基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

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。     

基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法

针对传统粒子滤波面临的重要密度函数的选取和粒子多样性丧失引起的样本贫化问题,提出基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法。与传统的粒子滤波算法相比,有两点改进:首先该算法采取无迹卡尔曼滤波产生建议分布函数;其次,在重采样过程,提出基于权值优化的改进重采样算法来增加粒子的多样性。仿真结果表明,改进算法降低了粒子滤波算法的粒子退化程度并避免样本贫化现象的出现,更加接近真实值,提高了跟踪精度。     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

两阶段卡尔曼滤波自适应交互式多模型算法

对于机动目标跟踪问题,由于目标机动能力的增强,需建立大量模型来逼近真实模式,使建立的目标模型与目标的实际运动适配,但这使计算量增大,而且性能不一定能提高.针对这个问题,将两阶段卡尔曼滤波器与一般的交互式多模型算法相结合,设计了一种自适应交互式多模型算法.该算法采用两阶段卡尔曼估计器估计目标的加速度,然后将其反馈到由多个不同参数构成子滤波器的交互式多模型滤波算法中进行交互式多模型滤波.与自适应半交互式多模型算法进行对比的仿真验证了该算法有效地减少了子滤波器的数量,同时在一定程度上也提高了跟踪的精度.     

闪烁噪声下的机动目标跟踪算法研究

标准的粒子滤波能够较好的解决闪烁噪声下机动目标跟踪问题,但在采样过程中有时会出现严重的退化现象。针对这种现象,文中提出了一种改进的粒子滤波算法,在采样过程中退化检测,若粒子退化严重,则重新采样,直到退化在允许范围之内。仿真结果表明,在高斯环境下,标准的粒子滤波和改进的粒子滤波性能相近,都优于不敏卡尔曼滤波,但在闪烁噪声环境下,其性能明显高于不敏卡尔曼滤波和标准的粒子滤波,但耗费时间长。     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

基于交互式多模型粒子滤波的状态估计方法

为了提高目标跟踪中状态估计环节的性能,基于交互式多模型粒子滤波的状态估计方法,采用交互式多模型(IMM)描述目标的运动过程,利用粒子滤波算法进行目标状态估计。方法避免了单一运动模型所带来的估计误差,同时克服了卡尔曼跟踪滤波算法的局限性,有效的提升了状态估计精确度。仿真实验证明了该方法在缺乏关于先验知识的情况下,对于不同的运动形式,均取得了较好的自适应性与鲁棒性。     

基于交互式多模型的水下机动目标跟踪

为了解决水下机动目标跟踪的实时性和可靠性问题,在交互式多模型(IMM)的框架下对水下机动目标跟踪进行了分析,建立了目标运动方程和观测方程。交互式多模型滤波算法的选择直接影响到跟踪的精度,在跟踪滤波方面,针对交互式多模型滤波过程中观测方程非线性对滤波性能的影响,分别将扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)2种滤波算法与交互式多模型算法相结合。仿真结果表明,交互式多模型算法与UKF算法结合的滤波精度更高,能够更有效、可靠地达到跟踪机动目标的目的。     

基于消隐记忆SCKF的交互式多模型算法

针对交互式多模型算法(Interacting Multiple Model,IMM)在机动目标跟踪时,因模型不准确导致的滤波误差增大问题,提出了基于消隐记忆平方根容积卡尔曼滤波(Memory Attenuation Square Root Kalman Filter,MASCKF)的交互式多模型算法(IMM-MASCKF)。该算法在模型滤波中引入消隐记忆滤波理论,通过消隐记忆因子增大新息在滤波中的比重,改善了滤波器对目标机动的动态性能,提高了滤波精度。仿真结果表明,该算法可以实现对机动目标的有效跟踪,且与常规交互式多模型算法相比减小了滤波误差。     

改进的卡尔曼滤波与均值漂移目标跟踪算法

为了实现更加理想的运动目标跟踪,提出了改进的卡尔曼滤波与均值漂移目标跟踪算法。该算法采用粒子滤波与Kalman滤波相结合实现非线性滤波,首先利用粒子滤波对运动目标的状态变量进行估计,然后对目标估计状态进行卡尔曼滤波,解决观测方程为非线性的问题。最后利用Mean-shift算法进一步聚类粒子,使抽样的粒子集更符合实际的目标概率模型,从而增加有效粒子数目,减少粒子退化。经过预测迭代,从而达到对运动目标运行轨迹的修正,并采用仿真实验进行算法性能测试。结果表明,相对于其他算法或者是传统算法,在相同的条件下该算法不仅提高了目标跟踪的精度,并且降低了计算复杂度,实时性较好。     

角闪烁背景下基于改进EKPF算法的目标跟踪

标准粒子滤波(PF)的重要性函数的选取方法会导致状态估计过于依赖模型,且在重采样过程中可能会发生粒子贫化现象,针对PF在角闪烁背景下的目标跟踪过程中精度不足的问题,提出了一种改进的扩展卡尔曼粒子滤波(EKPF)算法,并将其应用在角闪烁噪声背景下的目标跟踪问题中,仿真结果表明该算法的可行性和优越性。     

改进粒子滤波算法研究

重采样思想能解决粒子滤波中的粒子退化问题，但却导致粒子多样性丧失的现象，使描述状态后验概率密度的粒子不够充分。围绕如何增加粒子的多样性，已提出的改进算法包括MCMC移动步骤及正则化粒子滤波（RPF）算法。讨论2种改进算法的基本思想及步骤，通过对一典型标量非线性系统的仿真实验，分析改进算法的性能特点。实验结果表明，2种改进算法都有效增加了粒子的多样性，缓解了粒子匮乏问题。     

未知杂波状态下基于箱粒子滤波的PHD算法

针对未知杂波环境中,传统的多目标概率假设密度(PHD)滤波器跟踪精度无法保证,所需粒子支撑集过大导致效率低下的问题,引入了区间分析技术,提出了未知杂波状态下基于箱粒子滤波的PHD算法。该算法首先完成对雷达目标和杂波的混合空间随机有限集模型的构建,然后基于箱粒子滤波技术,利用量测数据建立未知杂波模型,推导出目标状态更新方程,并用多目标箱粒子PHD滤波递推地估计目标状态。仿真实验表明,当杂波环境与先验模型不匹配时,相较于多目标粒子滤波算法,该算法在保证目标跟踪性能的同时,有效减少了算法的计算时间。     

基于盒粒子滤波的多扩展目标伯努利滤波算法

针对非线性和区间量测条件下的多扩展目标跟踪问题,提出了一种基于盒粒子滤波的多扩展目标MeMBer滤波算法。该算法首先将盒粒子滤波引入到改进的ET-MeMber滤波中,并推导了适用于区间量测的多扩展目标伪似然函数和状态更新方程,接着给出了基于MD-AP聚类的区间量测集划分方法来处理滤波过程中存在的区间量测集划分问题。仿真实验结果表明,所提算法能够快速高效地对区间量测进行处理,与传统的序贯蒙特卡洛实现方式相比,具有更好的跟踪性能。     

高斯混合粒子滤波器在状态估计中的应用

标准粒子滤波算法中存在的影响状态估计性能的主要问题是再采样步骤带来的粒子枯竭。针对这一问题,介绍一种改进的粒子滤波算法,将高斯混合模型中的后验状态密度通过采用加权EM算法产生量测更新过程中的加权粒子集来重新获得。该步骤取代了重采样步骤中需要较多的粒子集,减轻了采样枯竭问题。通过仿真表明,与其它相关算法相比新算法提高了估计性能和降低了计算复杂性。     

粒子滤波器的优化及在纯方位跟踪中的应用

为了克服粒子滤波在应用中由于建议分布函数选择不合理导致粒子数减少进而使其状态量失去多样性的问题,提出了改进建议分布的混合粒子滤波方法(UKPF)。首先,在粒子滤波的基础上融合进扩展卡尔曼滤波及无迹卡尔曼滤波;然后,融合后的新算法在计算建议概率密度分布时,粒子的产生充分考虑当前时刻的量测,利用所提混合算法来加入最新的观测量并产生粒子滤波的建议分布;最后,使得粒子的分布更加接近状态的后验概率密度,最大化地实现其滤波性能。仿真结果表明:对于纯方位跟踪问题,所提算法不仅解决了EKF的线性化损失问题及UKF在解决一般非高斯问题中建模的困难,而且与PF等粒子滤波器相比,具有更高的跟踪精度。     

融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。     

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明：在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。     

闪烁噪声环境下基于PF的机动多目标跟踪算法研究

为了能够解决非线性非高斯环境中的多目标跟踪问题，提出了一种基于粒子滤波器和联合概率数据关联算法。该算法是在粒子滤波方法的基础上，应用联合概率数据互联的思想计算每个量测值对各个粒子的更新权值，从而获得最终的滤波结果。仿真结果表明，该方法可以同时很好地解决非线性非高斯系统环境下多目标机动性和数据关联问题，具有较好的跟踪性能。