论文部分内容阅读
基于随机集理论的多目标跟踪方法为目标跟踪研究提供了一种新的手段。该方法在随机集理论框架下推导出多目标跟踪滤波递推表达式,直接估计目标个数和目标状态,避免了数据关联,具有非常广阔的应用前景。论文针对如何提高概率假设密度(Probability Hypothesis Density,PHD)滤波算法跟踪精度、杂波未知条件下基于随机集理论的多目标跟踪问题,以及多传感器多目标多贝努力(Multi-target Multi-Bernoulli,Me MBer)滤波问题展开研究。论文主要工作如下:1.针对如何提高基于PHD滤波的单传感器多目标跟踪精度问题展开研究。首先,将标签技术应用到粒子PHD滤波算法的目标估计过程中,提出了一种基于粒子标签的SMC-PHD(Sequential Monte Carlo PHD)多目标估计方法。该方法为每个粒子添加身份标签,结合量测与粒子的似然值完成粒子群聚类、实现目标状态的高精度估计。随后,从SMC-PHD滤波算法的粒子采样问题入手,将无迹变换引入到PHD滤波算法存活粒子重要性采样过程中,提出一种基于无迹变换的SMC-PHD滤波算法,提高了粒子PHD滤波算法的目标状态估计精度。最后,针对基于PHD滤波的机动目标跟踪问题,提出了一种改进的多模PHD机动目标跟踪算法。该方法利用最新量测信息估计目标采用不同运动模型的概率,将有限的粒子分布到目标最有可能存在的状态空间,从而提高了现有多模PHD机动目标跟踪算法的跟踪精度。2.针对背景杂波未知条件下基于随机集理论的单传感器多目标跟踪问题展开研究。首先,以杂波率未知条件下PHD滤波算法存在的问题为切入点,研究了现有杂波率未知条件下PHD滤波算法中的杂波模型参数对杂波率估计值的影响,提出了一种杂波模型参数设置方法,改进了现有算法。随后,研究了传感器杂波未知条件下的Me MBer滤波问题,通过在Me MBer滤波算法中引入加窗技术,提出了一种基于加窗方法的杂波未知条件下的Me MBer滤波算法。该算法通过加窗将传感器视场划分为若干区域,并实时估计窗内杂波的概率假设密度,用于随后的Me MBer滤波。仿真分析表明,与现有算法相比较,论文提出的算法能够更加准确地估计出目标个数和目标状态,具有较好的跟踪性能。3.针对基于随机集的多传感器多目标跟踪问题展开研究。首先,将序贯更新PHD算法推广到Me MBer滤波算法中,给出了序贯更新Me MBer滤波算法,并仿真分析了序贯更新Me MBer滤波算法性能。结果表明,当传感器的性能不相同时,传感器的更新顺序将影响到最终的融合结果。为了克服传感器更新顺序对融合结果的影响,论文从理论上推导给出了一种理论精确的两传感器Me MBer滤波算法,并给出了该算法的序贯蒙特卡洛实现方法。仿真试验表明,理论推导得到的两传感器Me MBer滤波算法性能优于序贯更新Me MBer滤波算法,且与传感器更新顺序无关。尽管理论精确的多传感器Me MBer滤波算法具有最优的性能,但分析表明,当传感器超过两个时,由于计算复杂、无法得到精确的解析解,并不能用于解决当前的工程实际问题。因此,论文依据贝叶斯理论,提出了一种面向工程应用的多传感器Me MBer滤波算法,并给出其序贯蒙特卡洛实现方案。仿真试验验证了算法的有效性及相比已有基于RFS多传感器跟踪算法的性能优势。