粒子滤波算法在多传感器测量中的应用.docVIP

粒子滤波算法在多传感器测量中的应用 摘 要： 目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用，但由于在线处理能力或传输条件的限制，实际应用中往往无法对多个传感器数据同时处理。据此，给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据，该算法先采用加权的概率密度函数来评价每个传感器获得的测量值，并用粒子滤波对概率密度函数的加权进行实时更新，基于最大熵标准来选取最优测量数据进行处理。同时，最大熵标准保证了最优似然函数分布最宽，从而缓解粒子衰竭问题。通过数值仿真实验证明，该算法可以选择最优观测数据进行处理，有效降低多传感器测量中粒子滤波在线实时处理性能的要求，也较好地缓解了粒子滤波的“衰竭”问题。 关键词： 粒子滤波； 最大熵； 传感器选择； 粒子衰竭 中图分类号： TN911.6?34 文献标识码： A 文章编号： 1004?373X（2014）01?0024?03 0 引 言 随着计算机性能的大幅度提升，以贝叶斯理论为基础的粒子滤波算法为非线性问题的解析解决提供了一条重要途径，目标跟踪则是其在非线性模型跟踪中的一个典型应用。在很多工程实践中，大规模分布式传感器有利于提高跟踪精度，由于在线处理能力或传输条件的限制，使得数据往往不能在线实时处理。此外，粒子的退化现象严重制约了粒子滤波算法的发展，直到重采样思想的提出，解决了粒子退化问题，粒子滤波才迅速发展起来。重采样为了获得一个相对集中的后验概率分布，将权重低的采样点用权重高的点来替换，但这样却易导致了“粒子衰竭”现象的出现，即在滤波过程中只将少数几个甚至一个粒子进行复制，使得用于描述后验概率密度的粒子不充分，限制了算法追踪某些具有极低权值的状态的能力。 据此，本文提出了一种多传感器选优的粒子滤波算法。该方法可以有效地利用多个观测值，根据状态向量离散分布的最大熵标准，选择一个最优观测数据进行处理。一方面大大降低了实际应用对粒子滤波在线实时处理性能的要求，另一方面，最大熵标准也较好地缓解了“粒子衰竭”问题。 1 粒子滤波算法 粒子滤波在计算上常采用序贯蒙特卡洛方法来实现，即用一组随机或已知某种分布的样本来描述估计量的概率分布，再根据得到的测量值，通过重要性函数对各样本点的权值大小进行调整，以该带权值的样本序列来逼近真实的后验概率分布，从而序贯更新状态。 假定系统状态空间模型如下（分别是状态方程和测量方程）： [xt fxt-1+εt-1yt hxt+νt] （1） 其中，状态模型[f·]和观测模型[h·]都是已知的且可以为非线性系统，[εt-1]和[νt]为互不相关的过程噪声和测量噪声。状态方程反映了系统的状态转移概率[p（xtxt-1）]，测量方程则反映了似然概率[p（ytxt）。]用[Xt x1，x2，…，xt，][Yt y1，y2，…，yt]分别表示[t]时刻的状态序列和观测值序列。 在此模型的基础上，为了获得后验概率密度[p（xtyt），]粒子数量为[N]的序贯蒙特卡洛算法可以分为以下步骤： （1） 初始化：在[t 0]时刻，对[i 1，2，…，N]采样[xi0?][px0]，其中[px0]为先验概率。 （2） 重要性采样：根据观测值序列确定重要性函数[qxtxit-1，y1：t]，然后进行重要性采样： [xit?qxtxit-1，y1：t] （3） 根据采样结果调整权值，并归一化： [ωik ωik-1pytxitpxitxit-1qxitxit-1，y1：tωit ωitj 1Nωjt] （2） （4） 重新采样：根据归一化后的权值[ωit]对粒子进行优劣替换，得到更接近后验分布的样本[xit]。 （5） 经过反复逼近，估计量的后验概率分布可以表示为： [pxty1：t≈i 1Nωitδxt-xitj 1Nωjt] （3） 由于不依赖于平稳和高斯的假想，粒子滤波对处理非平稳非高斯问题有较好的效果。 2 多传感器选优的粒子滤波算法 从粒子滤波算法中可知，似然函数[p（ytxit）]是基于测量噪声的概率密度函数[pvt]，其一般为窄带分布。同时，粒子值[xit]，[i 1，2，…，N]是依赖于过程噪声概率密度函数[pεt-1]。如果[pεt-1]分布较宽，用于生成预测结果[p（ytxit）]的预测值[h（xit）]也将服从一个较宽的分布，从而导致式（2）得出的权值趋于不均匀，即大多数权值接近零，而极少数接近观测值的粒子将赋予非常大的权值。K.Diriakidis在高斯分布下对类似情况进行了证明[1]。这样，在重采样环节，只有极少数权值大的粒子被选择作为新的粒子供下轮使用。 此外，假设有两个粒子[xi1t，][xi2t，]根据中值定理，其在测量空间中的距离可以通过式（4）计算： [ht（xi1t）-ht（xi2t） ?ht（ηt）（xi1t-xi2t）