基于改进RSSI测距的WSN机动目标跟踪算法

针对扩展卡尔曼滤波(EKF)在机动目标跟踪中传感器对机动目标进行测距时存在的噪声问题,提出了一种基于改进RSSI测距的WSN机动目标跟踪算法。首先,利用鱼鹰优化算法迭代寻优适合BP神经网络的权值和阈值;其次,将传感器的接收信号强度值作为神经网络的输入值,距离作为输出值对神经网络进行训练;最后,利用扩展卡尔曼滤波算法进行定位跟踪,利用匀速圆周运动模型(CM)进行滤波跟踪。使用EKF算法和RSSI算法与文中算法进行比较,以均方根误差为评价指标。经过仿真实验对比表明,所提算法相较于上述算法均方根误差分别降低了21%和56%。

基于改进ATPM-IMM算法的外辐射源雷达机动目标跟踪

针对外辐射源雷达进行机动目标跟踪时,现有的自适应交互式多模型(AIMM)算法难以达到高精确度跟踪的问题,提出一种基于改进的自适应转移概率交互式多模型(ATPM-IMM)的机动目标跟踪算法。该算法在ATPM-IMM算法的基础上增加了自适应控制窗,对转移概率矩阵进行再次修正,从而可根据目标的机动情况自适应切换机动模型,提高真实模型的匹配概率。仿真和实测数据结果表明,所提算法可有效提高外辐射源雷达进行机动目标跟踪的精确度。

考虑坐标耦合的三维变结构多模型机动目标跟踪方法

在3维空间机动目标跟踪过程中,目标运动先验未知和坐标耦合误差会引起运动模型-模式失配,而模型-模式失配会引起状态估计有偏。该文根据目标运动速度正交条件修正状态转移矩阵,利用原始-对偶正则约束空间测量到球面可行域,结合自适应转弯率模型和无迹卡尔曼滤波(UKF),进行模型状态滤波并融合状态估计的一致输出,推导3维变结构多模型无迹卡尔曼滤波(VSMMUKF)算法。实验结果表明,相比多模重要性无迹卡尔曼滤波(MIUKF)算法,VSMMUKF计算量相当,能够更准确地拟合3维空间点目标机动运动。相比于交互多模型最大最小粒子滤波(IMM-MPF)算法,VSMMUKF跟踪固定翼无人机(UAV)的滤波精度提升了2.8%~59.9%,整体算法负担减小了1个数量级。

机动目标跟踪的交互多模型泊松多伯努利混合滤波

满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度。在多目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降。针对这一问题,提出了一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪。同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景。仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性。

机动目标跟踪时滞问题分析

机动目标跟踪结果在时间轴上的滞后问题是当前机动目标跟踪领域的一大难点。产生时滞的情况很多,一般在跟踪初期和发生较大机动的时间段内尤为明显,常常会因此出现误差高峰。如果能有方法抑制或者消除时滞现象,将能显著提高跟踪效果。从仿真实验的结果和现象入手,结合卡尔曼滤波理论、交互式多模型算法和现代神经网络模型对时滞问题进行剖析,根据跟踪各个阶段情况的变化,分析时滞产生的不同原因,并提出可能的解决方法,以期为提高机动目标跟踪效果提供参考。

仅测角机动目标跟踪原始对偶高斯粒子滤波

为消减仅测角机动目标跟踪系统中由时空不一致引起的投影基点偏移和高斯截断两类误差,该文采用映射表示和?1-?2,1稀疏正则表征时空因果一致约束,引入模糊综合贴近度建立次优建议分布,构建因果不变结构传递粒子集合以近似目标后验高斯积分,推导原始对偶高斯粒子滤波(PDGPF)算法。实验结果表明,相比交会测量最小二乘法,PDGPF算法定位旋翼无人机(UAV)的精度提升了18.4%~69.6%。相比于软约束辅助粒子滤波(SCAPF)算法,PDGPF算法在时空映射一致约束下能够自适应地修正粒子的权值,从而更为准确、稳定地跟踪机动点目标,整体计算负担减小了12.9%。

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。

基于IMM-BF的自适应扩张箱粒子机动目标跟踪算法

针对箱粒子滤波算法在杂波量测环境下跟踪机动目标精度不足和目标丢失的问题,提出一种基于交互多模型伯努利滤波的自适应扩张箱粒子机动目标跟踪(Interacting Multiple Model-Extended Box Particle-Bernoulli Filter, IMM-EBox-BF)算法,采用多个模型并行滤波,在预测步骤后引入自适应箱粒子扩张算法,在每个箱粒子分割成小箱粒子后自适应扩张小箱粒子区间长度,以提高对目标位置估计精度。在更新步骤,改进箱粒子收缩算法,增加对加速度分量的约束,以提高对目标速度估计精度。对仿真与实测数据的处理结果表明,在杂波量测和传感器发生漏检情况下,所提的IMM-EBox-BF算法与传统算法相比,位置跟踪精度提升了16.5%,具备更准确的目标估计精度和连续性。

GEO混合推力机动目标跟踪IMM算法

针对交互多模型(IMM)算法求解地球静止轨道(GEO)卫星混合推力机动目标跟踪问题时模型匹配难、模型转移概率近似平均和响应速度慢的问题,从交互模型集构建和模型转移概率自适应设计两个方面出发提出一种改进IMM算法。该方法通过考虑无机动、脉冲机动和有限推力机动三种模式,构建了覆盖目标机动状态的交互模型集,提高了模型与机动目标实际运行状态的匹配度;采用一种基于加速度估计自适应修正的模型交互概率修正方法,提升了算法对目标机动状态的响应速度和跟踪精度。仿真结果表明,所提算法是解决混合推力模式下的GEO机动目标跟踪问题的有效手段,在收敛速度和收敛精度等方面与传统方法相比有较大提高。

基于Transformer的机动目标跟踪技术

为解决递归神经网络(Recurrent Neural Network,RNN)和长短期记忆网络(Long Short-Term Memory,LSTM)在跟踪机动目标时,由于序列过长容易出现梯度消失和梯度爆炸导致目标发生机动后跟踪效果变差的问题,文中构建了一种基于Transformer的网络(Transformer-Based Network,TBN)来跟踪机动目标。该网络使用基于注意力机制设计的编码器提取目标序列的历史航迹特征,提高对目标机动情况的捕获能力。使用基于卷积网络设计的解码器输出最终的航迹序列,提高机动目标跟踪能力。通过中心最大值(Center-Max,CM)归一化方法,将所有序列减去其初值,降低了网络学习的复杂度,增强了网络的泛化性。实验结果证明,在存在机动情况的大规模航迹数据集下,与长短期记忆网络相比,CM归一化和TBN相组合的方法的位置精度提高了11.2%,速度精度提高了41.9%。文中所提方法在观测值存在缺失时仍能正确跟踪目标。

航道辅助地波雷达机动目标跟踪研究

交互多模型(Interacting Multiple Model,IMM)方法应用于高频地波雷达(High Frequency Surface Wave Radar,HFSWR)机动目标跟踪时,其固定的模型集合与转移概率矩阵会导致模型竞争与模型概率切换滞后,降低了目标状态估计的准确性,容易引起航迹断裂、丢失等问题。为此,对基于航道辅助的交互多模型地波雷达机动目标跟踪方法进行了研究。首先,利用有向图模型估计海上航道并提取航道信息,判定目标所处的航道位置并据此自适应切换目标运动模型集合;然后依据确定的模型集合进行多模型滤波,利用滤波新息构造运动模型的极大似然函数并计算每个模型的似然值,通过计算运动模型之间似然值比值计算概率修正因子,采用概率修正因子与原模型转移概率矩阵的乘积更新模型转移概率矩阵。利用仿真与实测数据开展了海上机动目标跟踪实验,结果表明,与传统IMM算法相比,本文方法可显著提升模型概率的切换速度,跟踪得到的航迹维持时间提高了54.2%,算法运行时间减少了30%,运动模型匹配平均概率提高了14.1%,实现了对海上目标的长时跟踪。

神经过程和运动模型混合驱动的机动目标跟踪算法

针对基于贝叶斯滤波器模型的目标跟踪算法非常依赖先验知识,在复杂场景中跟踪性能下降的问题,提出了一种神经过程和运动模型混合驱动的机动目标跟踪算法。利用神经网络构建一个目标运动的随机微分方程来提高对目标运动的建模能力;使用加速度模型作为领域知识约束目标状态的微分方程,构造一个混合驱动的解码器;利用所构成的混合驱动解码器替换神经过程的解码模块,形成一种无监督学习的混合驱动滤波器。仿真实验结果表明:所提算法同时具有数据驱动和模型驱动算法的优势,依赖先验知识少,能在不同场景下保持稳定的跟踪精度,生成的轨迹较神经过程滤波器更加平滑且具有目标动力学特征;与经典的贝叶斯滤波器相比,所提算法的状态估计峰值误差平均降低了20%。

基于雷达点迹处理的抗RGPO干扰的机动目标跟踪

针对距离波门拖引(Range Gate Pull Off,RGPO)干扰下机动目标跟踪性能恶化的问题,提出一种基于雷达点迹处理的机动目标跟踪算法。该算法首先使用RGPO干扰鉴别技术将跟踪波门内的雷达点迹数据分为正常点迹集与RGPO干扰点迹集,针对不同的点迹集采取了不同的状态更新策略,最后融合两类状态信息后输出目标位置。仿真结果表明,该算法的跟踪精度明显优于传统的交互多模型-概率数据关联(Interacting Multiple Model Probabilistic Data Association,IMM-PDA)算法及现有抗RGPO干扰机动目标跟踪算法。

基于自适应α-β滤波算法的机动目标跟踪方法

机动目标跟踪技术广泛应用在民间和军事领域,而α-β算法作为卡尔曼滤波算法的经典扩展之一,广泛应用在实际工程中。然而经典α-β算法无法有效地完成对机动目标的跟踪,为此,本文提出一种自适应滤波算法,能够实时检测机动目标的运动情况,自适应地调整目标运动模型,从而完成对机动目标的跟踪。仿真实验表明,该滤波算法具有更好的目标跟踪性能和准确度。

基于Singer-IMM-UKF的机动目标跟踪算法

本文针对空间中多种运动形式的目标跟踪运动模型组合问题开展研究,提出了基于Singer-IMM-UKF的机动目标跟踪算法,结合精度较高的UKF非线性滤波作为子滤波器,实现对连续机动转弯目标稳定跟踪。通过对比不同模型组合的IMM-UKF滤波器,仿真表明基于Singer-IMM-UKF滤波器在目标运动匀速段或机动量急剧变化时获得了较好的跟踪性能,降低了位置、速度和高度跟踪的误差,有效提升对于机动目标跟踪的准确性和稳定性。

VICKF-IMM算法在机动目标跟踪中的应用

针对智能体移动方式复杂,对其进行观测的传感器测量的信息存在噪声以及目标运动轨迹发生突然的改变会导致目标观测失真甚至错误的问题,提出了一种变积容积卡尔曼滤波交互多模型算法(VICKF-IMM)。该算法将容积卡尔曼滤波与交互多模型算法相结合,并对容积卡尔曼滤波(CKF)中球面积分进行变积分转换处理。优化了其积分求解的方式,提高了整体的稳定性。Monte-Carlo仿真分析,与CKF-IMM和UKF-IMM算法相比,该算法的跟踪精度有明显的提高,并在目标运动发生突变时有更高的稳定性。

复杂环境下多机动目标跟踪问题的研究

针对多机动目标跟踪问题 ,系统地讨论了其主要内容和各种算法 ,包括机动目标模型的建立、多个机动目标的跟踪和维持 ,跟踪过程中各种数据关联的处理方法、跟踪的起始和终结以及跟踪性能分析与评价 ,并对以后相关的研究方向进行了探讨。

闪烁噪声机动目标跟踪的模型集交互跟踪算法

给出了一种量测噪声为闪烁噪声情况下的模型集交互机动目标跟踪算法。在雷达目标跟踪系统中由于目标位置的随机摆动,使得对其位置的量测伴随着闪烁噪声的出现,这种闪烁噪声会对目标跟踪的性能产生很大的影响。本文通过对闪烁噪声的QQplots-分析,利用高斯分布和拉普拉斯分布的合成对其进行建模,在机动目标跟踪中采用两个模型集来处理闪烁噪声的情况,并详细推导了模型集交互时机动目标跟踪算法。最后,通过Monte Carlo的仿真结果表明了该算法的有效性。

非线性系统中的机动目标跟踪算法

对于非线性系统中的机动目标跟踪问题 ,首先针对“当前”统计模型的缺陷提出了一种修正算法 ,然后应用转换测量Kalman滤波算法进行跟踪。仿真结果表明在非线性观测条件下 ,算法明显提高了对弱机动和非机动目标的跟踪性能 。

一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题，提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计，当波门内不存在有效量测时，首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大，确保量测点迹进入波门。然后假定目标的机动能力已知，在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率，从而降低失跟率，提高目标跟踪精度。仿真结果表明，与传统关联波门设计方法相比，该方法的失跟率降低了30％～40％，而且目标机动时的跟踪精度提高了20％～30％。实测数据同样验证了该方法的有效性。