林晓杰 索继东

摘 要： 传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题，可用粒子群优化算法优化，但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法，平衡粒子的搜索能力以减少这种情况的出现，并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题，对粒子进行随机变异以提高粒子多样性。仿真结果表明，经过改进后的优化算法可有效提高粒子滤波算法的准确性，使跟踪误差减小。

关键词： 粒子滤波跟踪; 粒子群优化; 自适应调整; 搜索能力平衡; 随机变异; 优化算法

中图分类号： TN911.1?34; TP391.9                 文献标识码： A                   文章编号： 1004?373X（2020）17?0011?05

Abstract： The problem of inaccurate sampling particle position exists in the important sampling part of the traditional particle filter algorithm， which can be optimized by particle swarm optimization algorithm. However， the current standard particle swarm optimization particle filtering algorithm may lead to particle local optimization. In this paper， self?adaptive adjustment method is adopted to adjust the inertia weight and learning factor in the algorithm， so as to balance the searching ability of particles to reduce the occurrence of this situation. In order to solve the problem of diversity lack caused by particle aggregation after optimization of the algorithm， the particles are randomly mutated to improve the diversity of particles. The simulation results show that the improved optimization algorithm can effectively improve the accuracy of particle filtering algorithm and reduce the tracking error.

Keywords： particle filtering tracking; particle swarm optimization; adaptive adjustment; search capability balance; random variation; optimization algorithm

0  引  言

粒子滤波基于蒙特卡罗模拟方法实现递推贝叶斯滤波估计[1]，对于系统的过程噪声和量测噪声没有任何的限制，更适合于实际工程中的应用[2]。但是其仍然存在问题，包括采样粒子不准确、多样性缺失等问题[3]。

针对粒子滤波所采样的粒子不准确，造成整个粒子滤波算法正确性大幅度降低的情况，智能算法可以在一定程度上解决这个问题。已经有学者将人工鱼群算法[4]、粒子群优化算法[5]、人工鸟群算法[6]等与粒子滤波算法相结合，对采样粒子进行位置上的调整，用于提高重要性采样阶段采样粒子的准确性。除此之外，还有学者用遗传算法[7]对重采样进行改进，防止粒子退化，增加粒子多样性。其中粒子群优化算法是通过计算粒子的适应度值来对粒子位置和速度进行调整，使粒子能够移动到高适应度位置的地方以提高算法的准确率[8]，但是这种算法存在着局部寻优的情况，容易发生跟踪丢失的情况。……