目前,目标跟踪技术广泛应用于导航、制导、交通、监测等领域。随着跟踪环境的日趋复杂,以及传感器技术的进步,多传感器目标跟踪系统已成为目标跟踪领域的研究热点。相较于单传感器目标跟踪系统,多传感器目标跟踪系统具有以下优点:时空覆盖范围更大,跟踪精度和可信度更高,系统的鲁棒性和抗打击性更强等。然而,多传感器目标跟踪系统在实际应用中仍存在许多亟需解决的难题,例如,过高的传输代价与计算负担,非可靠传感器影响的抑制,传感器网络类型的选择等。二十一世纪以来,基于随机有限集(Random Finite Set,RFS)的目标跟踪算法由于弱化了目标和量测间的数据关联,避免了传统多目标跟踪中的组合爆炸问题,因而受到学术界的广泛关注。然而该类算法要求已知场景的先验信息,不准确或不充分的先验信息会导致滤波精度下降和目标数估计不准确等问题。本文基于RFS理论,针对未知场景参数下的多传感器目标跟踪方法开展研究,主要取得了以下成果:1.研究了迭代式多传感器目标跟踪中杂波环境未知的问题。贝叶斯框架下的算法通常假设场景中的杂波强度是先验已知的,如果预设的杂波信息不准确,或场景中的杂波是动态变化的,则滤波效果就会受到严重影响。在迭代势概率假设密度滤波(Iterated Corrector Cardinalized Probability Hypothesis Density,IC-CPHD)算法中,目标跟踪精度伴随迭代会逐步下降,甚至导致滤波发散,目标丢失。针对上述问题,本文提出一种基于狄利克雷过程混合模型(Dirichlet Process Mixture Model,DPMM)杂波估计IC-CPHD算法。该算法先将全部传感器获得的量测作为样本集,再利用DPMM非参数聚类方法,可灵活地得到杂波模型,并且估计杂波的空间分布,最后利用ICCPHD的滤波结果校正参数估计的样本集。仿真结果表明,该算法可以有效地估计场景中的杂波分布,同时也能够很好地抑制样本集中目标量测对杂波估计的影响。2.研究了迭代概率假设密度滤波(IC Probability Hypothesis Density,IC-PHD)中新生目标RFS未知的问题。基于量测驱动的未知新生目标建模方法利用历史量测信息对新生目标进行建模,但由于量测信息中含有大量杂波,不仅影响滤波精度,也会导致计算量过大,并在新生目标出现时存在一定时延。此外,对多传感器系统来说,这种利用全部量测建模的方法还会导致在存活目标周围出现错误的新生目标,影响航迹融合的效果。针对上述问题,本文提出一种PHD迭代的量测集划分算法。该算法首先利用单传感器的量测集建模一个标签混合RFS的PHD。再通过迭代滤波的方法对量测集进行划分,获得由新生目标产生的量测集和去除杂波的量测集。利用新生目标量测对新生目标PHD建模,再用去除杂波的量测集进行PHD更新。仿真结果表明,该算法能够准确地对新生RFS进行建模,在新生目标信息先验未知的场景中具有良好的跟踪精度和较低的计算复杂度。3.研究了IC-PHD滤波中量测噪声未知的问题。场景中的量测噪声通常假设为零均值的高斯白噪声,然而传感器系统可能存在平移误差,并且量测噪声协方差也可能是未知的,因此,对于同一个目标,不同传感器获得的量测可能差异较大。在这种情况下,如果量测噪声的参数设置不准确,则会导致在迭代滤波时出现目标权值降低,进而出现目标丢失的问题。针对上述问题,本文基于变分贝叶斯(Variational Bayesian,VB)推理,提出了一种能够同时估计量测噪声均值和协方差的标签IC-PHD滤波算法。该算法利用变分法对似然函数中的量测噪声协方差和多目标状态解耦合,同时利用传感器之间的误差差异,近似求解传感器的量测噪声均值。仿真结果表明,该方法能够正确估计均值非零的量测噪声的参数,获得准确的融合航迹。4.研究了分布式多传感器系统中传感器可靠性未知的问题。迭代滤波尽管具有易扩展和计算复杂度低的优势,但对传输带宽要求高,且滤波效果与迭代顺序相关。同时,当传感器系统中存在性能较差的传感器时,迭代滤波的估计精度和可靠性就会大幅下降。针对上述问题,本文提出一种基于D-S(Dempster-Shafer)证据理论的分布式多传感器融合算法。该算法首先利用标签VB-PHD对局部传感器进行滤波,同步估计航迹信息和量测噪声协方差,然后用D-S推理来确定局部传感器的航迹与融合航迹之间的对应关系。最后,依据估计的量测噪声协方差计算航迹质量参数,作为目标状态融合的权值。仿真结果表明该算法在低检测概率、高量测噪声、目标交叉等复杂的场景中都能获得良好的融合结果。以上四部分内容相辅相成,对于解决复杂环境中的多传感器系统架构与算法选择,提供了理论依据和技术支撑。