,并对簇内成员节点与簇首节点之间、簇首节点与基站之间的通信路由进行优化,确保网络能耗的均衡分布,在此基础上,被激活的簇内成员节点并行地执行分布式粒子滤波算法实现目标跟踪。仿真结果表明,该方法能有效地降低传感器网络中节点的总能耗,能在实现跟踪的同时保证目标跟踪的精度。

一种新颖的基于颜色信息的粒子滤波器跟踪算法

传统的基于直方图的粒子滤波器算法常常需要在准确表达颜色分布和计算效率之间做出妥协,从而影响跟踪算法的性能甚至导致跟踪算法失败.针对这一问题,文中提出一种新颖的基于颜色信息的粒子滤波器跟踪算法.该算法采用自适应剖分颜色空间的概率模型,能够用较少的子空间准确地表达目标的颜色分布.文中进一步提出一种推广的积分图像,通过在该积分图像上进行数组索引操作得到每一个子空间的像素数目、均值向量和协方差矩阵,从而能够快速地计算出颜色模型.然而在CPU上计算积分图像十分耗时,为此文中提出一种基于GPU的并行算法快速计算积分图像.该并行算法在显卡的GPU上创建3个线程网格,分别顺序执行3个Kernel函数,依次完成创建原始积分图像以及对它的行和列执行前缀求和算法的任务.同传统的基于直方图的粒子滤波器算法相比,新算法每帧平均跟踪时间显著减少,同时跟踪准确性和鲁棒性都有较大提高.

基于水声模型多层次并行计算的匹配反演典型应用研究

海洋环境参数的时变特性给海洋环境参数进行直接测量带来了很多挑战,目前主流的方法是通过反演获得海洋环境参数。粒子滤波是一种重要的匹配反演方法。该方法基于贝叶斯定理,通过对海洋环境参数充分采样,能够较精确地计算出环境参数的后验概率,从而取得较好的反演性能。然而粒子滤波匹配反演方法随着粒子数的增大,计算量也急剧增大,为此,文章提出了基于水声模型的多层次并行方法,能够将粒子滤波算法高效映射到多核集群的硬件体系结构中。最后在天河2号超级计算平台进行了粒子滤波算法的并行性能测试,在单节点多核并行测试中取得了87.5%的并行效率,在多节点强扩展测试中,粒子数达到12288个,在128个计算节点中取得了近110倍的加速性能。

基于改进粒子滤波的故障诊断方法研究

针对电气设备的非线性故障诊断研究,提出了一种改进型粒子滤波算法。对粒子群优化粒子滤波(PSOPF)算法的并行性进行分析;基于CUDA并行计算架构,实现了一种PSOPF并行算法。最后引入基于残差平滑值的故障诊断,运用PSOPF并行算法对风电机组变桨距及双馈风电机进行故障诊断。结果表明,当进行故障诊断时,采用该改进型PSOPF并行算法结合残差平滑法具有更高的优越性。

共享存储并行多目标跟踪

高度的运算复杂性制约了粒子滤波在实际的多目标视频跟踪系统中的应用。为克服性能瓶颈,探索了一种基于OpenMP共享存储并行编程模型的粗粒度并行多目标跟踪系统的实现方法。在共享变量中维护被跟踪目标的列表,每一个目标用一个独立的粒子滤波器进行跟踪。根据处理单元的数目确定线程数量和每个线程跟踪的目标数量。与对应的串行版本相比,该并行系统将可实时跟踪的目标数目由2个增加到了8个,具有更大的实用价值。