目标跟踪系统中的滤波方法第9章 非线性滤波算法在目标跟踪中的应用.ppt

第9章 非线性滤波算法在目标跟踪中的应用 9.1 基于高斯粒子滤波的机载GMTI雷达跟踪9.1.1 概述　　在现代战争中，海陆空三军联合的立体化作战网络能够最大程度地发挥战斗实体的威力。利用直升机或者无人驾驶战斗机对地面目标进行识别、定位和跟踪在联合作战过程中起着重要作用，它能够迅速准确地识别目标，对敌方目标进行定位或者跟踪，从而实现精确打击。本节讨论机载地面移动目标指示(Ground Moving Target Indicator，GMTI)雷达跟踪过程中的非线性滤波问题。 　　针对机载GMTI雷达非线性滤波问题，常规的解决方法是采用扩展卡尔曼滤波(EKF)或者不敏卡尔曼滤波(Unscented Kalman Filter，UKF)。这两种算法的运算速度虽然相对较快，但是现代战争需要更精确的滤波结果。为了进一步提高滤波的精确程度，文献[1]将粒子滤波算法(Particle Filter，PF)[2-4]应用到机载GMTI目标跟踪过程中。该文献实验结果表明，为了使常规粒子滤波算法的误差性能高于EKF和UKF，需要参与滤波的粒子数要超过10 000个，时间复杂度很高。文献[5]提出了不敏粒子滤波算法(Unscented Particle Filter，UPF)，其滤波误差比常规粒子滤波算法低，但是时间复杂度仍然很高。针对机动目标的机载GMTI雷达跟踪问题，文献[6]提出了一种变结构模型的粒子滤波器，文献[7]提出了交互式多模型方法(Interactive Multiple Model，IMM)，其中交互式多模型方法在机载GMTI雷达跟踪过程中的运算误差较低，但是时间复杂度相对较高。此外还有学者对机载GMTI雷达的数据融合问题展开了研究[8,9]。 　　文献[10]针对状态变量在处理过程中服从高斯分布的情况，提出了高斯粒子滤波(Gaussian Particle Filter，GPF)算法。文献[11]将高斯粒子滤波算法应用到机动目标跟踪过程中。文献[12]采用信息距离度量方法分析了应用于高斯分布的EKF、UKF和高斯粒子滤波算法，结果表明：高斯粒子滤波算法比EKF、UKF具有更高的滤波精度；与常规粒子滤波算法相比，在使用同样的粒子数参与滤波的情况下，能取得更好的滤波效果。鉴于高斯粒子滤波具有上述优点，本节假定目标状态向量服从高斯分布，将高斯粒子滤波算法应用到机载GMTI雷达跟踪中，取得了较好的效果。计算机仿真结果表明GPF的性能优于常规PF。 9.1.2 机载GMTI雷达　　机载GMTI雷达通过安装在飞机上的雷达装置对地面移动目标进行跟踪。其测量分量包括方位角α、径向距离r和径向距离的导数 r 三个分量。假定目标在地面匀速运动，而机载GMTI雷达传感器在离地面H公里处匀速运动。若xk=[ξxk ξyk ξxk ξyk]T表示目标在k时刻的状态向量，则目标运动的离散动态方程为　　　　　　　　　　　xk+1=Φkxk+wk　　　　　　　(9-1)其中：Φk表示目标的状态转移矩阵；wk表示方差为Qk的零均值高斯噪声。若Tk=tk－tk－1表示时间采样间隔，则 其中 其中：sk=[skx　sky　　skz]T表示k时刻传感器所处位置；vk=[vkr　vkα　vkr]T表示k时刻的量测噪声。假设传感器位置sk不存在误差，且vk是零均值独立高斯噪声，其协方差矩阵为 9.1.3 算法描述及步骤　　机载GMTI雷达跟踪系统目标运动模型如式(9-1)所示，测量方程如式(9-2)所示。滤波问题就是给定状态向量的初始分布p(x0)，根据不同时刻的量测向量，计算相应时刻的状态估计值。　　滤波过程分为预测阶段和更新阶段。假定状态向量在k－1时刻的后验分布为p(xk－1|yk－1)，则一步预测概率密度函数为 　　式(9-7)可以通过Monte Carlo近似方法计算。首先针对k－1时刻状态向量的后验密度函数抽样，即 　　因为状态向量分布服从高斯分布，即p(xk|y0:k－1)≈N(xk; μk，Σk),所以利用k时刻的观测向量更新后的状态向量概率分布为 如果粒子从提议分布π(xk|y1: k)中获得，则权值wik为 也可以采用EKF或者UKF算法获得k时刻的状态更新值μk|k及其协方差Σk|k, 从而获得更为准确的重要性提议分布p(xk|y0:k－1) =N(xk; μk|k，Σk|k)。综上所述，基于高斯粒子滤波算法的GMTI雷达跟踪步骤如下: 　　输入：状态向量均值μk－1和方差Σk－1，量测值yk; 　　输出：k时刻的状态向量均值μk和方差Σk; 　　Step 1：利用式(9-8)采样，获得粒子集{xik－1}Ni=1；　　Step 2：计算每个粒子的一步预测，得到粒子集{xik}Ni=1;　　St