陈辉 邓东明 韩崇昭

多目标跟踪中传感器控制的核心是根据一定的优化准则,选择传感器的工作状态或运行参数,进而控制量测过程以达到优化多目标跟踪性能的目的.本质上,它是一个最优非线性控制问题.这类问题的解决通常是在部分可观测马尔科夫决策过程(Partially observable Markov decision process,POMDP)的理论框架下[1−4]进行.POMDP 一般包括表征状态信息的多目标概率密度函数,一个可允许的传感器控制集合和评价函数.然而,多目标传感器控制问题一般处理高度复杂的多目标随机系统,其目标的数量不仅随时间变化,而且其量测也会受到漏检和虚警的影响.这些复杂的不确定性因素都使得多目标传感器控制策略的求解变得非常困难.

近些年来,基于随机有限集(Random finite set,RFS)的多目标跟踪方法备受关注.该方法将多目标状态和多目标量测建模为有限集值.同时通过引入有限集统计(Finite set statistics,FISST)[5−6]理论,将杂波环境下的多目标状态估计问题描述为贝叶斯滤波问题,从而避免了传统跟踪算法中较难处理的数据关联问题.基于RFS 的多目标跟踪方法可在贝叶斯滤波框架下根据每个时刻接收的集值量测递推更新多目标状态的概率密度函数.为简化在多目标状态空间上直接求解多目标贝叶斯滤波器的复杂度,Mahler 和Vo 提出了一系列最优近似多目标滤波器[7−14],包括矩递推滤波器和形式多样的(有标签和无标签)多伯努利滤波器.这些方法目前已应用在多目标传感器控制问题[15−19]中.值得……