星凸形多扩展目标跟踪中的传感器控制方法

针对多扩展目标跟踪中的传感器控制问题, 本文基于有限集统计(FISST)理论与随机超曲面模型(RHM), 利 用多伯努利(MBer)滤波器提出有效的传感器控制策略. 首先, 文中给出多扩展目标跟踪中基于信息论联合目标形状 估计优化和目标运动状态估计优化的传感器控制方法的求解思路. 其次, 给出RHM容积卡尔曼高斯混合(GM)势均 衡多扩展目标多伯努利滤波算法的具体实现过程. 然后, 结合GM密度间的柯西施瓦兹(Cauchy-Schwarz)散度提出 相应的传感器控制决策方法. 此外, 详细推导了扩展目标势的后验期望(PENET)的GM实现, 并提出以GM–PENET 为评价函数的传感器控制方法. 最后, 通过构造随机星凸形多扩展目标的跟踪优化仿真实验验证了本文所提传感 器控制方法的有效性.     

多目标跟踪中多传感器分布式控制策略

分布式传感器网络技术在复杂的多目标跟踪系统中发挥了极其重要的作用.本文针对多传感器多目标跟踪中的分布式传感器控制问题,提出了基于信息论的多传感器控制策略.首先,本文利用随机有限集(RFS)建模,给出了多传感器多伯努利滤波器,并通过一组参数化的多伯努利过程来近似多传感器多伯努利密度.进一步的,通过多伯努利滤波器的序贯蒙特卡罗实现,设计采样方案对多伯努利密度进行粒子采样,用一组带有权值的粒子集近似多目标状态空间分布.随后,借助巴氏距离(Bhattacharyya distance)作为传感器控制的评价函数用于多个传感器的独立并行控制方案的决策制定.作为另外一个重要内容,本文提出了一种基于多目标战术重要性评估的多传感器控制策略.该控制方案旨在评估多目标战术重要性的基础上对威胁度最大的目标进行优先跟踪.最后,仿真实验验证了所提算法的有效性.     

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.     

机动多目标跟踪中的传感器控制策略的研究

针对机动多目标跟踪中的传感器控制问题, 本文提出一种基于信息论的多模型多伯努利滤波器的控制方案. 首先, 基于随机有限集(Random finite set, RFS)方法给出信息论下的传感器控制的一般方法; 其次, 本文给出多模型势均衡多目标多伯努利滤波器的序贯蒙特卡罗实现形式. 此外, 提出一种目标导向的多伯努利概率密度的粒子采样方法, 并借助该方法近似多目标概率密度, 继而利用Bhattacharyya 距离求解最终的控制方案. 典型机动多目标跟踪问题的仿真应用验证了本文传感器控制方法的有效性.     

多目标跟踪中基于信息熵测度的传感器控制方法

针对多目标跟踪中的传感器控制问题,提出一种基于有限集统计(FISST)理论的传感器控制策略.首先,基于随机有限集(RFS),建模给出基于信息论的传感器控制的一般方法;然后,利用多目标概率密度的近似统计特性推导柯西施瓦兹(CS)距离的表达形式,并最终利用粒子概率假设密度滤波器对评价函数进行求解,在信息增益最大化的准则下得到传感器的最优控制方案.传感器的轨迹控制实验仿真验证了所提出算法的有效性.     

Rao-Blackwellized粒子势均衡多目标多伯努利滤波器

由于多伯努利滤波器直接近似递推了多目标状态的后验概率密度,使得多目标跟踪问题在基于随机有限集理论框架下的求解及目标状态的估计显得更为直观.本文针对一个状态可分解(线性/非线性)的状态空间模型,分析基于Rao-Blackwell定理的滤波估计方法,结合噪声的去相关构造线性状态的滤波方程.文中详细推导并提出Rao-Blackwellized粒子势均衡多目标多伯努利滤波器的一般实现形式,包括给出多伯努利非线性状态粒子滤波的实现形式,并结合非线性滤波结果给出多伯努利线性状态的递推滤波公式.本文提出的滤波器实现方法能够在更低维的状态空间上进行采样,滤波器的整体跟踪性能得到提高.多目标跟踪的仿真实验结果验证了该算法的有效性.     

多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST（Finite set statistics）跟踪理论提出一种多传感器高斯混合PHD（Probability hypothesis density）多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.     

基于多目标均方误差界的多传感器控制算法

提出了一种新的基于集中式处理结构的有约束多传感器控制算法.该算法将多目标均方误差界作为传感器控制的代价函数.为了应用信息不等式得到该误差界, 2阶最优子模式分配测度被用于度量状态集和其估计集间的误差, 并采用δ-广义标签多伯努利滤波器执行多目标Bayes递推.混合罚函数法和复合形法被用来降低求解该有约束优化问题的计算量.仿真结果表明对于由多个不同观测性能传感器组成的带约束条件的控制系统, 本方法的跟踪精度显著优于柯西-施瓦茨散度法; 并且当传感器个数较多时, 混合罚函数和复合形法的计算时间相比穷尽搜索法显著缩短而跟踪精度损失很小.     

高斯过程回归模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下不规则形状的多扩展目标跟踪问题, 本文提出了一种基于高斯过程回归(GPR) 模型的多扩展目标多伯努利(GPR–ETCBMeMBer)滤波算法. 首先, 在利用有限集统计理论(FISST)将多扩展目标的 状态集与量测集分别建模为多伯努利随机有限集(MBer RFS) 和泊松随机有限集(Poisson RFS) 的基础上, 通过 GPR方法建立多扩展目标随机超曲面的跟踪滤波模型. 然后, 基于容积卡尔曼滤波器(CKF)详细推导并提出GPR多 扩展目标多伯努利滤波算法的高斯混合(GM)实现. 最后, 通过构造对星凸形多扩展目标和多群目标跟踪的仿真实 验验证了本文所提算法的有效性.     

多距离假设纯方位伯努利滤波器的设计

考虑多目标随机新生和消亡下存在杂波和传感器漏检所导致的量测源不确定性,针对纯方位跟踪(BOT)问题,提出一种多距离假设伯努利滤波器。首先,构造笛卡尔坐标系下的多距离假设纯方位观测模型;然后,根据该测量模型详细推导并提出高斯混合多距离假设势平衡多目标多伯努利滤波器;最后,提出一种自适应纯方位新生多伯努利密度的新方法。仿真结果验证了所提出算法的有效性。     

Sensor management for multi-target tracking via multi-Bernoulli filtering

In multi-object stochastic systems, the issue of sensor management is a theoretically and computationally challenging problem. In this paper, we present a novel random finite set (RFS) approach to the multi-target sensor management problem within the partially observed Markov decision process (POMDP) framework. The multi-target state is modelled as a multi-Bernoulli RFS, and the multi-Bernoulli filter is used in conjunction with two different control objectives: maximizing the expected Rényi divergence between the predicted and updated densities, and minimizing the expected posterior cardinality variance. Numerical studies are presented in two scenarios where a mobile sensor tracks five moving targets with different levels of observability.     

基于分布式有限感知网络的多伯努利目标跟踪

针对感知范围受限的分布式传感网多目标跟踪问题, 在多伯努利滤波跟踪理论基础上提出分布式视场互补多伯努利关联算术平均融合跟踪方法. 首先, 通过视场互补扩大传感器感知范围, 其中, 局部公共区域只互补一次以降低计算成本. 其次, 每个传感器分别运行局部多伯努利滤波器, 并将滤波后验结果与相邻传感器进行泛洪通信使得每个传感器获取多个相邻传感器的后验信息. 随后, 通过距离划分进行多伯努利关联, 将对应于同一目标的伯努利分量关联到同一个子集中, 并对每个关联子集进行算术平均融合完成融合状态估计. 仿真实验表明, 所提方法在有限感知范围的分布式传感器网络中能有效地进行多目标跟踪.     

CBMeMBer滤波器序贯蒙特卡罗实现新方法的研究

为提升多伯努利滤波器序贯蒙特卡罗(Sequential Monte Carlo, SMC)实现中粒子采样的有效性,提出一种CBMeMBer辅助粒子滤波(Auxiliary particle filter, APF)实现的新方法.首先,利用多伯努利后验概率密度选择适合于CBMeMBer滤波器的辅助变量去重新定义采样问题.分别选择量测和先验密度分量作为辅助变量,确保最终的状态粒子能够集中在真实目标量测对应航迹的伯努利概率密度上进行采样,以使粒子向似然函数的峰值区移动,得到更为精确的多目标多伯努利(Multi-target multi-Bernoulli, MeMBer)后验概率密度的估计.同时,文中深入研究并给出了在量测更新和漏检情况下辅助变量以及多目标状态采样分布函数的设计,并研究利用渐近更新(Progressive correction, PC)算法对先验密度分量的量测更新进行迭代逼近计算,以提高最终分布函数求解的准确度.最后,针对两个典型非线性多目标跟踪问题的应用验证了算法的有效性.     

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题, 提出了一种基于星凸形随机超曲面模型(Star-convex RHM)的多扩展目标多伯努利滤波算法.首先, 在有限集统计(Finite set statistics, FISST)理论框架下, 采用多伯努利随机有限集(MBer-RFS)和泊松RFS (Possion-RFS)分别描述多扩展目标的状态和观测, 并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次, 利用RHM去描述任意星凸形扩展目标的量测源分布, 提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外, 本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后, 通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.