多目标跟踪模拟.docxVIP

信息融合课程报告——多传感器-多目标跟踪算法学 院自动化学院专 业控制科学与工程学 号151060019学生姓名任磊磊指导教师刘伟峰2016年6月15日一、实验场景与参数设置1.多目标CV运动监测区域为，检测概率为0.98，杂波密度为，既平均40个杂波点，状态协方差阵，，目标的初始分布为其中，,目标运动和量测方程分别为：其中, ，2. 最近邻算法：二、报告要求仿真杂波条件下3个目标的CV运动轨迹（仿真总步数K=50s）；采用Kalman滤波算法，分别完成传感器1，2对多目标的分别跟踪过程。采用最紧邻算法进行数据关联。通过100次蒙特卡罗仿真实验，对比分析传感器1，2的RMSE跟踪误差。3）采用集中式多传感器，进行多目标跟踪估计，给出跟踪结果图，并进行RMSE误差分析(-1000m,1000m) (1000m,1000m)目标1目标2目标2(-1000m,-1000m) (1000m,-1000m)实现过程：1）1.首先在matlab中初始化所需矩阵，设置目标的初始信息程序如下。n=50;%仿真时间L=100;%仿真次数range=[-1000 1000;-1000 1000];lambda=40;PD=1;num_target=3;%一共3个目标A=[1 1 0 0;0 1 0 0;0 0 1 1;0 0 0 1];B=[0.5 0;1 0;0 0.5;0 1];C=[1 0 0 0;0 0 1 0];B0=diag([100 25 100 25]);Q=[4 0;0 4];%噪声过程的协方差阵q_std=sqrt(Q);%噪声过程的标准差阵R=[100 0;0 100];%量测噪声协方差阵r_std=sqrt(R);%量测噪声标准差阵Sz1=inv(R);Sz2=inv(R);Sz3=inv(R);%-----------定义矩阵含义-------------X1=zeros(4,n);%目标1的真实状态X2=zeros(4,n);%目标2的真实状态X3=zeros(4,n);%目标3的真实状态Xp=zeros(4,3*n);%目标状态的提前一步预测Xe=zeros(4,3*n);%目标某时刻的估计状态Z1=zeros(2,n);%目标1真实量测Z2=zeros(2,n);%目标2真实量测Z3=zeros(2,n);%目标3真实量测Zp=zeros(2,3*n);%某时刻目标量测的提前一步预测Zk=zeros(2,3*n);%认定为目标量测的集合Pe=zeros(4,4,3*n);%滤波误差的协方差阵Pp=zeros(4,4,3*n);%预测误差的协方差阵K=zeros(4,2,3*n);%滤波增益 RMSE=zeros(1,3*n);error=zeros(1,3*n);%------------初始化3个目标的状态----X1(:,1)=[-900;30;900;-30]+B0*randn(4,1);X2(:,1)=[-900;25;-800;30]+B0*randn(4,1);X3(:,1)=[-900;20;0;20]+B0*randn(4,1);Xe(:,1)=[-900;30;900;-30];Xe(:,51)=[-900;25;-800;30];Xe(:,101)=[-900;20;0;20];Pe(:,:,1)=[100 0 0 0; 0 25 0 0;0 0 100 0;0 0 0 25];Pe(:,:,51)=[100 0 0 0; 0 25 0 0;0 0 100 0;0 0 0 25];Pe(:,:,101)=[100 0 0 0; 0 25 0 0;0 0 100 0;0 0 0 25]; 2.按照题中要求所给的目标运动方程编写程序如下。X1(:,k+1)=A*X1(:,k)+B*(q_std*randn(2,1));X2(:,k+1)=A*X2(:,k)+B*(q_std*randn(2,1));X3(:,k+1)=A*X3(:,k)+B*(q_std*randn(2,1)); 3.运行生成目标运动轨迹如图：2）采用Kalman滤波算法对前面的两个传感器分别对多目标进行跟踪，传感器1的跟踪结果以及误差如下图：传感器1的跟踪效果传感器1的跟踪误差曲线传感器2的跟踪结果以及误差如下图：传感器2的跟踪效果传感器2的跟踪误差曲线从两个跟踪误差图可以看出，当多目标的状态模型参数一致时，同一传感器的跟踪精度差别不大，对于不同传感器，噪声小的跟踪效果好。3)多传感器多目标跟踪仿真： 采用集中式多传感器滤波算法，同时使用两个传感器的观测数据对目标进行估计。这里采用卡尔曼滤波算法，首先利用第一个传感器的观测数据进行目标轨迹估计，并将此估计值作为预测值同时利用第二个传感器的数据进行估计，得到最终估计