基于粒子滤波的机动目标跟踪方法研究

论文摘要

机动目标跟踪研究对目标机动不能准确描述的估计问题,是近年来科学界研究较多的课题。由于其有效而广阔的理论和应用前景,在军事和民用领域得到越来越广泛的应用。但随着跟踪环境和目标机动性能发生变化,各种应用系统对机动目标跟踪提出了日益复杂的要求。因而,寻找更为实时有效的机动目标跟踪方法具有重要的意义。本文研究基于粒子滤波的机动目标跟踪,提出了实时有效的跟踪算法,以期解决跟踪过程中计算量大、精确度低的问题。首先,针对多模型跟踪机动目标的实时性问题,提出多模型拟蒙特卡罗-高斯粒子滤波（MM-QMC-GPF）算法和迭代多模型粒子滤波算法。前者对状态采样方法进行了改进,QMC采样代替传统的MC采样,后者通过迭代过程产生重要性密度函数,使之更符合真实的后验概率分布。实验表明,MM-QMC-GPF算法和迭代多模型粒子滤波算法均克服了传统多模型粒子滤波算法计算量大的缺点,有效的提高了目标跟踪的实时性;其次,在GPF算法的基础上,提出了一种新的采样间隔自适应调整算法,通过预测状态协方差矩阵的2-范数自适应的调整采样间隔,实验证明,该算法在不影响跟踪精度的条件下,跟踪耗时显著降低;最后,研究了用于机动目标跟踪的一种实时有效的变速率粒子滤波（VRPF）算法,该算法具有跟踪精度高、运行时间短的特性,对于工程实践具有良好的应用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 机动目标跟踪简介
• 1.2.1 机动目标跟踪研究内容
• 1.2.2 机动目标跟踪研究现状
• 1.2.3 机动目标模型
• 1.3 粒子滤波器简介
• 1.3.1 粒子滤波器研究现状
• 1.3.2 粒子滤波器的应用
• 1.4 论文章节安排
• 第二章 粒子滤波基本算法理论
• 2.1 引言
• 2.2 贝叶斯滤波原理
• 2.3 卡尔曼滤波算法
• 2.3.1 卡尔曼滤波器
• 2.3.2 Extended 卡尔曼滤波器
• 2.3.3 Unscented 卡尔曼滤波器
• 2.4 蒙特卡罗分析
• 2.4.1 蒙特卡罗方法
• 2.4.2 拟蒙特卡罗方法
• 2.5 粒子滤波原理
• 2.5.1 贝叶斯重要性采样
• 2.5.2 序贯重要性采样
• 2.5.3 粒子退化现象
• 2.5.4 重要性密度函数的选取
• 2.5.5 粒子滤波基本算法流程
• 2.6 粒子滤波的改进算法
• 2.6.1 辅助粒子滤波算法
• 2.6.2 高斯粒子滤波算法
• 2.6.3 边缘粒子滤波算法
• 2.7 本章小结
• 第三章 基于多模型粒子滤波的机动目标跟踪
• 3.1 引言
• 3.2 常用的多模型粒子滤波算法
• 3.2.1 交互式多模型粒子滤波算法
• 3.2.2 交互式多模型卡尔曼-粒子滤波算法
• 3.2.3 仿真实验及分析
• 3.3 基于多模型的高斯粒子滤波
• 3.3.1 多模型高斯粒子滤波算法
• 3.3.2 多模型拟蒙特卡罗-高斯粒子滤波算法
• 3.3.3 仿真实验及分析
• 3.4 迭代多模型粒子滤波
• 3.4.1 迭代扩展卡尔曼滤波算法
• 3.4.2 迭代多模型粒子滤波算法
• 3.4.3 仿真实验结果及分析
• 3.5 本章小结
• 第四章 基于自适应粒子滤波的机动目标跟踪
• 4.1 引言
• 4.2 常用的机动目标自适应跟踪算法
• 4.2.1 “当前”统计模型自适应跟踪算法
• 4.2.2 修正的“当前”统计模型算法
• 4.2.3 仿真实验及分析
• 4.3 采样间隔的自适应调整
• 4.3.1 常用的采样间隔自适应调整算法
• 4.3.2 基于 GPF 的采样间隔自适应调整算法
• 4.3.3 仿真实验及分析
• 4.4 变速率粒子滤波算法
• 4.4.1 变速率粒子滤波算法原理
• 4.4.2 自然坐标系下的动态模型
• 4.4.3 仿真实验及分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 未来展望
• 致谢
• 参考文献
• 作者在读期间的研究成果