厚尾噪声条件下的学生t泊松多伯努利混合滤波器

针对运动过程和观测过程均受到异常噪声干扰的复杂不确定性多目标跟踪问题,本文创新性地提出了学生t混合泊松多伯努利混合滤波器.首先,直接将广域分布的异常噪声特性建模为学生t分布.随后,将泊松多伯努利混合滤波器的泊松点过程(PPP)和多伯努利混合(MBM)的概率密度参数合理的近似为学生t混合形式.其次,基于多目标概率密度的学生t混合模型,详细推导了泊松多伯努利混合滤波器学生t混合共轭先验形式,建立了学生t混合泊松多伯努利混合的闭式递推框架.最后,通过带显著拖尾分布特性的过程噪声和量测噪声共同干扰的复杂多目标跟踪仿真实验,验证了所提滤波算法的有效性.

有色量测噪声下泊松多伯努利混合滤波器

为了解决有色量测噪声下的多目标跟踪问题,文章提出一种带有色量测噪声的泊松多伯努利混合滤波器。通过采用量测差分和状态增广方法,所提滤波器将带有色量测噪声的状态估计问题转化成带白量测噪声的状态估计问题。首先给出所提滤波器更新等式的推导过程,然后给出伪量测产生方法,最后用仿真结果表明所提滤波器的优越性。

基于泊松多伯努利混合滤波器的新生目标跟踪

针对概率假设密度滤波器对新生目标的跟踪需要假设新生目标先验已知,其先验假设不合理,提出一种基于泊松多伯努利混合滤波器的新生目标跟踪方法。该方法根据泊松多伯努利混合滤波器共轭先验性质,获得当前量测为泊松过程和多伯努利混合过程的线性组成,并且将量测分别建立成新生目标量测和存活目标量测。以广义最优模式分配函数作为算法检测标准,实验结果表明,该方法对新生目标数目和目标位置的估计准确性均有较大提高。

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。

基于PMBM滤波的机动非椭圆扩展目标跟踪算法

扩展目标的形状大多是不规则的,且观测角度不同会发生变化,此外,在复杂场景下,还会存在扩展目标和点目标同时存在,且存在机动的问题,针对该问题,本文提出一种混合形状多模型泊松多伯努利混合滤波算法(IMM-VNNET-PMBM)。首先,通过子随机矩阵表示的形状多子目标非椭圆伽马高斯逆威沙特(GGIW),代替泊松多伯努利混合滤波框架下表示扩展目标的单GGIW密度,以提升形状估计精度;其次,目标运动状态发生变化时,扩展目标的形状信息通常也会发生变化,采用固定的形状子目标估计扩展目标形状将不准确,算法中通过基于密度的DBSCAN算法进行量测聚类,以多假设数据关联计算形状子目标分量的存在概率,自适应调整子目标数量,实现对扩展目标的时变形状估计;最后,算法通过融入交互多模型,实现了对复杂环境下的点目标和多机动扩展目标同时跟踪;实验结果表明,提出算法能够有效对机动且形状变化的多扩展目标跟踪,具有较好的跟踪性能。

适用于点群共存场景的TPMBM跟踪算法

针对传统群目标跟踪算法在点群共存场景下跟踪精度低的问题,提出了可以同时对点目标和群目标进行跟踪的轨迹泊松多伯努利混合(trajectory Poisson multi-Bernoulli mixture,TPMBM)滤波算法。该算法对目标的状态空间进行扩展,在标准点目标和群目标模型的基础上引入关于目标类别的概率信息,通过TPMBM滤波器的预测和更新过程实现对目标类别的判断和对目标运动状态的估计。仿真结果表明,与现有算法相比,所提算法在点目标和群目标共存时漏检误差明显降低,具有更优的跟踪性能。

基于MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。

模糊推理优化的抗遮挡PMBM跟踪算法

目标遮挡是多扩展目标跟踪中的常见问题,当目标之间的距离较近或传感器的扫描范围内存在未知障碍物时,就会出现目标被部分或全部遮挡的现象,从而导致对目标的漏估。针对现有的泊松多伯努利混合滤波算法在遮挡场景下不能稳定跟踪的问题,提出了融入模糊推理的高斯过程-泊松多伯努利混合滤波算法。首先,在随机集目标跟踪框架下根据不同的遮挡场景给出了对应的扩展目标遮挡模型;在此基础上对高斯过程-泊松多伯努利混合滤波器的状态空间进行扩维,通过加入可变检测概率的方式将遮挡对目标状态的影响考虑到算法滤波步骤中;最后构建了可以估计目标遮挡概率的模糊推理系统,并将其与高斯过程-泊松多伯努利混合滤波算法结合,借助模糊系统的描述能力和泊松多伯努利混合滤波器良好的跟踪性能,实现遮挡场景下对目标的准确估计。仿真实验结果表明,所提算法在目标遮挡场景下的跟踪性能优于现有的泊松多伯努利混合滤波算法。

B样条曲面三维扩展目标跟踪算法

在目标跟踪中,三维扩展目标跟踪的实现通常需要多角度的大量量测数据,单传感器所获得的量测无论是从数量还是完整性上来说,都不能良好地满足三维形状估计的要求。针对低量测率下现有的三维扩展目标跟踪算法形状跟踪效果差的问题,提出了一种基于B样条曲面的泊松多伯努利混合滤波算法。首先,利用小波聚类对多传感器获得的三维空间量测数据进行处理,得到量测簇,在提取有效信息的同时保证算法的效率;然后,对量测簇进行划分,获得控制矩阵,控制矩阵基于B样条的控制点原理实现,因此能够表征复杂三维形状的参数,利用控制矩阵与B样条曲面拟合获得三维扩展目标的形状;最后,将B样条融入泊松多伯努利混合滤波器,扩展到三维目标跟踪,预测和更新扩展目标运动状态和形状参数。经仿真实验和真实点云数据集的验证,所提算法能够对三维扩展目标的运动状态和扩展形状实现良好的跟踪效果,且能够实现不规则三维形状的估计。

基于MLS的三维扩展目标PMBM跟踪算法

针对传统三维扩展目标跟踪算法形状估计精度低的问题,提出了一种基于移动最小二乘的泊松多伯努利混合(Poisson multi-Bernoulli mixture based on the moving least square,MLS-PMBM)滤波跟踪算法。该算法基于MLS模型构建三维扩展目标的形状矩阵,通过PMBM滤波器预测和更新目标的运动状态,利用移动最小二乘算法更新形状矩阵,结合目标质心状态与形状估计完成对三维扩展目标的跟踪。仿真实验与实际点云数据的验证表明,与现有算法相比,本文所提算法在多扩展目标的形状估计方面具有更优的性能,具有较高的泛用性。