在非線性高雜波密度場景下,高斯混合（Gaussian Mixture,GM）實現(xiàn)的δ-廣義標簽多伯努利濾波器（δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB）難以準確地估計目標數(shù)目及運動狀態(tài)。針對這一問題,提出基于均方根容積卡爾曼濾波（Square-rooted Cubature Kalman Filter,SCKF）的δ-GLMB高斯混合實現(xiàn)算法�；谌A球面-徑向容積準則選取一組等權的容積點集,對GM-δ-GLMB濾波器的伯努利分量傳遞過程中的高斯參量進行預測及更新,實現(xiàn)非線性模型系統(tǒng)下的目標跟蹤。仿真結果表明,與現(xiàn)有的δ-GLMB濾波器的擴展卡爾曼濾波（Extended Kalman Filter,EKF）高斯混合實現(xiàn)及無跡卡爾曼濾波（Unscented Kalman Filter,UKF）高斯混合實現(xiàn)相比,該算法可提高非線性高雜波密度環(huán)境下的目標跟蹤精度。 

【文章來源】：計算機應用與軟件. 2020,37(04)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

本文算法總體框圖

表1 6個機動目標的初始狀態(tài)及出現(xiàn)消亡時間 目標 目標1 目標2 目標3 目標4 目標5 目標6 X軸/m 1 003.9 -255.8 -1 507.4 -1 500 246.2 -257.4 X軸速度/(m·s-1) -10 20 11 43 -12 -12 Y軸/m 1 488.3 1 011.4 256.7 250 739 993.8 Y軸速度/(m·s-1) -10 3 10 0 5 -12 角速度/(rad·s-1) π/720 -π/270 -π/180 0 π/360 π/180 出現(xiàn)時刻/s 1 10 10 10 20 40 消亡時刻/s 100 100 100 66 80 100本文在非線性模型系統(tǒng)下參考文獻[15-16]中的目標運動模型、轉彎模型CT,其狀態(tài)轉移方程為:

圖3為本文所提算法在雜波密度為λ=1.5×10-6 m-2時的目標濾波結果圖,x軸和y軸分別為二維坐標平面內(nèi)的x位置和y位置。本文算法在x軸和y軸方向上對機動目標的跟蹤效果如圖4所示,從圖中可得知各目標出現(xiàn)和消亡的時間及運動狀態(tài)。圖3、圖4中濾波結果與目標真實軌跡幾乎重合,因此本文算法能夠準確地估計目標的運動軌跡,對目標進行準確跟蹤。圖4 本文算法對目標狀態(tài)估計圖

【參考文獻】：
期刊論文
[1]δ-廣義標記多伯努利濾波器的非線性應用擴展[J]. 侯利明,連峰,王偉.  西安交通大學學報. 2019(06)
[2]基于箱粒子濾波的混合標簽多伯努利跟蹤算法[J]. 馮新喜,遲珞珈,王泉,苗露.  控制與決策. 2020(02)
[3]雜波未知條件下基于箱粒子濾波的CBMeMBer算法[J]. 董青,胡建旺,吉兵,張浩.  探測與控制學報. 2018(04)
[4]基于改進的IMM-UKF高超聲速目標跟蹤算法[J]. 肖楚晗,李炯,雷虎民,李世杰.  探測與控制學報. 2018(03)
[5]箱粒子廣義標簽多伯努利濾波的目標跟蹤算法[J]. 苗雨,宋驪平,姬紅兵.  西安交通大學學報. 2017(10)
[6]基于UKF和優(yōu)化組合策略的改進粒子濾波算法[J]. 張昆,陶建鋒,賀思三.  計算機工程與科學. 2017(08)
[7]基于箱粒子的ET-CBMeMBer濾波算法[J]. 劉艷君,劉祖鵬.  電光與控制. 2017(08)
[8]未知雜波狀態(tài)下基于箱粒子濾波的PHD算法[J]. 魏帥,馮新喜,王泉.  探測與控制學報. 2017(02)
[9]基于自適應EKF濾波算法的汽包水位估計方法[J]. 陳銳民,張曦,張衛(wèi)東.  控制工程. 2017(02)
[10]一種改進的多伯努利多目標跟蹤算法[J]. 王海環(huán),王俊.  西安電子科技大學學報. 2016(06)

碩士論文
[1]基于箱粒子濾波的MeMBer擴展目標跟蹤算法研究[D]. 李鵬濤.西安電子科技大學 2016



本文編號：3025680