交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题,将交互式多模型(Interacting multiple model,IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter,Box-LMB)相结合,提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态,引入模型匹配概率变量,并利用量测信息在预测阶段更新模型匹配概率,进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次,在更新阶段提出二次收缩算法,通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率,也更加接近真实目标位置,从而达到提升后续时刻箱粒子多样性的目的.仿...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 46; no. 11; pp. 2448 - 2460
Main Authors 蔡如华, 杨标, 吴孙勇, 孙希延
Format Journal Article
LanguageChinese
Published 广西精密导航技术与应用重点实验室 桂林541004%广西精密导航技术与应用重点实验室 桂林541004 01.11.2020
桂林电子科技大学数学与计算科学学院 桂林541004%桂林电子科技大学数学与计算科学学院 桂林541004
Subjects
箱粒子滤波
多机动目标追踪
交互式多模
标签多伯努利滤波
收缩算法
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c180069

Cover

More Information
Summary:针对多机动目标追踪问题,将交互式多模型(Interacting multiple model,IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter,Box-LMB)相结合,提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态,引入模型匹配概率变量,并利用量测信息在预测阶段更新模型匹配概率,进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次,在更新阶段提出二次收缩算法,通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率,也更加接近真实目标位置,从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明,二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法,能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下,与匀速直线运动(Constant velocity,CV)模型下的Box-LMB算法相比,IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.
ISSN:0254-4156
DOI:10.16383/j.aas.c180069