粒子滤波算法及其在目标跟踪中的应用

论文摘要

目标跟踪技术被广泛的应用在监控、导航、障碍规避等需要确定目标的数目、位置、运动和身份的系统中,是这些系统的重要组成部分。而能够递推估计目标状态的滤波算法是整个跟踪系统的重要基石。在目标跟踪领域,最常用的经典滤波算法是卡尔曼滤波(Kalman Filter)和扩展卡尔曼滤波(Extended Kalman Filter),其中前者用于线性系统,后者用于非线性系统。KF是最小均方意义下的最优滤波算法,EKF则是利用一阶泰勒展开将非线性系统线性化而得到的一种次优滤波算法,在非线性不是特别严重的情况下,EKF有着近似最优的滤波效果。上述两种方法在当系统噪声和观测噪声满足高斯分布特性的时候具有较好滤波性能,而对于非高斯分布噪声上述滤波方法的指标下降,甚至出现发散。因此,人们开始关注非线性、非高斯情况下的滤波方法。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。粒子滤波方法的使用非常灵活,容易实现,具有并行结构,实用性强。本论文以目标跟踪为主要背景,研究飞行目标的粒子滤波算法。通过对粒子滤波算法基本理论的分析和对该算法存在的问题的研究,详细阐述了粒子滤波算法的原理,分析了此滤波方法的优缺点,并于最后将粒子滤波算法应用在具有强非线性条件下并和以往的EKF算法性能进行比较,以及实际的飞行目标仿真实验中,仿真结果表明这种滤波算法能够很好地解决非高斯机动目标跟踪问题。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景
• 1.2 粒子滤波的研究现状
• 1.2.1 粒子滤波理论的发展
• 1.2.2 主要应用领域
• 1.2.3 国内外文献综述
• 1.2.4 粒子滤波未来研究方向
• 1.3 目标跟踪方法研究进展
• 1.4 本文的工作
• 第2章 粒子滤波基本理论
• 2.1 引言
• 2.2 贝叶斯滤波原理
• 2.3 粒子滤波算法
• 2.3.1 蒙特卡罗方法
• 2.3.2 贝叶斯重要性采样
• 2.3.3 序列重要性采样
• 2.3.4 重采样
• 2.3.5 粒子滤波关键技术
• 2.4 粒子滤波算法流程
• 2.5 本章小结
• 第3章 其它滤波算法
• 3.1 卡尔曼滤波
• 3.1.1 卡尔曼滤波算法
• 3.1.2 卡尔曼滤波的性质
• 3.2 α-β系列滤波
• 3.2.1 α-β滤波器
• 3.2.2 α-β-γ滤波器
• 3.3 扩展卡尔曼滤波
• 3.3.1 非线性系统描述
• 3.3.2 EKF算法原理
• 3.4 本章小结
• 第4章 目标跟踪相关理论
• 4.1 引言
• 4.2 目标跟踪简介
• 4.3 目标跟踪的基本要素
• 4.3.1 量测数据的处理
• 4.3.2 跟踪坐标系与滤波状态变量的选取
• 4.4 目标跟踪的数学模型
• 4.4.1 目标的运动模型和量测模型
• 4.4.2 CA和 CV运动模型
• 4.4.3 目标的转弯模型（CT模型）
• 4.5 本章小结
• 第5章 粒子滤波与目标跟踪
• 5.1 滤波技术在目标跟踪领域中起到的作用
• 5.2 粒子滤波应用于目标跟踪的原理与方法
• 5.2.1 目标的先验知识
• 5.2.2 系统状态转移
• 5.2.3 系统观测
• 5.2.4 后验概率的计算
• 5.2.5 粒子重采样
• 5.3 仿真实验算法介绍
• 5.3.1 目标状态模型
• 5.3.2 目标观测模型
• 5.3.3 仿真实验应用的算法
• 5.4 本章小结
• 第6章 目标跟踪仿真实验与分析
• 6.1 一维非线性模型的粒子滤波仿真
• 6.2 基于粒子滤波的目标跟踪实验
• 6.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢