粒子滤波算法研究进展与展望.pdfVIP

综 述 《自动化技术与应用》2010年第 29卷第6期 Survev 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 230037) 摘 要：粒子滤波足一种通过非参数化的MonteCarlo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_r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l1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MonteCarlo方法 ；粒子滤波；重采样 中图分类号：TP13 文献标识码：A 文章编号：1003～7241(2010)060001—10 TheDevelopmentandProspectofParticleFilteringAlgorithm ZHANG Shi-glli，ZHU Li-xin，ZHAO Yi-zheng ． (ElectronicandEnghaceringInstitute，Hefei230037China) Abstrcat：Particlefilteringisannon—parameterizedalgorithm viasequentialM onteCarlosimulationtoactualizebayesianestimation． Thispaperexpatiated thedevelopmentandtheresearchstatusofparticlefilteringatpresent．Then，introducesand analysestheprincipleofpaniclefiltering、theexistedkeyproblemsandcountermeasuresindetail．Furthermore，itsum upelevenimprovedmethodsofparticlefilteringalgorithm．M eanwhile，applicationsareaddressedinthispaper．Finally ， theprospectofparticlefilteringispresented． Keywords：Bayesianestimation；Nonlinear；SequentialM onteCarlomethods；Particlefiltering；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(xIy雌)。 实现对 目标运动特性做连续、可靠、精确估计的过程。 但是，EKF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EKF保留了Taylor展式中的高阶项，然而计算的 后验分布P(Xo：IYl：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[l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 UT的变换，并在 EKF滤波框架里得到广泛应用，被称 概率的求解 ，只有在满足特定条件下的部分系统可以精 为UKF。这种方法不必对非线性方程进行线性化和计 确地求出表达式 1【1。例如，对于线性高斯系统，可以运用 算雅克 比矩阵，均值和方差均可精确到二阶，比标准的 卡尔曼滤波器(Kalman Filter)得到解析解。另外，对于 EKF精度更高f。但是，由于这两种非线性估计方法都 状态空间是离散的、有限的马尔可夫链的系统，运用