杨玉林

(同济大学中德学院，上海 201804)

0 引 言

随着智能汽车和智能交通网络系统的逐渐兴起，车辆行驶状态越来越成为国内外相关领域学者的研究焦点，并且取得了很多十分显著的成果[1-3]。由于车辆状态的获取，受到很多因素的制约，如实时性、天气因素、目标遮挡、车辆姿态与尺度变换、相似颜色或轮廓车辆[4]。因此，对车辆行驶轨迹跟踪算法的研究就显得十分重要。

对于线性系统，其状态转移方程是线性的，系统的观测方程是状态变量的线性组合，并且系统噪声和观测噪声符合高斯分布。适用于线性系统的卡尔曼滤波的核心是利用线性递推，来获得当前时刻的最优估计。

对于非线性系统，工程上非线性问题线性化是常见的处理方法，如扩展卡尔曼滤波通过泰勒级数将非线性问题局部线性化，最后利用卡尔曼滤波处理非线性问题[5]。

粒子滤波器是一种也称序列蒙特卡洛采样的近似贝叶斯滤波器，即用事件发生的频率来近似表征事件发生的概率，具体是用N个随机生成的带有不同权重的样本点(即粒子)来近似模拟系统变量的后验概率密度函数[6]。粒子滤波由于不受目标系统是否线性，噪声系统是否高斯分布等限制，广泛应用于各种线性系统和非线性系统，在目标跟踪、自动控制和参数估计等领域取得不错发展。

本文主要是通过建立在仿真环境下的汽车行驶轨迹模型，对比研究卡尔曼滤波和粒子滤波算法在线性高斯系统中的目标跟踪性能。……