一种改进的粒子滤波方法.docxVIP

一种改进的粒子滤波方法 0 基于数据模型的动目标跟踪 近年来，科学家们进行了深入的研究，取得了许多有价值的成果。这些成果应用于许多军事和民用领域，如报警、控制、飞机交通管理等。机动目标跟踪精度的好坏一方面取决于运动模型与实际目标运动状态的匹配程度,另一方面取决于滤波方法的选择。对于前一个问题,学者们提出常速度(constant velocity, CV)、常加速度(constant acceleration, CA) singer模型以及当前模型等多种模型;对于后一个问题,普遍采用的是卡尔曼滤波法,但该方法要求状态方程为线性的且量测噪声为高斯白噪声;而针对非线性问题,常用的滤波算法有扩展卡尔曼滤波(extended Kalman filter, EKF),去偏转换测量卡尔曼滤波(debiased converted measurement Kalman filter, DCMKF),基于无迹变换(unscented transformation, UT)的无迹卡尔曼滤波(uns-cented Kalman filter, UKF)等。在机动目标跟踪中,目标的运动模型常为非线性模型,随着近年来对非线性运动模型滤波方法的深入研究,出现了一些新的思路,其共同点是先对某种已知的状态分布进行抽样,再通过对抽样点的处理和加权平均,得到状态的估计值,其中粒子滤波算法是这类方法的典型代表。 粒子滤波实际上是通过一个蒙特卡罗过程来完成一个贝叶斯滤波,其思想是用一个具有相应权值的随机样本粒子集合来逼近状态向量的后验概率密度,当粒子数趋于无穷时,滤波结果可以无限的逼近状态的真实值。该方法对噪声的统计类型没有要求,适合于多维非线性非高斯非解析的状态递推估计方面。但是在实际应用中,一般很难知道状态变量的后验概率密度函数(posterior probability function, PDF)的分布,常用的方法是对一个所谓的重要性函数的概率分布进行采样来得到状态变量的后验概率密度函数的加权子样,进而通过加权求和来逼近状态变量的后验估计值。粒子滤波的主要问题在于粒子的退化问题,随着迭代次数的增加,大多数粒子的权值趋于零,很多计算都将会浪费在对这些粒子权值的更新上,重采样技术是解决该问题的一个方法,通过对大权值粒子的再生和分裂以及对小权值粒子的剔除,可以部分解决粒子的退化问题,其中典型的算法是自举粒子滤波(boot-trap particle filter, BPF)。但BPF的问题在于粒子权值的计算没有利用当前时刻的测量值,为解决此问题,人们提出了采用EKF法或UT变换来获得后验概率密度函数的精确分布,在此基础上对该分布进行采样,也就是扩展卡尔曼粒子滤波(extended Kalman particle filter, EKPF)和无迹粒子滤波(unscented particle filter, UPF)方法,该方法的精度高于普通的BPF,但随着而来的是计算量的增加。 文献提出的高斯粒子滤波是一种假设量测噪声为高斯分布的粒子滤波方法,这种假设与目标跟踪中很多场合下量测误差的分布相一致,本文在此基础上,将高斯粒子滤波方法用于目标跟踪领域,并针对量测噪声随状态量变化的情况对算法进行了改进。 1 重采样与序列重要性采样 1.1 粒子滤波原理 假设离散非线性系统的状态方程和量测方程如下 xk=fk(xk-1)+wkyk=hk(xk)+vk(1) 式中,xk和yk分别为状态量和量测量;wk和vk分别为状态噪声和量测噪声,且wk和vk相互独立。对于时刻k,利用蒙特卡洛方法,从p(x0:k|y1:k)中抽取N个独立的同分布的样本{xi0:k},则k时刻的后验概率密度函数可由式(2)逼近 p(x0:k|y1:k)=1ΝΝ∑i=1δ(x0:k-xi0:k)(2) 通常,p(x0:k|y1:k)是未知的,不能直接采样。如果可以从一个比较容易得到的采样分布函数q(x0:k|y1:k)中抽取N个附带权值{ωik}的独立同分布的样本{xik}(i=1,…,N),则后验概率密度函数可以离散的加权近似为式(3) p(x0:k|y1:k)=Ν∑i=1ˉωikδ(x0:k-xi0:k)(3) 式中,ˉωik=ωik/Ν∑i=1ωik。 而ωik=p(y1:k|x0:k)p(x0:k)q(x0:k|y1:k)称为重要性权值,q(x0:k|y1:k)称为重要性函数。 为了递推计算的需要,可对重要性函数q(x0:k|y1:k)进行如下分解 q(x0:k|y1:k)=q(x0:k-1|y1:k-1)q(xk|x0:k-1,y1:k)(4) 则可由样本q(xk|xi0:k-1,y1:k)抽取xik,这时,重要性权值 ωik=ωik-1p(yk|xik)p(xik|xik-1)q(xik|xi0: