非线性系统的多扩展目标跟踪算法.doc

非线性系统的多扩展目标跟踪算法
摘 要:目前扩展目标跟踪算法大都假设其系统为线性高斯系统,针对非线性系统的多扩展目标跟踪问题,提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先,提出了将多扩展目标of that, the estimation accuracy of the target state is improved, and the Jaccard distance of shape estimation is reduced by approximately 30% and 20% respectively. The proposed algorithm is more suitable for multiple extended target tracking of the nonlinear system.
英文关键词Key words: extended target tracking; nonlinear system; Bayesian framework; joint estimation; particle filter; proposal distribution function
0 引言
扩展目标在每个时刻可产生多个量测,因此传统多点目标跟踪算法无法应用于多扩展目标跟踪。目前多扩展目标跟踪算法大致有两类: 一类是通过修改假设条件将点目标跟踪算法的数据关联方法如联合概率数据关联(Joint Probabilistic Data Association, JPDA)、概率多假设方法(Probabilistic MultiHypothesis, PMHT)等,推广到多扩展目标跟踪[1-3];另一类是基于随机有限集,将概率假设密度(Probability Hypothesis Density, PHD)滤波器、势概率假设密度(Cardinalized PHD, CPHD)滤波器、高斯混合概率假设密度(Gaussian Mixture PHD, GMPHD)滤波器、序贯蒙特卡洛概率假设密度(Sequential Monte Carlo PHD, SMCPHD)滤波器等应用到多扩展目标跟踪算法[4-7],但这类算法理论上需要考虑每一时刻量测集的所有可能划分,因此计算量较大,计算量会随着扩展目标个数或量测个数急剧增加。文献[6-8]为减少计算量只考虑了一部分划分算法,但擴展目标跟踪性能严重依赖于划分算法,在目标相距较近时难以获得理想的效果。 目前已存在非線性系统的单扩展目标跟踪算法,如文献[9]中将RaoBlackwellised粒子滤波器应用到扩展目标跟踪,线性状态部分采用卡尔曼滤波器,非线性部分采用粒子滤波器进行估计;文献[10]中将非线性量测函数线性化,利用基于随机矩阵的扩展目标跟踪算法扩展到非线性系统。现有的多扩展目标跟踪算法一般是针对线性高斯系统,为解决非线性问题通常将处理非线性系统的方法如无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、粒子滤波器(Particle Filter, PF)与线性系统的多扩展目标滤波器相结合,如文献[11]中将UKF应用于扩展目标GMPHD(Extended Target GMPHD, E