隨機(jī)有限集擴(kuò)展目標(biāo)跟蹤算法研究.pdf

1、隨著雷達(dá)、紅外等傳感器分辨率的不斷提高,擴(kuò)展目標(biāo)跟蹤(Extended target tracking, ETT)技術(shù)在反導(dǎo)、預(yù)警、制導(dǎo)以及戰(zhàn)場(chǎng)監(jiān)視等軍事應(yīng)用中的作用日益凸顯。對(duì)于復(fù)雜環(huán)境下的ETT問(wèn)題,由于傳感器獲得信息量(包括目標(biāo)的觀測(cè)、大小、形狀和方向等)的增加,需要在估計(jì)目標(biāo)運(yùn)動(dòng)狀態(tài)的基礎(chǔ)上增加擴(kuò)展?fàn)顟B(tài)估計(jì),以完善傳統(tǒng)的點(diǎn)目標(biāo)濾波模型。然而,僅考慮目標(biāo)運(yùn)動(dòng)狀態(tài)和基于數(shù)據(jù)關(guān)聯(lián)的傳統(tǒng)點(diǎn)目標(biāo)跟蹤方法因模型不匹配和計(jì)算復(fù)雜度過(guò)高而不適用

2、,難以充分發(fā)揮高分辨率傳感器的優(yōu)勢(shì)。本論文以隨機(jī)有限集(Random finite set, RFS)和隨機(jī)矩陣為理論基礎(chǔ),開展ETT方法研究,重點(diǎn)解決量測(cè)集劃分、混合約簡(jiǎn)、目標(biāo)形狀建模等關(guān)鍵問(wèn)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(kuò)展目標(biāo)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(dāng)前量測(cè)集

3、的所有可能劃分,顯然其計(jì)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(gè)模糊ART模型代替現(xiàn)有的距離劃分。模糊ART劃分中,當(dāng)前量測(cè)集的劃分子集通過(guò)不同的警戒參數(shù)產(chǎn)生。然而,當(dāng)警戒參數(shù)取值較大時(shí),采用模糊ART劃分的ET-GM-PHD濾波會(huì)出現(xiàn)勢(shì)過(guò)高估計(jì)問(wèn)題。此外,當(dāng)目標(biāo)空間鄰近時(shí),該濾波會(huì)出現(xiàn)勢(shì)過(guò)低估計(jì)問(wèn)題。為了合理處理勢(shì)過(guò)高估計(jì)和勢(shì)過(guò)低估計(jì)問(wèn)題,分別提出勢(shì)過(guò)高估計(jì)處

4、理機(jī)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(kuò)展目標(biāo),并在保證跟蹤性能的同時(shí)有效減少計(jì)算時(shí)間。
　　2.相比于ET-GM-PHD濾波,擴(kuò)展目標(biāo)高斯逆威沙特PHD(Extended target Gaussian inverse Wishart PHD, ET-GIW-PHD)濾波同時(shí)考慮了目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài)。類似于ET-PHD濾波和ET-GM-PHD濾波,該濾波在實(shí)現(xiàn)時(shí)也存在量測(cè)集劃分

5、問(wèn)題。然而,對(duì)于分裂跟蹤場(chǎng)景,當(dāng)兩個(gè)或多個(gè)大小不同的擴(kuò)展目標(biāo)空間鄰近時(shí),ET-GIW-PHD濾波會(huì)出現(xiàn)勢(shì)過(guò)低估計(jì)問(wèn)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(cè)向量的輸入不斷更新,最后得到空間中量測(cè)的準(zhǔn)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(duì)大小不同且空間鄰近的擴(kuò)展目標(biāo)具有潛在的優(yōu)勢(shì)。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(shí)間呈指數(shù)增長(zhǎng)。為了使N保持在一個(gè)計(jì)算可行的范圍內(nèi),需要進(jìn)行高斯混合約簡(jiǎn)。為此,提出一種基于模糊ART的高斯混合約簡(jiǎn)(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(xí)更新式是通過(guò)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(cè)度來(lái)評(píng)價(jià)。仿真結(jié)果表明,所提算法形成的約簡(jiǎn)混合能很好地近似原始混合,且所需要計(jì)算時(shí)間少。
　　4. ET-GIW-PHD濾波中,為了同時(shí)估計(jì)目標(biāo)的運(yùn)動(dòng)狀態(tài)和擴(kuò)展?fàn)顟B(tài), Granstr?m等人采用高斯逆威沙特(Gaussian inverse Wishart, GIW)混合近似目標(biāo)狀態(tài)的后驗(yàn)概率密度函數(shù)。類似于高斯混合,GIW混合也需要約簡(jiǎn)