基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture,GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli,VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题,结合基于临近点算法(proximal point algorithm,PPA)和变分贝叶斯(variational Bayesian,VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering,CKF),提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma,IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布;利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新;最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel,VB-CRTS)平滑。仿真结果表明,对于量测噪声未知的非线性系统,所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

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.

闪烁噪声统计特性未知情况下的鲁棒广义标签多伯努利滤波器

为了解决闪烁噪声统计特性未知情况下的多目标跟踪问题,提出一种鲁棒广义标签多伯努利(Generalized Labeled Multi⁃Bernoulli,GLMB)滤波器.该滤波器采用均值未知且时变的多维Student’s t分布对统计特性未知的闪烁噪声进行建模.它放宽了闪烁噪声均值为零的限制性假设,可以自适应地处理闪烁噪声均值未知且时变条件下的多目标跟踪问题.本文在GLMB滤波框架下,利用变分贝叶斯方法对增广状态中的参数进行变分迭代,并通过最小化Kullback⁃Leibler散度得到边缘似然函数的近似解.仿真结果表明,在闪烁噪声统计特性未知的情况下,所提滤波器能有效地对多目标进行跟踪.

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器。滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可以实现不同航迹组之间并行滤波。另外,为了处理机动目标场景引入交互多模型,给出基于交互多模型的分组滤波递推方程。仿真结果表明,所提出的滤波器跟踪精度更高,计算速度更快,可以用于跟踪多个机动目标的场景。

基于场景边缘优化的自适应新生强度JLMB滤波器

雷达多目标的有效检测与跟踪一直是雷达领域的研究热点,在多目标跟踪过程中存在诸多因素影响着跟踪算法的性能。本文针对雷达多目标跟踪问题中的未知目标新生问题,基于JLMB滤波器,结合场景边缘优化,提出了一种适用于线性高斯条件下的自适应目标新生强度估计方法,该方法针对雷达长时间持续监测高概率监测场景,以实际应用场景为牵引,通过融入监测区域以及目标状态的部分先验信息,将监测区域考虑为目标新生考量区域与非目标新生考量区域,并针对目标新生考量区强化目标新生过程,同时剔除来自非目标新生考量区域的杂波干扰,以此达到提升目标跟踪性能和算法处理效率的目的。最后通过实验仿真与结果分析验证了所提算法的有效性。

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

面向毫米波雷达路侧交通监测的时变滤波器参数估计模型

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。

基于单声矢量传声器虚拟扩展的多机动声目标跟踪算法

为解决单声矢量传声器(Acoustic vector sensor,AVS)可跟踪声目标数目少、跟踪性能差的问题,提出了基于AVS虚拟扩展的多机动声目标跟踪算法.首先,引入高阶累积量预处理过程并建立高阶似然函数,不仅能够抑制高斯噪声、提高估计精度,还可通过AVS的虚拟扩展增加可跟踪目标数目.然后,在边缘化δ广义标签多伯努利(Marginalizedδ-generalized label multi-bernoulli,Mδ-GLMB)滤波框架下,提出了基于累积量的增广运动模型状态的Mδ-GLMB(Cumulants-based augumented motion model state Mδ-GLMB,Cum-AMMS-GLMB)算法.算法引入多种运动模型,并将表征不同模型的索引标号作为目标状态的增广参数,通过各模型间的加权混合获取优于单一运动模型的跟踪性能.除此之外,算法的序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现过程中,依据高阶预处理获得的归一化空间谱拟合检测概率函数,抑制了杂波向可用粒子扩展,进一步增强了高似然区域的粒子.最后,推导了AVS目标跟踪的后验克拉美罗下界(Posterior cram e’r-rao lower bound,PCRLB),并通过仿真实验验证了算法的量测噪声抑制能力和声目标跟踪性能.

一步数据关联GLMB扩展目标跟踪算法

针对传统的扩展目标跟踪算法在目标近邻场景中由于量测不可分导致跟踪性能下降的问题,提出了一种基于一步数据关联的扩展目标跟踪算法。该算法用乘性噪声模型对目标进行建模,将联合概率数据关联理论中的一步数据关联处理方法与广义标签多伯努利滤波器相结合,实现在量测难以划分情况下的多扩展目标跟踪。仿真实验表明,该算法能够在交叉、近邻场景中实现对目标的有效跟踪,并且在估计精度方面优于传统的基于量测划分的扩展目标跟踪算法。

基于δ-GLMB自适应门限判定的多量测目标跟踪算法

针对实际复杂交通场景中毫米波雷达能从单目标上获得多个量测导致广义标签多伯努利(δ-Generalized labelled multi-Bernoulli,δ-GLMB)滤波算法的多目标跟踪结果中出现单目标有多条轨迹等问题,提出了一种在δ-GLMB跟踪结果的基础上加入自适应门限判定的改进算法。首先,通过δ-GLMB滤波器对场景中目标进行跟踪,然后通过自适应门限判定方法实现目标多余轨迹点的删除和属于同目标的轨迹的标签统一。本文使用77 GHz毫米波雷达对实际交通场景的监测数据进行了实验,结果表明本文提出的方法在目标个数估计准确率上有显著提高,对实际交通数据的鲁棒性更好。