后向预测高斯混合概率假设密度滤波算法
2017-07-12胡建旺
赵 凯,胡建旺,吉 兵
(解放军军械工程学院,河北 石家庄 050003)
后向预测高斯混合概率假设密度滤波算法
赵 凯,胡建旺,吉 兵
(解放军军械工程学院,河北 石家庄 050003)
针对单步延迟无序量测条件下多目标跟踪中,概率假设密度滤波对目标数量与状态估计误差偏大问题,提出了后向预测高斯混合概率假设密度滤波算法(BP-GMPHD)。该算法在后向预测框架内,以高斯混合概率假设密度滤波器为基础滤波算法,计算各高斯分量的回溯状态并进行再更新,经剪枝与合并等步骤获得最终的目标数量与状态估计。仿真验证表明,该算法在无序量测条件下保持了良好的滤波性能,能够准确估计多目标数目和状态。
多目标跟踪;无序量测;单步延迟;高斯混合;后向预测
0 引言
2003年,Mahler[1]提出了基于随机有限集(Random Finite Sets, RFS)的概率假设密度(Probability Hypothesis Density, PHD)滤波,以实现对多目标的跟踪,即将目标的状态和观测看作随机有限集,传递多目标全局后验概率密度的一阶统计矩,最终获得多目标数量与状态估计。该方法可以绕过复杂的数据关联问题,适用于目标数量时变或未知的情形[2-3]。
目前,对于PHD的近似实现方法有两种:序贯蒙特卡罗(Sequential Monte Carlo, SMC)方法与高斯混合(Gaussian Mixture, GM)方法[4-5]。由于高斯混合方法的计算量相对较小且精度较高,因此其被广泛应用于求解PHD中。
在跟踪过程中,传感器量测或因随机的通信延迟出现无序现象,即来自同一目标的较早时刻量测在较晚时刻量测之后到达融合中心[6]。Hilton[7]将这些量测命名为无序量测(Out-of-sequence Measurement, OOSM),并针对线性高斯系统中单目标跟踪问题,在后向预测框架内提出了适用于单步延迟OOSM的B1算法,可有效降低OOSM的影响。……
