分布式多目标伯努利滤波器的网络共识技术

本文研究了基于网络共识的分布式多目标伯努利(Multi-Bernoulli, MB)滤波器的目标跟踪技术。网络共识技术是实现传感器网络中分布式计算的一个强大工具,但同时对传感器间公共信息被“重复计算”问题尤为敏感。为解决该问题,本文首先在基于广义协方差交集(Generalized Covariance Intersection, GCI)准则的分布式MB (GCI-MB) 滤波器的基础上,通过采用序贯信息交互-本地融合的策略,提出网络共识(Consensus)-GCI-MB融合算法,简称C-GCI-MB融合;然后,通过数学理论分析了C-GCI-MB融合可以有效的避免“重复计算”问题;最后给出了C-GCI-MB融合算法的混合高斯(Gaussian Mixture)实现方法,并通过典型场景仿真验证了该算法的有效性及性能优势。      

低空监视雷达“走-停-走”目标跟踪技术

以旋翼无人机为代表的低空小目标常采用低速“走-停”策略或利用障碍物遮挡,躲避雷达追踪,对重要信息装备和战略要地进行点穴式打击或干扰。这类目标可多次消失-重返于雷达视域,称之“走-停-走”目标。若采用传统目标跟踪模型和算法处理这类目标,易导致目标身份不连续、航迹碎片化。该文在随机集理论框架下,基于标签多伯努利(LMB)滤波器,研究低空监视雷达“走-停-走”目标连续跟踪问题。为描述“走-停-走”目标多次往返于雷达视域的演化特性,首次引入第3类出生目标模型,即重生(RB)过程模型。首先,利用目标重返雷达视域前-后目标状态的空间位置和动力学参数关系,提出一种基于空域相关(SC)的RB过程;然后,基于SC-RB过程,在贝叶斯滤波框架下,设计了SC-RB-LMB滤波器算法,可实现多“走-停-走”目标连续稳健跟踪,维持航迹标签的连续性;最后,在典型低空监视场景下,通过仿真和实测数据验证了提出模型和算法的有效性和性能优势。