具有模型概率修正的新穎IMMPDA算法*

王美健， 吳小俊

(江南大學 物聯網工程學院，江蘇 無錫 214122)

?

具有模型概率修正的新穎IMMPDA算法*

王美健， 吳小俊

(江南大學 物聯網工程學院，江蘇 無錫 214122)

為了有效提高雜波環境中機動目標跟蹤的精度，將標量交互式多模型(SIMM)算法與概率數據關聯(PDA)算法結合成SIMMPDA算法。其中，PDA算法能夠有效處理雜波環境下的數據關聯與測量不確定性。SIMM算法處理運動模型間的切換，且在線性最小方差意義下獲得目標的最優狀態估計。而考慮因雜波的干擾導致各時刻的匹配模型占優程度不明顯的問題，故再對各時刻SIMMPDA算法所得的后驗模型概率進行修改，得到一個基于模型概率修改的SIMMPDA算法，即為M-SIMMPDA算法。仿真結果表明，所提算法的跟蹤精度得到一定程度的提高。

機動目標跟蹤； 標量交互式多模型； 概率數據關聯

0　引　言

在實際的跟蹤系統中，往往存在許多雜波干擾，造成測量源的不定性，使跟蹤問題變得復雜。針對雜波環境下的目標跟蹤問題，一系列有效算法相繼被提出，主要包括最近領域標準濾波器[1]、最強鄰域法[2]、概率最近鄰域法[3]、概率數據關聯(PDA)[4]算法、綜合概率數據關聯 (IPDA) 算法[5,6]及聯合概率數據關聯(JPDA)算法[7～9]等。而其中的PDA,IPDA與JPDA都是先對當前時刻不同的確認量測來自目標的概率進行計算，再利用這些概率進行加權以獲得目標的狀態估計。其中PDA算法是在雜波環境中進行單目標跟蹤較好的數據關聯算法，但是它不能較好地用于跟蹤機動目標。而交互式多模型(IMM)[10]算法在機動目標跟蹤領域有著良好的性能，將IMM算法與PDA算法結合的IMMPDA算法[11，12]已成為雜波環境中跟蹤單機動目標的主要算法。該算法無需進行機動檢測，跟蹤精度相較于其他數據關聯算法更高。

對于IMMPDA算法來說，其中的PDA算法用于處理落入相關波門內的候選測量，由于各測量與目標的關聯概率不同，其在目標狀態估計中的作用也就不一樣，這樣在進行目標狀態估計時，將無法確認來源的測量集都利用上了。IMM算法主要是以一組不同模型描述目標運動過程，模型間的切換服從馬爾可夫過程，通過加權各模型濾波器輸出作為目標運動狀態的最終估計。而SIMM[13,14]算法作為一個改進的IMM算法，是在線性最小方差意義下獲得目標的最優狀態估計，已在文獻[13]里較之IMM算法體現出了其性能優勢。因此，本文提出一種新的IMMPDA算法，該算法由SIMM算法與PDA算法結合以適應雜波環境里的機動目標跟蹤，并考慮到雜波干擾導致各時刻匹配模型的占優程度弱的問題，而對各時刻各模型的后驗概率進行修改[15]，以期望提高匹配模型的占優程度，進而提高目標跟蹤的精度。仿真實驗表明:在雜波環境中跟蹤機動目標，所提算法的性能得到了明顯的改善。

1　線性系統描述

目標的運動方程

(1)

傳感器的測量方程

zk=Hxk+vk

(2)

式中x為n維狀態向量，z為觀測向量，F為狀態轉移矩陣，G為過程噪聲分布矩陣，H為量測矩陣。v為標準測量噪聲向量，w為過程噪聲向量，v和w是互不相關的零均值高斯白噪聲向量，其協方差矩陣分別為R和Q。

模型的跳變規律服從馬爾可夫鏈，即為

(3)

2　模型概率修改操作

一般來說，多模型算法在各時刻中的匹配模型相對占優于其他不匹配模型，即匹配模型概率較大于不匹配模型概率，模型概率修改操作[15]旨在通過修改模型概率來提高匹配模型的占優程度。假定模型概率向量為

(4)

各循環周期使用修改操作Φ(·)修改uk

(5)

式中ηk為一個修改參數，用于控制修改程度，歸一化常數為

(6)

1)如果s>2，有

(7)

2)如果s=2，有

(8)

式中λk為一個閾值。

3　所提出的M-SIMMPDA算法

該算法先將SIMM算法與PDA算法結合，并對各模型后驗概率進行修改操作，這樣既使得算法能夠在機動目標跟蹤過程中有效處理雜波問題，也緩解雜波干擾造成的匹配模型占優弱的問題。

算法的一個循環周期步驟(算法的結構流程圖如圖1所示)。

圖1　M-SIMMPDA算法的結構

1)混合權重計算(i,j=1,2,…,s)

(9)

2)混合(i,j=1,2,…,s)

(10)

(11)

3)PDA濾波(j=1,2,…，s)

預測

(12)

(13)

(14)

(15)

測量確認(使用模型概率加權門(MPWG[16])來確認候選測量)：

當且僅當

(16)

式中

(17)

(18)

(19)

式中n2為量測的維數(Cn2為同維單位超球的體積，即C1=2,C2=π,C3=4π/3等)

(20)

(21)

(22)

(23)

(24)

(25)

式中

bk=mk(1-PD)(PDVk)-1

(26)

(27)

(28)

4)模型概率更新(j=1,2,…,s)

(29)

6)狀態估計和協方差綜合

(30)

(31)

4　仿真結果與分析

所提新算法詳細闡明于兩個航空機動目標跟蹤的情況，傳感器采樣周期T為1 s，檢測概率PD=0.99，門限γ=16，雜波密度λ=0.000 05。

平均均方根誤差[17]的計算公式

(32)

情況1：目標的初始位置在(100,100) km，初始速度為(0，-0.5)km/s，機動目標在1～50 s進行勻速直線運動，在51～70 s以角速度ω=π 40 rad/s勻角速度轉彎運動，在71～120 s再進行勻速直線運動，在121～150 s以角速度ω=π/40 rad/s勻角速度轉彎運動。仿真結果如圖2～圖6。

圖2　X方向位置均方根誤差

圖3　X方向速率均方根誤差

圖4　Y方向位置均方根誤差

圖5　Y方向速率均方根誤差

仿真參數設置：采樣總時間N=150s，蒙特卡洛運行次數M=1 000，標準的傳感器量測噪聲方差為r=10km。采用兩個不同過程噪聲的CV模型，模型1的過程噪聲因子q1=0.01，模型2的過程噪聲因子q2=50，對應的過程噪聲分布矩陣、過程噪聲協方差矩陣及狀態轉移矩陣分別如下

(33)

目標的模型轉移概率矩陣及量測矩陣、過程噪聲分布矩陣分別如下

(34)

圖6　平均均方根誤差

情況2：目標的初始位置在(1 000,1 000)km，初始速度為( 1，1 )km/s，機動目標在1～20 s進行勻速直線運動，在21～40 s以角速度ω=-π/40 rad/s勻角速度轉彎運動，在41～60 s再進行勻速直線運動，在61～80 s以角速度ω=π/40 rad/s勻角速度轉彎運動,最后20 s進行勻速直線運動。仿真結果如圖7～圖11。

圖7　X方向位置均方根誤差

圖8　X方向速率均方根誤差

圖9　Y方向位置均方根誤差

圖10　Y方向速率均方根誤差

圖11　平均均方根誤差

仿真參數設置：采樣總時間N=100s，蒙特卡洛運行次數M=1 000，標準的傳感器量測噪聲方差為r=10km，采用三個運動模型：模型1為CV模型，模型2為轉角速度ω2<0的CT模型，模型3為轉角速度ω3>0的CT模型。模型1的過程噪聲因子q1=0.1，模型2，3的過程噪聲因子均為qi=50(i=2,3)，對應的狀態轉移矩陣、過程噪聲分布矩陣及過程噪聲協方差矩陣分別如下

(35)

目標的模型轉移概率矩陣及量測矩陣、過程噪聲分布矩陣分別為

(36)

情況1的仿真結果體現在圖2～圖6，其圖2和圖4分別是算法在位置的X方向與Y方向的比較，圖3和圖5分別是算法在速率的X方向與Y方向的比較，而圖6則是算法在X與Y方向分別進行的位置、速率方面的平均均方根誤差比較。情況2的仿真結果體現在圖7～圖11，其圖7和圖9分別是算法在位置的X方向與Y方向的比較，圖8和圖10分別是算法在速率的X方向與Y方向的比較，而圖11則是算法在X與Y方向分別進行的位置、速率方面的平均均方根誤差比較。可以看出，在雜波環境下跟蹤機動目標，SIMMPDA算法無論是在位置還是速率方面的均方根誤差都小于IMMPDA算法，特別是在速率方面，SIMMPDA算法的性能有著明顯的優勢。而較之SIMMPDA算法，M-SIMMPDA算法在跟蹤性能方面又有著一定的進步。

5　結束語

本文針對實際機動目標跟蹤過程中，測量環境并非是“干凈”的，存在著許多雜波使測量源不確定，提出了SIMM與PDA的結合算法SIMMPDA算法。進一步考慮雜波的影響導致各時刻匹配運動模型的占優程度不明顯的問題，故在算法的每個循環周期對后驗模型概率進行修改，形成M-SIMMPDA算法以緩解雜波干擾匹配模型占優程度的問題，進而提高跟蹤精度。從仿真結果可以看出:這種新的IMMPDA算法具有更好的跟蹤性能，提高了跟蹤精確度。

[1]Singer R A,Sea R G.New results in optimizing surveillance system tracking and data correlation performance in dense multitarget environments[J].Automatic Control,1973,18(6):571-582.

[2]Li X R.Tracking in clutter with strongest neighbor measurements I:Theoretical analysis[J].automatic Control,1998,43(11):1560-1578.

[3]Song T L,Lee D G,Ryu J.A probabilistic nearest neighbor filter algorithm for tracking in a clutter environment[J].Signal Process,2005,85(10):2044-2053.

[4]Kirubarajan T,Bar-Shalom Y.Probabilistic data association techniques for target tracking in clutter[C]∥Proceedings of the IEEE,2004:536-557.

[5]Musicki D,Evans R.Joint integrated probabilistic data association:JIPDA[J].Aerospace and Electronic Systems,2004,40(3):1093-1099.

[6]Musicki D,Evans R.Integrated probabilistic data association[J].Automatic Control,1994,39(6):1237-1241.

[7]Bar-Shalom Y,Daum F,Huang J.The probabilistic data association filter[J].Control Systems,2009,29(6):82-100.

[8]Chang K C,Bar-Shalom Y.Joint probabilistic data association for multitarget tracking with possibly unresolved measurements and maneuvers[J].Automatic Control,1984,29(7):585-594.

[9]Chang K C,Chong C Y,Bar-Shalom Y.Joint probabilistic data association in distributed sensor networks[J].Automatic Control,1986,31(10):889-897.

[10] Li Rong X，Vesselin P Jilkov.Survey of maneuvering target tra-cking,part V:Multiple model methods[J].Aerospace and Electronic Systems,2005,41(4):1255-1321.

[11] Kirubarajan T,Bar-Shalom Y.IMMPDA for radar management and tracking benchmark with ECM[J].Aerospace and Electronic Systems,1998,34(4):1115-1134.

[12] Blom H A P,Bloem E A.Probabilistic data association avoiding track coalescence[J].Automatic Control,2000,45(2):247-259.

[13] Fu X,Jia Y,Du J,et al.New interacting multiple model algorithms for the tracking of the manoeuvring target[J].Control Theory and Application,2010,4(10):2184-2194.

[14] Zhou Weidong，Liu Mengmeng.Robust interacting multiple model algorithms based on multi-sensor fusion criteria[J].International Journal of Systems Science,2015,47(1):92-106.

[15] Zhao Shunyi,Huang Biao,Liu Fei.Fault detection and diagnosis of multiple model systems with mismodeled transition probabilities[J].Industrial Electronics,2015,62(8):5063-5071.

[16] Wang Xuezhi,Challa S,Evans R.Gating techniques for maneuvering target tracking in clutter[J].Aerospace and Electronic Systems,2002,38(3):1087-1097.

[17] Zhu Hongyan,Chen Shuo,Han Chongzhao.Fusion of Gaussian mixture models for possible mismatches of sensor model[J].Information fusion,2014,20:203-212.

Novel IMMPDA algorithm with model probability correction*

WANG Mei-jian, WU Xiao-jun

(School of loT Engineering,Jiangnan University,Wuxi 214122，China)

The probability data association(PDA)algorithm is incorporated with scalar interactive multiple model(SIMM) to form SIMMPDA algorithm in order to improve tracking precision of maneuvering target in clutter environment.The PDA algorithm handles data association and measurement uncertainties in clutter environment.The SIMM algorithm deals with the model switching and obtain the optimal state estimations of target in the linear minimum variance sense.In consideration of the problem that the matched model hasn't dominance obvious due to the interference of clutter at each time,so that the model probability of the SIMMPDA algorithm is modified.Thus,a M-SIMMPDA algorithm,which is a SIMMPDA algorithm based on model probability modification is presented.The simulation results show that the tracking precision of the proposed algorithm has been improved to some extent.

maneuvering targets tracking; scalar interactive multiple model(SIMM); probability data association(PDA)

10.13873/J.1000—9787(2016)09—0121—05

2015—10—21

國家自然科學基金資助項目(61373055); 江蘇省研究生培養創新工程項目(KYLX—1123)

TP 301.6

A

1000—9787(2016)09—0121—05

王美健(1989-)，男，江西吉安人，碩士研究生，研究方向為目標跟蹤與信息融合。