自适应交互多模型的PHD粒子滤波多机动目标跟踪

针对多机动目标跟踪中采用统一固定模型转移概率的问题,提出一种在线估计模型转移概率的自适应多模型PHD滤波(AIMM-PHD)。首先保留模型的采样粒子及其似然度;其次根据粒子的分类结果,计算出每个目标对应每个模型的状态输出;最后将输出交替作为模型输入进行滤波,计算出目标的模型转移概率。实验表明:相较于IMM-PHD,所提AIMM-PHD有较低的OSPA误差,目标个数估计更准确,且时间只增加了8.1%,从而证明了该算法的有效性。     

基于迭代积分粒子滤波的目标跟踪算法

针对粒子滤波在非线性目标跟踪中存在粒子退化的问题,提出一种迭代积分粒子滤波的目标跟踪算法。该算法从改进重要性函数的角度入手,在积分卡尔曼滤波的基础上,通过高斯牛顿迭代的方法进行量测更新,并对粒子集合中的粒子进行迭代积分卡尔曼滤波,使得构造的重要性函数更加贴近真实后验分布。仿真结果表明,与粒子滤波算法、积分粒子滤波算法相比,该算法在有效改善非线性目标跟踪中粒子退化的同时,提高了跟踪精度。     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

基于QPF的无源传感器目标跟踪算法

在无源传感器目标跟踪系统的研究中,在双红外传感器组成的无源传感器目标跟踪系统模型中,传感器提供的仅是目标的角度信息,导致量测值与目标状态之间存在较强的非线性关系,而传统跟踪算法在解决非线性问题时具有局限性,为提高目标跟踪精度,提出一种基于积分粒子滤波(QPF)的无源传感器目标跟踪算法,在不受非线性、非高斯问题限制的粒子滤波的基础上,从改进粒子滤波重要性函数的角度入手,利用积分卡尔曼滤波(QKF)将当前最新量测考虑在内,构造出粒子滤波的重要性函数,使得改进后的重要性函数更加贴近真实后验分布,从而有效遏制了粒子退化现象.仿真结果表明,改进算法提高了跟踪精度,较好地解决了无源传感器对目标的非线性跟踪优化问题.