粒子滤波跟踪算法研究

论文摘要

在模型满足线性、高斯条件下,很多滤波算法可获得很好的跟踪效果。但若目标在多模型、非高斯、强噪声的运动背景下,经典的卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）等算法估计精度明显下降,甚至发散。粒子滤波（PF）是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,在目标跟踪领域得到了广泛的应用。本文针对现有目标跟踪方法中的缺陷,结合实际问题提出了改进算法,以期达到更好的效果,主要工作如下:1.考虑到重要性密度函数对于改善粒子退化现象和滤波精度的重要性,研究了一种两级扩展卡尔曼粒子滤波（TSEPF）算法,通过引入最新的量测信息,使得产生的样本更加接近于真实的采样样本。仿真实验表明,该算法的估计性能优于扩展卡尔曼粒子滤波（EPF）、不敏卡尔曼粒子滤波（UPF）等几种滤波算法。2.为解决重采样后出现粒子枯竭现象,引入一个马尔可夫链蒙特卡罗移动步骤（MCMC）来增加粒子的多样性,对粒子滤波算法作了改进,并将其应用于目标跟踪中,仿真结果也表明PF-MCMC滤波算法估计精度比传统的PF算法更高,能够更准确地跟踪目标。3.当目标表现出极强的机动能力时,针对单模型的自适应滤波器存在的问题,提出了把交互式多模型算法（IMM）与粒子滤波相结合的IMM-PF算法。仿真结果表明,在非线性条件下跟踪机动目标时,IMM-PF算法切实可行,并且其跟踪效果好于采用扩展卡尔曼滤波的IMM算法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题来源
• 1.2 研究背景及意义
• 1.3 国内外研究现状
• 1.4 本文的主要工作
• 1.5 本文的组织结构
• 第二章 目标跟踪概论
• 2.1 目标跟踪的基本原理
• 2.2 目标运动模型
• 2.2.1 匀速（CV）模型和常加速（CA）模型
• 2.2.2 一阶时间相关模型（Singer模型）
• 2.2.3 "当前"统计模型
• 2.2.4 半马尔可夫模型
• 2.3 状态估计理论
• 2.3.1 贝叶斯滤波
• 2.3.2 卡尔曼滤波
• 2.3.3 扩展卡尔曼滤波
• 2.3.4 UKF滤波
• 2.3.5 粒子滤波
• 2.4 算法仿真
• 2.5 本章小结
• 第三章 粒子滤波器
• 3.1 蒙特卡罗方法
• 3.2 粒子滤波算法
• 3.2.1 序列重要性采样（SIS）
• 3.2.2 退化现象
• 3.2.3 重采样
• 3.2.4 粒子滤波的算法流程
• 3.3 Two-Stage EPF算法（TSEPF）
• 3.3.1 Unscented Particle Filter（UPF）
• 3.3.2 基于EKF的粒子滤波（EPF）
• 3.3.3 TSEPF算法
• 3.4 算法仿真及性能分析
• 3.5 本章小结
• 第四章 PF-MCMC目标跟踪算法
• 4.1 MCMC算法基本原理
• 4.2 基于MCMC粒子滤波算法
• 4.3 仿真实验
• 4.4 本章小结
• 第五章 基于IMM-PF的机动目标跟踪
• 5.1 引言
• 5.2 IMM算法
• 5.3 IMM-PF算法
• 5.4 仿真实验
• 5.5 本章小结
• 总结与展望
• 致谢
• 参考文献
• 攻读硕士学位期间的论文和科研项目