隨機有限集擴展目標跟蹤算法研究.pdf

1、隨著雷達、紅外等傳感器分辨率的不斷提高,擴展目標跟蹤(Extended target tracking, ETT)技術(shù)在反導(dǎo)、預(yù)警、制導(dǎo)以及戰(zhàn)場監(jiān)視等軍事應(yīng)用中的作用日益凸顯。對于復(fù)雜環(huán)境下的ETT問題,由于傳感器獲得信息量(包括目標的觀測、大小、形狀和方向等)的增加,需要在估計目標運動狀態(tài)的基礎(chǔ)上增加擴展狀態(tài)估計,以完善傳統(tǒng)的點目標濾波模型。然而,僅考慮目標運動狀態(tài)和基于數(shù)據(jù)關(guān)聯(lián)的傳統(tǒng)點目標跟蹤方法因模型不匹配和計算復(fù)雜度過高而不適用

2、,難以充分發(fā)揮高分辨率傳感器的優(yōu)勢。本論文以隨機有限集(Random finite set, RFS)和隨機矩陣為理論基礎(chǔ),開展ETT方法研究,重點解決量測集劃分、混合約簡、目標形狀建模等關(guān)鍵問題,為滿足復(fù)雜環(huán)境下ETT應(yīng)用提供理論和方法支撐。取得的主要成果如下:
　　1.擴展目標高斯混合 PHD( Extended target Gaussian mixture PHD, ET-GM-PHD)濾波中,精確的濾波更新需要當前量測集

3、的所有可能劃分,顯然其計算不可行。為此,提出一種快速模糊ART(Adaptive Resonance Theory)劃分方法,該方法采用一個模糊ART模型代替現(xiàn)有的距離劃分。模糊ART劃分中,當前量測集的劃分子集通過不同的警戒參數(shù)產(chǎn)生。然而,當警戒參數(shù)取值較大時,采用模糊ART劃分的ET-GM-PHD濾波會出現(xiàn)勢過高估計問題。此外,當目標空間鄰近時,該濾波會出現(xiàn)勢過低估計問題。為了合理處理勢過高估計和勢過低估計問題,分別提出勢過高估計處

4、理機制和模糊ART次劃分方法。仿真結(jié)果表明,模糊ART劃分方法能很好地處理空間鄰近的擴展目標,并在保證跟蹤性能的同時有效減少計算時間。
　　2.相比于ET-GM-PHD濾波,擴展目標高斯逆威沙特PHD(Extended target Gaussian inverse Wishart PHD, ET-GIW-PHD)濾波同時考慮了目標的運動狀態(tài)和擴展狀態(tài)。類似于ET-PHD濾波和ET-GM-PHD濾波,該濾波在實現(xiàn)時也存在量測集劃分

5、問題。然而,對于分裂跟蹤場景,當兩個或多個大小不同的擴展目標空間鄰近時,ET-GIW-PHD濾波會出現(xiàn)勢過低估計問題。為此,結(jié)合模糊ART和貝葉斯理論,提出一種新穎的魯棒貝葉斯劃分方法。該劃分方法中,類的分布形狀隨量測向量的輸入不斷更新,最后得到空間中量測的準確分布形狀信息。由于貝葉斯劃分考慮了類的形狀信息,所以對大小不同且空間鄰近的擴展目標具有潛在的優(yōu)勢。仿真結(jié)果表明,該劃分方法的跟蹤性能優(yōu)于現(xiàn)有的劃分方法,具有良好的應(yīng)用前景。

6、>　　3. ET-GM-PHD濾波中,高斯混合(Gaussian mixture, GM)分量數(shù)目N隨時間呈指數(shù)增長。為了使N保持在一個計算可行的范圍內(nèi),需要進行高斯混合約簡。為此,提出一種基于模糊ART的高斯混合約簡(GM reduction based on the fuzzy ART, GMR-FART)算法。該算法與模糊ART的結(jié)構(gòu)類似,但是其選擇函數(shù)、匹配函數(shù)以及學(xué)習更新式是通過高斯混合特征定義的,其性能采用歸一化積分平方距離

7、(Normalized integrated squared distance, NISD)測度來評價。仿真結(jié)果表明,所提算法形成的約簡混合能很好地近似原始混合,且所需要計算時間少。
　　4. ET-GIW-PHD濾波中,為了同時估計目標的運動狀態(tài)和擴展狀態(tài), Granstr?m等人采用高斯逆威沙特(Gaussian inverse Wishart, GIW)混合近似目標狀態(tài)的后驗概率密度函數(shù)。類似于高斯混合,GIW混合也需要約簡