粒子滤波算法的研究进展与展望.pdfVIP

综 述 《自动化技术与应用》2010年第29卷第6期 Survey 粒子滤波算法研究进展与展望 张诗桂, 朱立新, 赵义正 ( 电子工程学院,安徽 合肥 2 30 03 7) 摘 要:粒子滤波是一种通过非参数化的Monte Carlo 模拟方法实现递推贝叶斯估计的算法。本文对粒子滤波的发展和研究现状进 行了阐述,详细介绍和分析了粒子滤波的基本原理、存在的几个关键问题及解决方法,总结归纳出11 种主要改进粒子滤波器, 同时论述了粒子滤波应用领域。最后对未来发展提出了展望。 关键词:Bayesian 估计;非线性;序贯Monte Carlo 方法;粒子滤波;重采样 中图分类号:TP 13 文献标识码:A 文章编号: 1003-724 1(2 0 10)06-000 1- 10 The Development and Prospect of Particle Filtering Algorithm ZHANG Shi-gui, ZHU Li-xin, ZHAO Yi-zheng ( Electronic and Engineering Institute, Hefei 230037 China ) Abstrcat: Particle filtering is an non-parameterized algorithm via sequential Monte Carlo simulation to actualize bayesian estimation. This paper expatiated the development and the research status of particle filtering at present . Then, introduces and analyses the principle of particle filtering 、the existed key problems and countermeasures in detail. Furthermore, it sum up eleven improved methods of particle filtering algorithm. Meanwhile, applications are addressed in this paper. Finally , the prospect of particle filtering is presented. Key words: Bayesian estimation; Nonlinear; Sequential Monte Carlo methods; Particle filtering; Re-sampling 1 引言 展开式一阶项近似( 忽略高阶项) , 从而利用卡尔曼滤波 运动目标的估计是人们借助现代观测和计算手段, 方法求解, 并用高斯分布近似后验概率密度p (x k | y 1:k ) 。 实现对目标运动特性做连续、可靠、精确估计的过程。 但是, E K F 存在线性化误差, 只适用于弱非线性系统。 最常用的是贝叶斯估计框架, 主要用于获取目标状态的 高阶E K F 保留了T ay l or 展式中的高阶项, 然而计算的 后验分布p (x 0:k | y 1:k ) 。贝叶斯估计是基于所有可用信息 复杂性使其难于实际应用。1990 年,Julier [4] 等人提出了 构造出目标状态概率分布, 是一种最优估计, 对此后验 U T 的