余哲翔， 陈思汉， 白 傑

(同济大学 汽车学院，上海 201804)

0 引 言

多目标跟踪是目前多源传感器数据融合领域的一个重点研究问题。在多目标跟踪过程中,存在目标数目未知、探测概率未知等不利因素。传统的多目标跟踪算法通常基于数据关联算法[1～3]，将多目标跟踪问题转化成多个单目标的跟踪问题。许多学者基于随机有限集(random finite set,RFS) 理论，提出了概率假设密度(probability hypothesis density,PHD)滤波器[4～7]以解决多目标跟踪问题。该算法将复杂的多目标状态空间运算转换为单目标状态空间内的运算，有效避免了多目标跟踪中复杂的数据关联组合问题。因为PHD 滤波器的递推公式中含有多个积分计算，所以不存在非线性非高斯条件下的解析形式。为此文献[8]提出了序贯蒙特—卡罗概率假设密度(sequential Monte Carlo PHD,SMC-PHD) 滤波器,文献[9]提出了高斯混合概率假设密度(Gaussian mixture PHD,GM-PHD) 滤波器。在线性高斯假设条件下，GM-PHD通过采用混合高斯形式近似完全后验概率密度来提高系统执行效率，可以避免SMC-PHD大量撒点带来的较大计算量[10]。传统的PHD滤波器基于固定的探测模型，通常假定探测概率已知。然而在实际情况下，受传感器不同应用环境的影响，探测概率通常未知。Mahler R P S等人[11]提出了一种基于Beta函数的GM-PHD(Beta GM-PHD)算法，使用Beta函数来描述检测概率的分布，在滤波过程中自适应估计未知检测概率。文献[12]提出了一种基于时变卡尔曼滤波(time-varying Kalman filtering,TV-KF)的PHD，算法将目标与量测值进行预关联，通过关联结果来确定目标的检测概率。但此算法使用全部量测数据集对不同类型的目标(包括存活目标、新生目标等)进行更新，增加了无关量测的影响，导致目标估计性能下降。……