多目标无序量测OOSM-GMPHD滤波算法

针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD)。在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态。

无序量测的状态更新估计算法

实际中,过程噪声和测量噪声都来自同一个噪声源,即二者是相关的。文章采用直接状态更新法,讨论了无序量测的状态估计,给出了过程噪声和测量噪声相关情形下的一步延迟量测的最优状态更新估计算法,并通过计算机仿真验证了算法的有效性和可行性。

无序量测的次优递推滤波器

在多平台多传感器组合跟踪等领域 ,由于通信的时间延迟 ,常常出现各传感器量测不能按照正常时序发送到数据处理中心的情形 .为解决无序量测的滤波问题 ,本文提出一种次优递推滤波器OOSMF(Out of SequenceMea surementsFilter) ,该滤波器估计精度高、计算量和存储量较小、输出无延迟 .

一种新的无序量测处理算法

在中心式多传感器目标跟踪系统中,当从不同的传感器发送量测到处理中心时,会出现不同的时间延迟。这导致源自同样目标的量测会出现无序到达中心的现象,由此产生无序量测处理问题。该文受分布式/航迹融合理论中"中心式估计的重构"思想启发,通过组合前向预测与等价量测方法,提出一种新的处理无序量测的方法,该方法涉及到状态估计的去相关问题。最后通过理论分析和仿真试验表明:该算法对于一步延迟是最优的,且当过程噪声很小,系统航迹的更新速率相当高时,该算法表现出的性能下降是很小的。

一种最佳多延迟无序量测处理算法

针对集中式多传感器目标跟踪系统存在的无序量测处理问题,基于最优线性固定点平滑思想,提出了一种新的最佳多延迟无序量测处理算法。通过理论分析和仿真试验表明,新提出的W1算法与现有的多步延迟无序量测处理算法M1及Z1一样,都是最佳的。

噪声相关的一步滞后无序量测递推融合算法

因传感器网络特殊的通信方式,以及传感器节点预处理量测的时间也各有不同,常会出现源于同一目标有序的测量数据却经网络传输后无序地到达融合中心的现象,即无序量测问题。加之,现有的相关融合算法大都是在各量测数据间噪声独立情况下建立的。为此,针对一个由多个子系统组成的传感器网络无序量测系统;其中假定每个子系统均是由两个分别与融合中心同步与异步且采样率相同的传感器组成;并在考虑各传感器测量噪声相关条件下,利用顺序加权融合技术,在融合中心建立一个能实现对目标状态实时估计且在线性最小均方误差意义下最优的递推加权融合算法。理论分析与计算机仿真表明,与现有方法相比,新算法在适用范围、实时处理能力、存储量和融合估计精度等方面均有显著的优势。

含无序量测的多传感器信息融合算法研究

由于通信时间的延迟性,在多传感器系统中常常会出现无序量测情况。为提高估计的精度,系统须对无序量测进行处理,状态更新法是处理无序量测问题的一种有效方法。对于多传感器信息融合问题,给出了一种处理无序量测的状态估计更新算法。仿真计算表明该算法能有效的提高融合估计的精度。

不确定无序量测系统的最优网络化状态估计

本文以线性时不变或系统参数预先确定的单传感器系统为对象,研究带有不确定随机无序量测约束下的最优网络化估计问题.基于线性时不变或参数预先确定系统的滤波器系数矩阵离线计算和线性最小方差估计的线性加权求和特性,首先介绍传统Kalman滤波的等价测量值加权求和形式.然后,以该测量值加权求和滤波器为基础,结合布尔二值开关和无序量测直接求和补偿技术,针对两种典型无序量测跟踪系统分别设计全局最优网络化Kalman滤波器.最后,四个仿真例子验证了本文算法的有效性和优越性.

无序量测问题研究综述

无序量测(OoSM)是多传感器融合系统亟需解决的不可回避的问题。在总结相关文献基础上,对OoSM进行了分类,从单步延时OoSM滤波、多步延时OoSM滤波、多个OoSM滤波、非线性非高斯条件OoSM粒子滤波算法、杂波/机动目标条件OoSM跟踪算法等方面,按照由简单到复杂的研究路线综述了国外开展的相关研究,并对未来研究方向进行了探讨与展望。

基于H∞滤波的无序量测更新算法

在目标跟踪系统中,传感器量测因通信延迟无序地到达融合中心,产生无序量测融合问题。针对此问题,将H∞滤波作为基础滤波算法,提出了一种可处理单步或多步延迟无序量测的新算法。新算法借鉴有序滤波思想,利用等价量测来代替无序量测发生时刻后的量测序列,然后从该时刻起利用无序量测和等价量测进行有序更新。仿真实验表明,新算法相比于传统算法有更高的滤波精度,尤其在系统模型误差较大时仍有良好的滤波效果。

相关噪声下多步无序量测状态估计更新算法

在多传感器系统中,由于通信时间的延迟性,常常会出现无序量测情况.为了提高估计精度,系统须对无序量测进行更新估计.状态估计更新算法是处理无序量测问题的一种有效方法.在过程噪声和量测噪声相关条件下,给出了含无序量测的传感器系统状态估计更新算法.仿真计算验证了该算法的有效性.

无序量测下的机动弱目标检测前跟踪

针对无序量测(OOSM)情况下的机动微弱目标检测与跟踪问题,提出一种基于OOSM和多模粒子滤波(OOSM-MMPF)的检测前跟踪(TBD)算法。该算法通过直接利用OOSM对粒子权重进行更新,并在此基础上对粒子集进行重采样,从而实现OOSM情况下的目标状态更新。由于充分利用了OOSM包含的信息,该算法可以有效提高机动微弱目标的正确检测概率与跟踪精度。仿真结果表明,该算法可以有效处理OOSM问题,实现对机动弱目标的有效检测和跟踪,其算法性能接近顺序量测滤波时的MMPF算法性能。

噪声相关下的一步延迟无序量测滤波算法

在目标跟踪系统中会出现传感器量测无序到达融合中心的现象。考虑相同时刻过程噪声与量测噪声相关情形下的一步延迟无序量测问题,提出了一种新的滤波算法。该算法采用改进的信息滤波器,可有效处理相关噪声;采用前向预测方法,在有序状态转移方式下进行状态递推,可处理延迟量测。新算法性能不依赖于过程噪声的离散化模型,且无需对状态转移矩阵求逆。仿真实验表明,在处理无序量测时,新算法与现有的基于后向预测的处理算法表现相当,但存储量及计算量更小,实时性更好,算法是可取的。

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM)。针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法。在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计。仿真结果验证了算法的有效性。

噪声相关下的无序量测状态更新估计算法

在多传感器跟踪系统中,由于存在通信延迟等因素使得跟踪滤波器的传感器到达处理中心的时序被打乱,出现无序量测的情况.本文主要采用目前国际上用的较多直接更新法,即直接用延迟到达的量测更新目标状态,同时考虑输入噪声和过程噪声的相关性,给出了噪声相关情况下的无序量测的直接状态更新估计.最后又通过计算机仿真比较了丢弃延迟量测和直接更新法,验证了该算法具有更高的优越性,更具实际意义.

协方差交叉法处理无序量测问题

针对目标跟踪系统中存在的无序量测问题,在前向预测的基础上,提出使用协方差交叉法处理无序量测的滤波算法。新算法首先在前向预测框架下,构建包含延迟量测信息的重构航迹,而后采用协方差交叉法对重构航迹与已有航迹进行融合,实现再更新。通过采用信息滤波器和协方差交叉法,避免了状态转移矩阵求逆及求解航迹相关性等复杂运算,新算法可处理一步和多步延迟无序量测情形。理论分析和仿真实验说明,新算法在保证滤波精度的基础上,减小了存储量与计算量,实时性更好。

统计线性化无序量测更新算法

在实际的多传感器系统中,由于各种传感器具有不同的采样率,预处理时间,以及数据通信延迟,因而会出现多个传感器量测不同步到达融合中心的现象。进一步地,当较早时刻产生的量测在较晚时刻产生的量测之后到达融合中心时,无序量测问题就出现了。针对离散时间非线性系统,提出基于统计线性化固定点平滑器的最佳统计线性化无序量测算法,它可以处理单步和两步延迟(甚至多步)无序量测,且能达到与重新滤波法相同的估计精度。

可删除无序量测的交互多模型算法

在集中式多传感器系统中,常会出现如何从当前状态估计中删去已使用过的旧量测的问题。Bar-shalom将需要被删除的量测也称为无序量测。Bar-shalom的可删除无序量测的交互多模型算法是基于标准交互多模型算法和等价量测提出的。然而,在标准交互多模型算法中正态概率密度函数和概率质量函数的混用,导致模型更新权值仅仅是一个近似概率值。并且,等价量测的使用会导致该算法有时候出现性能恶化和Rank Deficiency问题。针对这些缺点,基于最优多传感器融合规则和前向预测最优无序量测删除算法,提出了新型的可删除无序量测的交互多模型算法。该算法没有上述那些缺点,而且仿真表明了新算法的可行性和优越性。

无序量测下的多传感器观测噪声融合估计

本文采用直接更新法,给出了噪声相关情况下的各局部传感器观测噪声更新估计算法;给出了观测噪声线性最小方差意义下的最优对角阵加权融合更新估计算法.

任意步延迟的无序量测状态更新估计算法

采用直接状态更新法,给出了考虑过程噪声与输入噪声的相关情形下的l步延迟量测的最优状态更新估计算法.