论文部分内容阅读
多目标跟踪(Multi-target Tracking,MTT)是信息融合领域的重要研究内容之一,被广泛应用于防空、交通管制、智能监控、自动驾驶等军事和民事领域。多目标跟踪不仅需要估计多目标状态,还要估计目标数目。由于目标可能发生新生、存活、消亡和衍生等现象,此外,传感器可能发生漏检和受到杂波干扰,多目标跟踪成为近年来的研究热点。Mahler提出的基于随机有限集(Random Finite Set,RFS)理论的多目标跟踪算法,由于其避免了复杂的数据关联而得到广泛的关注和深入的研究。该方法通过将多目标状态和多目标量测建模为状态RFS和量测RFS,利用有限集统计(Finite Set Statistics,FISST)工具构造出RFS框架下的多目标贝叶斯滤波。在此基础上,已发展出三种常用的RFS滤波算法,即概率假设密度(Probability Hypothesis Density,PHD)滤波、势概率假设密度(Cardinalized Probability Hypothesis Density,CPHD)滤波和势均衡多目标多贝努利(Cardinality Balanced Multi-Target Multi-Bernoulli,CBMeMBer)滤波。上述方法中,通常假设系统的过程噪声和传感器的量测噪声均服从高斯分布。然而,在实际应用中,过程噪声和量测噪声常常难以满足这一假设,尤其当噪声中出现野值时,将不再服从高斯分布,致使上述方法在实际场景中的跟踪性能下降,严重制约了理论方法的实际应用性能。本文基于RFS理论,重点研究过程噪声和量测噪声存在野值情况下的多目标跟踪问题。论文主要取得的成果如下:1.针对量测噪声野值下的多目标跟踪问题,提出了高斯逆威沙特分布混合概率假设密度滤波算法。引入了辅助变量对量测噪声进行建模,将多目标后验强度近似为高斯逆威沙特分布混合形式,从而将野值下的多目标跟踪问题转化为状态和量测噪声协方差的联合估计问题。利用变分贝叶斯推理同时估计高斯逆威沙特分布混合中各成分的参数。给出了PHD滤波的高斯逆威沙特混合实现。仿真实验表明,当量测噪声出现野值时,所提算法仍具有良好的跟踪性能。2.针对过程噪声和量测噪声野值下的多目标跟踪问题,提出了一种基于学生t分布的势均衡多目标多贝努利滤波算法。将过程噪声和量测噪声建模为学生t分布,并利用学生t分布的重尾特性匹配含有野值的过程噪声和量测噪声。通过多贝努利分布近似多目标后验概率密度,将多贝努利的概率密度参数近似为学生t分布混合形式,推导了基于学生t分布的CBMeMBer滤波的闭合解。证明了所提的学生t分布混合CBMeMBer滤波是现有高斯混合CBMeMBer(GM-CBMeMBer)滤波的广义形式,当学生t分布的自由度趋于无穷大时,所提算法将收敛为GM-CBMeMBer滤波。仿真实验表明,所提算法能够有效处理过程噪声和量测噪声野值下的多目标跟踪问题。3.针对过程噪声和量测噪声野值导致高斯混合CPHD(GM-CPHD)滤波性能下降的问题,提出了一种基于学生t分布的CPHD滤波。引入学生t分布对重尾的过程噪声和量测噪声进行建模,并将多目标后验强度近似为学生t分布混合形式。分别推导了基于学生t分布的CPHD滤波的线性解析解(Student’s T Distribution Mixture CPHD,STM-CPHD)和非线性解析解(Robust Student’s T Distribution Mixture CPHD,RSTM-CPHD),并采用矩匹配算法抑制学生t分布的自由度无限增长。证明了传统GM-CPHD滤波仅是所提算法的一种特殊形式。仿真实验表明,当存在过程噪声和量测噪声野值时,所提算法具有较好的跟踪精度。4.针对高斯混合粒子PHD(Gaussian Mixture Particle PHD,GMP-PHD)滤波存在的多目标跟踪精度低的问题,提出了高斯混合粒子流PHD(Gaussian Mixture Particle Flow PHD,GMPF-PHD)滤波算法。该算法将多目标后验强度近似为高斯混合形式,并利用加权粒子近似各高斯分量。在更新过程中利用粒子流更新各粒子,将其移动至能够更加精确近似后验强度的区域。由于所提算法充分利用了量测信息,能够获得比GMP-PHD滤波更高的多目标跟踪精度。与粒子PHD滤波相比,所提GMPF-PHD滤波无需聚类和重采样操作,避免了不稳定的聚类算法引起的错误状态估计,且计算复杂度较低。仿真实验表明,该算法在线性和非线性场景均能获得良好的跟踪性能。