论文部分内容阅读
目标跟踪技术被广泛的应用在监控、导航、障碍规避等需要确定目标的数目、位置、运动和身份的系统中,是这些系统的重要组成部分。而能够递推估计目标状态的滤波算法是整个跟踪系统的重要基石。在目标跟踪领域,最常用的经典滤波算法是卡尔曼滤波(Kalman Filter)和扩展卡尔曼滤波(Extended Kalman Filter),其中前者用于线性系统,后者用于非线性系统。KF是最小均方意义下的最优滤波算法,EKF则是利用一阶泰勒展开将非线性系统线性化而得到的一种次优滤波算法,在非线性不是特别严重的情况下,EKF有着近似最优的滤波效果。上述两种方法在当系统噪声和观测噪声满足高斯分布特性的时候具有较好滤波性能,而对于非高斯分布噪声上述滤波方法的指标下降,甚至出现发散。因此,人们开始关注非线性、非高斯情况下的滤波方法。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。本论文以目标跟踪为主要背景,研究飞行目标的粒子滤波算法。通过对粒子滤波算法基本理论的分析和对该算法存在的问题的研究,详细阐述了粒子滤波算法的原理,分析了此滤波方法的优缺点,并于最后将粒子滤波算法应用在具有强非线性条件下并和以往的EKF算法性能进行比较,以及实际的飞行目标仿真实验中,仿真结果表明这种滤波算法能够很好地解决非高斯机动目标跟踪问题。