基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

均方根嵌入式容积卡尔曼滤波

传统容积卡尔曼滤波(CKF)的基础是三阶球面-径向容积准则,该准则不仅要求计算n维超球体上的面积分,还需将容积准则与扩展高斯-拉盖尔准则配合使用,不易推导出高阶CKF滤波算法.此外,CKF推导所采用的三阶球面容积准则也存在缺陷,这极大地限制了CKF的滤波精度.为避免以上问题,本文基于嵌入式容积准则和均方根滤波技术,提出一种加性噪声环境下,用于非线性动态系统状态估计的全新容积卡尔曼滤波算法-三阶均方根嵌入式容积卡尔曼滤波(SICKF).SICKF具有滤波精度高、数值稳定性强等诸多优点,适用于动态目标跟踪、非线性系统控制等.仿真结果表明,SICKF的滤波精度显著优于传统的非线性滤波算法.     

鲁棒高斯和集合卡尔曼滤波及其在纯角度跟踪中的应用

针对纯角度目标跟踪中量测信息易受异常值和非高斯噪声干扰的问题,提出了一种新的非线性滤波算法–鲁棒高斯和集合卡尔曼滤波(robust Gaussian-sum ensemble Kalman filter,RGSEnKF)算法.首先,采用Huber技术重塑集合卡尔曼滤波的量测更新过程,能够有效地处理量测中的异常值.随后,将改进的集合卡尔曼滤波在高斯和框架下进行扩展,得到RGSEnKF算法,可以进一步解决受非高斯噪声干扰的非线性系统的状态估计问题.此外,新算法中包含距离参数化初始化策略和高斯分量融合策略.前者是为了减小纯角度跟踪中距离信息不可观测的影响,而后者可以避免高斯分量数目随时间不断增长.大量仿真结果验证了新算法的有效性和鲁棒性.     

面向非线性MTT的多模型泊松多伯努利混合滤波算法

在多目标跟踪(Multi-target Tracking, MTT)的非线性特性与低检测概率情况下,针对多伯努利滤波算法的高斯混合(Gaussian Mixture, GM)实现难以精确估计目标的势与运动状态的实际问题,本文提出了一种适用于非线性系统的泊松多伯努利混合滤波(Poisson Multi-Bernoulli Mixture Filter, PMBM)算法.首先,推导出多模型泊松多伯努利混合滤波的高斯混合(GM Multi-model PMBM,GM-MM-PMBM)实现过程.然后,分别对GM-MM-PMBM的伯努利高斯分量进行预测与更新,实现了基于非线性系统的MTT.为提升系统稳定性,基于平方根协方差矩阵推导出GM-MM-PMBM均方根容积卡尔曼滤波算法的实现过程.最后,仿真实验综合验证了本文算法的跟踪性能.     

无线传感器网络中目标跟踪的马尔可夫模型与预测方法

针对目标运动是一个包含许多不确定因素的非线性非高斯随机过程,提出基于马尔可夫随机场模型与粒子滤波的WSN分布式目标跟踪方法(MRF-PF)。把目标跟踪过程看作是一个马尔可夫过程,基于贝叶斯规则,建立目标状态分布函数,用粒子滤波估计目标状态,实现目标跟踪。实验结果:对于泊松白噪声,MRF-PF方法的跟踪均方根误差RMSE相比卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)方法分别降低52.6%、49.2%;对于方差σ2由0.3→3的高斯噪声,GM-PF方法的RMSE相比KF、EKF分别降低54.5%～77.2%和23.5%～54.2%。这表明MRF-PF方法在非线性非高斯噪声或高斯噪声变化较大时具有较好的抗噪能力及跟踪性能。     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

基于高斯和滤波的高轨双星高超音速目标跟踪

针对基于高轨双星时频差观测的无源跟踪问题,提出一种适用于跟踪高超音速巡航目标GMM-AEKF算法,该算法使用基于Euler采样建立的WGS-84椭球下的目标离散时间运动方程,在已有的GMM-EKF跟踪框架的基础上引入时差均匀高斯混合（GMM）表示、替代扩展卡尔曼滤波（AEKF）和基于Kullback-Leibler散度的高斯分量管理。仿真实验结果表明,AEKF的引入使得跟踪算法的状态更新运算变为线性,其估计精度收敛速度较快,适用于高超音速目标跟踪。     

基于距离参数化的混合坐标系下平方根容积卡尔曼滤波纯方位目标跟踪

针对纯方位单站目标跟踪中观测方程非线性且易受滤波初值影响的问题,提出了一种距离参数化混合坐标系下的平方根容积卡尔曼滤波(SRCKF)算法.该滤波算法首先将平方根容积卡尔曼滤波算法应用于混合坐标系,比直角坐标系下的平方根容积卡尔曼滤波算法能得到更好的跟踪效果;接着将距离参数化思想和混合坐标系下的平方根容积卡尔曼滤波算法结合,消除了距离信息不可测对跟踪效果的影响.仿真结果表明,该滤波算法虽略微提升了计算复杂度,但其鲁棒性和滤波精度均有大幅度的提高.     

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波（CDKF）跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波（ICDKF）方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波（ICDKF）算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。     

复杂运动情况下的多目标检测与追踪

针对多运动目标视频序列中目标存在过缓运动且相互间遮挡的问题,提出一种改进的混合高斯模型(Gaussian Mixture Model,GMM)进行目标检测并结合卡尔曼滤波进行跟踪的新算法;在运动背景检测中,采用三帧差法和混合高斯模型的融合算法进行目标提取,解决了过缓运动目标检测区域不完整的问题;在运动目标跟踪中,由于Kalman滤波器采用目标检测结果进行预测,对观测噪声矩阵进行自适应更新,使得跟踪的稳定性得到加强;通过对比,验证了新算法对存在过缓以及遮挡的不规律运动情况的多目标检测识别与跟踪的实时有效性与准确性。     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

基于Huber的鲁棒高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degree Cubature Kalman Filter,HCKF）算法的鲁棒性,提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均,通过在现有滤波框架内利用Huber方法对观测量进行预处理,并将处理后的观测量进行标准的HCKF量测更新,实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似,高阶容积变换的优势得到充分利用,从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪问题验证了该算法在鲁棒性和滤波精度方面的优势。     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

带二次约束的容积卡尔曼目标跟踪算法

为了提高对带约束目标的跟踪精度,提出了一种带二次约束的容积卡尔曼目标跟踪算法。使用容积卡尔曼滤波得到当前时刻后验估计,通过将系统二次约束作为测量方程引入系统,对后验估计进行修正,最后采用仿真实验对算法性能进行测试。实验结果表明,相对于传统的约束卡尔曼滤波算法,在同等条件下,该算法提高了目标跟踪精度,并且稳定性更强。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

A Seventh‐Degree Cubature Kalman Filter

The fifth‐degree cubature Kalman filter (CKF) has been proved to be a kind of algorithm that has higher precision than the third‐degree CKF and unscented Kalman filter (UKF). In order to further improve the performance of CKF, the seventh‐degree CKF is proposed in this paper by expanding the spherical‐radial rule, and a new kind of deterministic sampling method is derived based on the seventh‐degree cubature rule. Through the comparison in target tracking simulation, the seventh‐degree CKF methods are shown to be able to enhance filtering precision compared to the fifth‐degree CKF, the third‐degree CKF and the UKF filter.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

基于Tiny-YOLOV3的无人机地面目标跟踪算法设计

为了提高四旋翼无人机对地面目标跟踪的稳定性和跟踪精度,提出了一种结合Tiny-YOLOV3和卡尔曼滤波的跟踪算法;首先分析了Tiny-YOLOV3的原理和网络结构,并基于Tiny-YOLOV3的目标检测结果,结合无人机状态和目标的几何关系建立了目标跟踪系统的数学模型;接着对目标相对运动关系进行分析,建立目标的运动学模型,考虑到目标检测结果受干扰影响较大,应用卡尔曼滤波器实现对目标轨迹的滤波和预测,进而提升目标跟踪的精度;最后根据经过卡尔曼滤波后的目标轨迹信息设计无人机控制律,在轨迹控制的同时引入对无人机偏航角的控制,从而实现无人机对目标的稳定跟踪;仿真结果表明无人机对目标的位置跟踪精度在0.5 m以内,速度跟踪误差在0.2 m/s以内,偏航角跟踪误差在3°以内,跟踪效果良好,从而论证了所提算法的有效性。     

Cubature Kalman Filter Under Minimum Error Entropy With Fiducial Points for INS/GPS Integration

Traditional cubature Kalman filter(CKF)is a preferable tool for the inertial navigation system(INS)/global positioning system(GPS)integration under Gaussian noises.The CKF,however,may provide a significantly biased estimate when the INS/GPS system suffers from complex non-Gaussian disturbances.To address this issue,a robust nonlinear Kalman filter referred to as cubature Kalman filter under minimum error entropy with fiducial points(MEEF-CKF)is proposed.The MEEF-CKF behaves a strong robustness against complex nonGaussian noises by operating several major steps,i.e.,regression model construction,robust state estimation and free parameters optimization.More concretely,a regression model is constructed with the consideration of residual error caused by linearizing a nonlinear function at the first step.The MEEF-CKF is then developed by solving an optimization problem based on minimum error entropy with fiducial points(MEEF)under the framework of the regression model.In the MEEF-CKF,a novel optimization approach is provided for the purpose of determining free parameters adaptively.In addition,the computational complexity and convergence analyses of the MEEF-CKF are conducted for demonstrating the calculational burden and convergence characteristic.The enhanced robustness of the MEEF-CKF is demonstrated by Monte Carlo simulations on the application of a target tracking with INS/GPS integration under complex nonGaussian noises.