被動多傳感器改進交互多模型粒子濾波算法

劉 威，宋 偉，黃遵全

(1. 中國人民解放軍92038部隊，山東 青島 266108；2. 北海艦隊參謀部信息保障處，山東 青島 266071)

被動多傳感器改進交互多模型粒子濾波算法

劉 威1，宋 偉2，黃遵全1

(1. 中國人民解放軍92038部隊，山東 青島 266108；2. 北海艦隊參謀部信息保障處，山東 青島 266071)

將改進的粒子濾波算法即基于均勻重采樣的粒子濾波（AUPF）與交互式多模型算法（IMM）相結合，提出交互式多模型均勻重采樣粒子濾波算法（IMM-AUPF），并將其應用于被動多傳感器的機動目標跟蹤中。均勻重采樣粒子濾波在標準粒子濾波的基礎上通過改進重采樣過程，在解決粒子退化問題的同時，增加了粒子的多樣性，提高了濾波性能。在多模型中應用均勻重采樣粒子濾波，提高被動多傳感器系統的機動目標跟蹤精度。將該方法與交互式多模型粒子濾波算法（IMM-PF）進行仿真對比，結果表明該方法具有更好的跟蹤性能。

均勻重采樣；被動多傳感器；機動目標；交互式多模型；粒子濾波

0 引 言

被動聲吶探測通過接收水中目標輻射的噪聲，來對目標進行定位。因其本身不發射信號，具有隱蔽性好，不易受攻擊等優點，而備受海軍關注。單個被動傳感器只能觀測到目標的方位，無法得到距離信息，屬于不完全觀測，要完成目標的跟蹤任務需融合多個傳感器的信息。因此，對被動多傳感器跟蹤系統的研究勢在必行[1]。

對被跟蹤的目標當前狀態參數的估計維持，與此同時，將傳感器所接收到的量測數據進行處理的整個過程被稱為一個目標跟蹤過程[2]。被動跟蹤的量測方程為非線性，傳統的線性卡爾曼濾波[1]無法得到解析解。對于非線性系統，需要用非線性濾波。非線性濾波典型的算法有擴展卡爾曼濾波[1]與無跡卡爾曼濾波等，這些算法只能處理弱非線性系統，且受高斯噪聲的限制。近年來，粒子濾波在處理非線性非高斯問題中得到了廣泛應用。它是一種基于貝葉斯濾波用“粒子”概率密度表示的序貫蒙特卡羅方法，所謂粒子就是一些具有相應權值的隨機樣本，理論上當粒子數無限時，這些隨機樣本就能準確地擬合后驗概率分布，算法精度逼近最優。標準的粒子濾波為解決樣本退化問題，在遞推過程中引進重采樣思想，但隨之而來的問題是樣本多樣性的匱乏[3]。文獻[4]提出了基于均勻重采樣的粒子濾波器（AUPF），在重采樣過程中，大部分權值大的粒子仍按照隨機抽樣得到，其余的粒子按均勻分布抽取，均勻分布的最小值和最大值應取上次迭代中粒子的最小值和最大值，目的是保留被拋棄粒子的分布范圍。該方法在減小粒子退化程度的同時，增加了粒子多樣性。

目標在運動過程中不斷變化，從一種形式變換為另一種形式，這就是所謂的目標機動[5]。單一的運動模型不能準確的描述機動目標的運動方式，交互式多模型（IMM）算法通過馬爾可夫轉移概率對多模型進行切換，能跟蹤目標的任意機動，因此在機動目標跟蹤中交互式多模型算法是一種有效的方法。文獻[6]將IMM 與 PF 相結合得到了 IMM-PF 算法，但標準粒子濾波算法的粒子多樣性匱乏，本文在文獻[4]的基礎上，結合 IMM，提出了 IMM-AUPF 算法，并通過仿真驗證了該方法的有效性。

1 被動跟蹤模型

1.1 離散狀態方程

目標運動模型可以用離散狀態方程表述為：

式中：X 為系統狀態向量；F 為狀態轉移矩陣；G 為狀態噪聲輸入矩陣；v（k）為零均值、協方差為 Q 的白高斯過程噪聲。

常見的目標運動模型主要有勻速（CV）模型、勻加速（CA）模型和恒速率轉彎（CT）模型。在此僅對本文采用的以下 2 種模型進行敘述，均考慮二維情況。

1）CV 模型

2）CT 模型

該模型為恒速率轉彎模型，狀態向量可以寫為：X=[x,y,vx,vy]，4 個量分別表示目標各方向的位置、速度分量，矩陣 F 和 G 為：

式中 ω 為運動角速度，即代表模型機動情況的參數，rad/s。

1.2 離散觀測方程

目標量測模型可以用離散狀態方程表述為：

式中：Y 為系統測量向量；hk（xk）為非線性函數；ω（k）是零均值、協方差為 R 的白高斯過程噪聲。

在被動純方位目標跟蹤中有：

式中 i = 1,2，…，N 為被動傳感器的個數。

2 AUPF算法

2.1 標準的粒子濾波算法[7]

粒子濾波是一種基于蒙特卡羅方法和遞推貝葉斯估計的統計濾波方法，它依據大數定理采用蒙特卡洛羅方法來求解貝葉斯估計中的積分運算。其基本思想是：首先根據系統狀態向量的初始均值和方差，產生一組隨機樣本的集合，稱這些樣本為粒子，然后根據系統的狀態方程進行下一時刻粒子狀態的預測，再根據量測不斷調節粒子的權重和位置，通過調整后的信息去逼近狀態的后驗概率分布。

假設動態系統 k 時刻目標狀態的后驗概率分布p(xk/zk)可由從轉移先驗密度函數 p (xk/xk?1) 中隨機抽取∑的 N 個樣本 xik,ωik來描述。權值 ωik被歸一化為

ωik=1，則 k 時刻目標狀態的后驗概率分布可離散地加權為：

權值通過重要采樣法選擇，粒子集可由重要性密度函數 q (xk/xk?1,zk) 得到，權值為：

標準粒子濾波算法選擇最易于實現的先驗概率密度作為重要性函數，即

則重要性權值可簡化為：

標準粒子濾波的算法歸納如下：

1）初始化。由先驗概率 p (x0) 產生粒子群

3）預測。在 k 時刻，根據狀態轉移方程預測下一時刻粒子的值 xik和觀測值 hkxik。

4）更新。按式（7）更新粒子權值，并且歸一化。

6）時刻 k = k + 1，轉到第 2 步。

標準粒子濾波引進隨機重采樣過程，雖然解決了粒子退化的問題卻又引入了樣本貧化現象。標準粒子濾波選用先驗概率分布作為重要性密度函數，沒有考慮新的觀測信息，隨著時間的增加，粒子的權重集中到少數粒子上，甚至在經過幾步的遞歸之后，可能只有一個粒子有非零權值，其他粒子粒子權值很小，可以忽略不計，這將導致粒子貧化。

2.2 AUPF 粒子濾波算法[4,8]

為保證粒子的多樣性，AUPF 在重采樣中引入均勻分布的思想，在保證粒子對真實后驗概率密度逼近能力的情況下，使粒子具有比較廣的分布范圍。

均勻重采樣的具體步驟如下：

1）對所有的 N 個粒子按權值進行排序，選出權值最大的 Ns個粒子，其中

3）隨機采樣第 i (i=1,2,···,Ns) 個服從 [0 1] 均勻分布的數 ηi，若 aj?1＜ηi＜aj，則可以取得第 i 次隨機采樣的結果為 xj；

5）將 2 次得到的粒子合并，得到將要進入下一次迭代的全部粒子 xiN，并重新分配權值。

ki=1

3 IMM 均勻重采樣粒子濾波

3.1 IMM 算法介紹

IMM 算法原理如圖 1 所示。IMM[9]算法：混合概率計算、輸入交互、模型濾波、模型概率更新及狀態和協方差計算等步驟。

詳細步驟的描述見 IMM-AUPF 算法。

3.2 IMM-AUPF 算法介紹

在 IMM 算法的模型濾波中應用 AUPF，即可得到本文的 IMM-AUPF 等。

IMM-AUPF 算法具體實現步驟如下：1）輸入交互[9]

假設有 Ns個模型，計算

2）并行濾波

11計算殘差：

更新權值，并歸一化。

3）模型概率更新

預測觀測的均值：

新息：

似然函數：

模型概率：

式中：

5）狀態估計及協方差

4）重采樣

6）輸出交互

根據各自濾波器的估計結果及其模型后驗概率，計算最終狀態估計：

4 仿真驗證與比較

4.1 精度評價指標[8]

采用的評價指標如下：單次運行的均方根誤差曲線圖用以定性比較；多次運行的均方根誤差（Root-Mean-square-Error，簡稱 RMSE）以定量比較。單次運行的均方根誤差通過下式計算:

式中：xk為目標狀態真實值；為估計值；N 為時間步長數。

J 次蒙特卡洛試驗的 RMSE 均值:

J 次蒙特卡洛試驗的 RMSE 均方差:

4.2 仿真分析

目標軌跡設置如下：目標起始位置為（0，0），采樣間隔為 T = 1 s，目標初始速度為 v = 340 m/s，前20 個采樣間隔沿與水平方向成 10° 的方向做勻速直線運動，之后左轉彎，轉彎速率為 7.84°/s，持續時間為25 個采樣間隔，在第 46 ～ 60 個采樣間隔內勻速運動，之后再以轉彎速率為 7.84°/s 進行右轉彎，持續到 80 個采樣間隔，然后以 7.84°/s 繼續右轉彎，持續時間為 10 個采樣間隔，最后在第 91 ～ 100 個采樣間隔內勻速運動。

這里采用的模型集為勻速直線運動模型和 2 個恒速率轉彎模型，其中 1 個描述目標逆時針轉彎，另 1個對應目標順時針轉彎。各模型之間的馬爾可夫概率轉移矩陣設定為：

3 個模型的初始概率為 u1（0）= 0.9，u2（0）= 0.05 和 u3（0）= 0.05。初始協方差矩陣設定為P(0)=diag10?6×[400,400,100,100]，3 個模型的狀態噪聲方差為 100 m/s2。

圖 2 和圖 3 分別顯示了 IMM-PF，IMM-AUPF 兩種算法的航跡跟蹤結果。圖 4 和圖 5 給出了 2 種方法所采用的 3 個模型在不同時刻的概率。圖 6 和圖 7 分別顯示了 2 種方法每次蒙特卡羅仿真實驗的 x，y 方向的位置估計的均方根誤差。表 1 和表 2 分別顯示了 2 種方法 50 次蒙特卡羅仿真后均方根誤差的均值和方差對比結果。

從以上對比結果可看出，IMM-AUPF 算法的估計精度要優于 IMM-PF，這是因為前者在重采樣過程中引進了均勻采樣的思想，增加了粒子多樣性，改善了樣本貧化問題。

表 1 50 次蒙特卡羅仿真的 x 方向 RMSE 對比Tab. 1 RMSE error comparison of x direction after 50 times monte carlo simulation

表 2 50 次蒙特卡羅仿真的 y 方向 RMSE 對比Tab. 2 RMSE error comparison of y direction after 50 times monte carlo simulation

5 結 語

AUPF 算法在重采樣中引入均勻分布的思想，在保證粒子對真實后驗概率密度逼近能力的情況下，使粒子具有比較廣的分布范圍，增加了粒子的多樣性，改善了粒子的貧化問題，使其對狀態的估計精度有了進一步的提升。機動目標的跟蹤最有效的方法是交互式多模型算法，在 IMM 算法的濾波階段采用 AUPF，即為本文算法 IMM-AUPF，將其應用于被動多傳感器系統中，在不完全觀測的情況下，實現對機動目標的有效跟蹤。將本文方法與 IMM-PF 算法進行對比，仿真結果表明本文方法的狀態估計精度優于 IMM-PF。

[1]宋驪平. 被動多傳感器目標跟蹤方法研究[D]. 西安: 西安電子科技大學, 2009: 1–22. SONG Li-ping. Research on methods for passive multi-sensor target tracking[D]. Xi’an: Xidian University, 1998: 1–22.

[2]劉楓. 目標跟蹤的算法研究與應用[D]. 無錫: 江南大學, 2011: 5–6. LIU Feng. Algorithm research and application of target tracking[D]. Wuxi: Jiangnan University, 2011: 5–6.

[3]蔡紹曉. 基于粒子濾波的被動傳感器多目標跟蹤算法研究[D]. 西安: 西安電子科技大學, 2011: 9–14. CAI Shao-xiao. Research on algorithm of passive sensors multitarget tracking based on particle filter[D]. Xi’an: Xidian University, 2011: 9–14.

[4]蔡紹曉. 基于粒子濾波的被動傳感器多目標跟蹤算法研究[D]. 西安: 西安電子科技大學, 2011: 9–14. CAI Shao-xiao. Research on algorithm of passive sensors multitarget tracking based on particle filter[D]. Xi’an: Xidian University, 2011: 9–14.

[5]文如泉. 多傳感器目標跟蹤信息融合算法研究[D]. 蘭州: 蘭州理工大學, 2009: 10–11. WEN Ru-quan. The research of Multi-sensor target tracking algorithm based on information fusion[D]. Lanzhou: Lanzhou University of Technology, 2009: 10–11.

[6]BOERS Y, DRIESSEN J N. Interacting multiple model particle filter[J]. IEE Proceedings-Radar, Sonar and Navigation, 2003, 150(5): 344–349.

[7]朱志宇. 粒子濾波算法及其應用[M]. 北京: 科學出版社, 2010: 27–32.

[8]譚維茜. 多站純方位被動跟蹤粒子濾波算法研究[D]. 南京: 南京理工大學, 2009: 28–42. TAN Wei-qian. Algorithm research and application of target tracking[D]. Nanjing: Nanjing University of Science and Technology, 2009: 28–42.

[9]張俊根. 粒子濾波及其在目標跟蹤中的應用研究[D]. 西安: 西安電子科技大學, 2011: 27–30. ZHANG Jun-gen. Research on particle filter and its application to target tracking[D]. Xi’an: Xidian University, 2011: 27–30.

Improved interacting multiple model particle filter for passive multi-sensor

LIU Wei1, SONG Wei2, HUANG Zun-quan1
(1. No.92038 Unit of PLA, Qingdao 266108, China; 2. North China Sea Fleet Information Security Department, Qingdao 266071, China)

The proposed method in this paper is the binding of improved particle filter which called uniform resampling particle filter and interacting multiple model algorithm. The proposed method is called interacting multiple model uniform resampling particle filter, and is applied to target tracking for passive multi-sensor. The resampling process is improved in uniform resampling particle filter compared with standard particle filter. While ensuring solving the degeneration problem of particle, the variety of particle and the filtering properties are improved. Uniform resampling particle filter is applied in interacting multiple model to improving the tracking accuracy of maneuvering target for passive multi-sensor. By comparing the proposed method and interacting multiple model particle filter, better tracking performance of proposed method is presented.

uniform resampling；passive multi-sensor；maneuvering target；interacting multiple model；particle filter

TP301.6

A

1672–7619(2017)03–0145–05

10.3404/j.issn.1672–7619.2017.03.030

2016–03–30；

2016–05–17

劉威(1989–)，男，助理工程師，研究方向為主被動聲吶目標定位。