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。     

自适应非线性GM-PHD滤波及在无源跟踪中的应用

首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。