基于STGP-ETCBMeMBer滤波器的扩展目标跟踪算法

外形估计是扩展目标跟踪的难点之一,不精确的建模方法会导致较差的估计效果。针对不规则多扩展目标的跟踪问题,本文提出了一种基于时空高斯过程模型的势平衡多扩展目标多伯努利(Spatio-Temporal Gaussian Process Cardinality Balanced Multi-Extended Target Multi-Target Multi-Bernoulli, STGP-ETCBMeMBer)滤波算法。首先,利用随机有限集方法将增广后的多扩展目标状态集合和量测集合分别建模为多伯努利随机有限集合和泊松随机有限集合,并在此基础上利用STGP方法对星凸形扩展目标的量测源建模,提高算法对扩展目标的外形估计精度。之后,在算法更新阶段,假设同一目标量测子集对应的多个似然函数服从高斯分布,推导得到了STGPETCBMeMBer滤波算法的高斯混合(Gaussian Mixture, GM)实现。最后,通过构造仿真对比实验验证了所提算法的有效性,仿真结果表明所提算法在扩展目标的外形估计上有更精确的效果。

基于箱粒子的ET-CBMeMBer滤波算法

为解决扩展目标跟踪算法量测不精确的问题,提出一种基于箱粒子滤波的ET-CBMeMBer滤波算法。该算法基于随机集理论,首先将扩展目标的状态集和观测集随机化,然后基于区间分析技术,推导了适用于区间量测的多扩展目标伪似然函数和势平衡多伯努利多扩展目标状态更新方程,并提出了适用于区间量测的模糊ART区间量测集划分方法,继而在量测集划分的基础上对目标进行持续稳定的跟踪。最后进行了仿真实验,结果表明了所提算法的有效性。

MM-CBMeMBer滤波器跟踪多机动目标

多模型(Multiple Model,MM)概率假设密度(Probability Hypothesis Density,PHD)滤波器能同时估计机动目标个数及状态,但其序贯蒙特卡罗(Sequential Monte Carlo,SMC)实现运用粒子聚类算法提取目标状态,不仅引入额外计算量,且可能导致目标丢失。针对这一问题,该文提出一种基于多模型的势平衡无偏多目标多伯努利(Multiple Model Cardinality Balanced Multiple target Multi-Bernoulli,MM-CBMeMBer)滤波器,在每次扫描杂波数低于20,检测概率大于0.9的环境中,该方法利用一组伯努利参数近似机动目标状态的后验概率,并通过对伯努利参数的简单运算估计出目标状态,有效地避免了常规聚类算法。仿真结果表明,该方法与多模型概率假设密度滤波器相比,表征估计误差的最优子模型分配距离明显降低。

多普勒盲区下基于GM-CBMeMBer的多目标跟踪算法

在机载多普勒雷达多目标跟踪(MTT)过程中,多普勒盲区(DBZ)的存在易造成连续漏检,严重地影响目标跟踪性能。针对这一问题,提出了DBZ下基于高斯混合势平衡多目标多伯努利(GM-CBMeMBer)的多目标跟踪算法。首先将带最小可检测速度(MDV)的检测概率模型代入CBMeMBer更新公式中,然后推导了带MDV和多普勒信息的GM-CBMeMBer更新公式。仿真结果表明,相比未并入多普勒和MDV信息的GM-CBMeMBer,所提算法能有效改善DBZ条件下的多目标跟踪性能。

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器.随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合(Gaussian mixture,GM)技术获得了该滤波器解析的递推形式—多模型GMCBMeMBer滤波器,并简要给出了它在非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似.仿真实验结果表明所建议的多模型GM-CBMeMBer滤波器能有效地对多个机动目标进行跟踪而单模型GM-CBMeMBer滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度(GM probability hypothesis density,GM-PHD)滤波器,接近于多模型高斯混合势概率假设密度(GM cardinalized PHD,GM-CPHD)滤波器.

集群无人机定位信号的自适应GM-CBMeMBer滤波算法

针对集群无人机导航定位信号通信过程中,易混入实际随机噪声,而传统GM-CBMeMBer滤波算法处理会导致滤波器发散的问题,提出了一种用于集群无人机定位信号的自适应GM-CBMeMBer滤波算法。首先,构建对应的数学模型,通过观测模型和量测模型对信号进行跟踪、滤波。在此基础上,利用随机有限集和衰减因子实现对噪声的动态处理和进一步预测,结合预测值进行迭代更新,直到滤波过程结束。同时,引入高斯项的剪枝合并来提高滤波精度。实验结果表明,改进算法与传统算法相比较,在集群无人机定位航迹上的杂波点有所减少,总体平均误差降低了26.6%。同时,方法简单易行,便于工程实现。

多机动目标GM-CBMeMBer跟踪算法

针对杂波环境下标准的势均衡多伯努利滤波器不能有效跟踪多机动目标的问题,本文提出了一种新的多机动目标跟踪算法。该方法将势均衡多伯努利滤波器与"当前"统计自适应模型相结合,对目标的运动状态矩阵进行扩维,改变了目标状态转移矩阵和过程噪声方差,增加控制矩阵,实现目标加速度的自适应调整,从而使新算法能够适应目标运动状态的变化。仿真结果表明,在机动条件下,新算法能有效地跟踪多机动目标,而且跟踪精度较高。

自适应单点航迹起始的带标签GM-CBMeMBer滤波器

针对高斯混合势平衡多目标多伯努利(GM-CBMeMBer)滤波器局限于固定出生位置且不能提供航迹信息的缺陷,为有效利用机载多普勒雷达的多普勒信息,提出了自适应单点航迹起始的带标签GM-CBMeMBer滤波器。在预测步骤,该滤波器通过引入航迹标签提供航迹信息,并选取可能对应新生目标的量测,根据转换的位置量测和多普勒量测分别得到新生目标初始状态的位置分量和速度分量;在更新步骤,依次使用转换的位置量测和多普勒量测序贯更新目标状态。仿真结果表明,所提算法航迹起始性能良好,并且能够有效提供航迹信息。

改进的GM-CBMeMBer机载多普勒雷达多目标跟踪算法

为了有效抑制剩余杂波、提高多目标跟踪(MTT)能力,在高斯混合势平衡多目标多伯努利(GM-CBMeMBer)滤波器的基础上引入多普勒信息,提出了一种适用于机载多普勒雷达的MTT算法(GM-CBMeMBerwD).该算法改进了GM-CBMeMBer滤波器的更新步骤:首先利用位置量测更新目标状态,然后利用多普勒量测对其进一步更新,从而更准确地求得目标似然函数和状态估计.仿真结果表明,与GM-CBMeMBer相比,GM-CBMeMBerwD能更准确且更稳定地估计目标数量;与其他3种跟踪算法相比,GM-CBMeMBerwD能以较低的计算复杂度获得较优的跟踪性能.

基于双马尔可夫链的SMC-CBMeMBer滤波

大部分多目标跟踪滤波器都是假设目标及其量测符合隐式马尔可夫链(hidden Markov chain,HMC)模型,而HMC模型隐含的独立性假定在很多实际应用中是无效的,双马尔可夫链(pairwise Markov chain,PMC)模型相对于H MC模型更具有普适性。已有的基于PMC模型的势均衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波的高斯混合实现仅适用于线性高斯系统,针对基于PMC模型的非线性多目标跟踪系统,将每一条假设航迹的伯努利随机有限集用一组加权粒子来近似,提出了基于PMC模型的势均衡多目标多伯努利滤波的序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现(SMC-PMC-CBMeMBer)滤波。仿真实验结果验证了SMC-PMC-CBMeMBer算法的有效性,在基于PMC模型的非线性多目标跟踪系统中,SMC-PMC-CBMeMBer算法性能优于基于HMC模型的SMC-CBMeMBer滤波器和基于PMC模型的SMC-PHD滤波器。

扩展目标CBMeMBer滤波器及其高斯混合实现

将CBMeMBer滤波器推广到多扩展目标跟踪场合,提出扩展目标CBMeMBer滤波器,并给出其高斯混合实现的步骤.该滤波器主要对原始CBMeMBer滤波器的更新步进行改进,引入多量测似然函数,避免了对目标数目的过估计.仿真结果表明,在多扩展目标跟踪场合,扩展目标CBMeMBer滤波器对目标数目和状态的估计精度高于CBMeMBer滤波器,接近于扩展目标PHD滤波器.

基于粒子群算法的WSN多目标跟踪能量均衡算法

为了满足无线传感网络下多目标跟踪对于跟踪精度与网络寿命的需求,提出一种基于粒子群算法和势均衡多目标多伯努利滤波(cardinality balanced multi-target multi-bernoulli filter,CBMeMBer)的多目标跟踪能量均衡算法。算法通过粒子群算法计算网络能量中心,围绕能量中心形成传感器簇从而改善网络结构,在CBMeMBer滤波的基础上,借助Cauchy-Schwarz散度作为评价函数优化传感器节点量测更新顺序,以保证多目标跟踪精度。通过仿真结果证明算法在多目标跟踪精度与网络能量均衡性上的优势。

基于多普勒与微多普勒联合利用的弱小目标检测与估计方法

近年来,无人机(UAVs)等低慢小目标对现有低空空域管理带来了巨大挑战。这类目标由于其飞行高度低、飞行速度慢及雷达散射截面(RCS)面积小,导致其回波信噪比(SNR)低,传统基于目标多普勒信息的检测估计方法检测概率低,参数估计不准确。对于无人机类低慢小目标的检测估计,除了可以利用目标径向运动产生的多普勒信息外,还可以利用目标微动部件产生的微多普勒信息,通过有效聚集因微动而分散在多个多普勒单元格内的能量,可望实现目标信噪比的提升。该文针对旋翼类低慢小目标,充分挖掘目标回波中蕴含的多普勒信息和微多普勒信息,在随机集框架下对旋翼无人机目标的多普勒和微多普勒信息进行联合建模,提出一种基于(CBMeMBer)滤波器的多普勒和微多普勒联合检测估计方法,利用贝叶斯估计实现了目标多普勒信息和微多普勒信息的有效积累和融合利用,可以提高雷达低慢小目标的检测估计性能。仿真试验表明,该方法可实现对旋翼无人机目标的稳定检测与状态估计,相比于仅利用目标多普勒信息的传统检测方法,检测灵敏度提高了2 dB。

低检测率条件下改进的势均衡多目标多伯努利算法+

标准势均衡多目标多伯努利算法在低检测率下对目标数目估计过少。针对该问题,提出一种改进的势均衡多目标多伯努利算法。通过在上一时刻滤波过程中对某些特定的高斯项进行修正和保存,将修正后的高斯项合并到更新后的高斯项中,用到下一时刻的滤波步骤中,以削减低检测率带来的影响。仿真实验结果表明,在低检测率下,改进算法能够在一定程度上解决目标数目估计过少的问题,提高算法的目标跟踪精度。

基于EK算法改进的多目标跟踪技术

在随机有限集理论框架下,传统的3种基于高斯混合实现的滤波算法仅适用于线性高斯系统中的目标跟踪。为了将算法的使用范围扩展到非线性高斯系统,文中提出了传统3种滤波器基于扩展卡尔曼(EK)改进后的算法,通过泰勒级数展开将非线性问题转化为线性问题近似处理,并对比分析了3种新算法对于匀速转弯目标的跟踪性能。仿真结果表明,3种新算法均能实现对于非线性高斯系统中目标的有效跟踪。

学生t混合势均衡多目标多伯努利滤波器

在有重尾的过程噪声和量测噪声的影响下,高斯混合势均衡多目标多伯努利滤波器(GM-CBMeMBer)的滤波性能会明显下降。针对上述问题,该文提出一种新的学生t混合势均衡多目标多伯努利滤波器(STM-CBMeMBer)。该滤波器将过程噪声和量测噪声近似为学生t分布,并用学生t混合模型来近似多目标的先验强度。从理论上推导出学生t混合形式的预测强度和后验强度,建立了势均衡多目标多伯努利滤波器的闭式递推框架。仿真结果表明,在重尾的过程噪声和量测噪声存在的环境中,该滤波器能有效抑制其干扰,相比于传统方法,具有更高的跟踪精度。

集群无人机区域导航的定位信号特征提取模型

在构建无人机区域导航定位信号特征提取模型时,如果没有及时获取定位信号,将会导致模型的构建时间长,精准度低、识别率差,因此,提出基于GM-CBMeMBer算法的集群无人机区域导航的定位信号特征提取模型构建方法。该方法先利用GM-CBMeMBer算法对集群无人机区域导航时的随机噪声及滤波进行改善,计算出无人机导航时的衰减因子和新息协方差,再将计算后的滤波进行高斯项剪枝合并以此获取定位信号。最后将定位信号进行特征的提取压缩,构建定位信号的特征提取模型。测试结果表明,所提方法的模型构建时间短、提取特征的精准度好、识别率高。