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.     

基于高斯混合多目标滤波器的传感器控制策略

本文基于随机有限集的高斯混合多目标滤波器（Gaussian Mixture Multi-Target Filter,GM-MTF）提出几种传感器控制策略.首先,基于容积卡尔曼高斯混合多目标非线性滤波器,借助两个高斯分布之间的巴氏距离,推导GM-MTF的整体信息增益,并以此为基础提出相应的传感器控制策略.另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略.最后,给出基于目标势的后验期望（Posterior Expected Number of Targets,PENT）评价的高斯混合实现过程.仿真实验验证了提出算法的有效性.     

高斯混合多伯努利滤波器基于柯西施瓦兹散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,本文基于有限集统计（FISST）理论,利用高斯混合多伯努利滤波器研究并提出相应的传感器控制策略.首先,文中给出容积卡尔曼高斯混合势均衡多目标多伯努利滤波器（CK-GMCBMeMBerF）的实现形式,并提取高斯混合分量近似多伯努利密度.然后,研究两个高斯混合之间的柯西施瓦兹（Cauchy-Schwarz）散度的求取,推导多目标概率密度变化所对应的信息增益,并以此为基础提出相应的传感器控制策略.此外,结合CK-GMCBMeMBer,详细推导了目标势的后验期望（PENT）准则的高斯混合（GM）实现过程,以GM-PENT作为评价准则进行相应的传感器控制方法的研究.最后,仿真实验验证了所提算法的有效性.     

多目标跟踪中基于目标威胁度评估的传感器控制方法

该文基于随机有限集的多目标滤波器提出一种基于目标威胁度评估的传感器控制策略。首先,在部分可观测马尔科夫决策过程(POMDP)的理论框架下,给出基于信息论的传感器控制一般方法。其次,结合目标运动态势对影响目标威胁度的因素进行分析。然后,基于粒子多目标滤波器估计多目标状态,依据多目标运动态势的评估研究建立多目标威胁水平,并从多目标分布特性中深入分析并提取出当前时刻最大威胁度目标的分布特性。最后,利用Rényi散度作为传感器控制的评价指标,以最大威胁度目标的信息增益最大化为准则进行最终控制方案的求解。仿真实验验证了该方法的实用性和有效性。