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...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.展开更多
文摘随着自动驾驶、智能交通的发展,跟踪算法成为热点问题。本文主要针对的是在毫米波雷达路侧交通场景中通过对广义标签多伯努利滤波器(Generalized Labeled Multi-Bernoulli Filter,GLMB)参数估计从而保证滤波器在时变交通监测中目标跟踪的性能。参数选择是制约滤波器性能的主要因素之一,掌握其特性,具有十分重要的意义。传统的跟踪滤波会在特定的场景中使用一套固定的参数,当场景变化时,滤波器参数无法及时调整,导致跟踪性能降低。针对该问题,本文将长短期记忆神经网络(Long Short Term Memory network,LSTM)引入GLMB滤波器参数估计领域,通过雷达数据训练神经网络,使其具备对滤波器参数估计能力。使用毫米波雷达数据构建的数据集训练神经网络,训练完成后将使用测试数据集验证神经网络对参数估计结果。不同交通场景的雷达实测数据验证结果表明,与人为设定的固定参数方法相比,该方法可以使滤波器在时变交通监测中及时对参数进行估计与调优,提升了GLMB滤波器目标跟踪的性能。