基于星凸形隨機超曲面的概率數據關聯濾波器*

劉樂文

（蘭州理工大學電氣工程與信息工程學院 蘭州 730050）

1 引言

在傳統目標跟蹤技術中，早期由于傳感器分辨率的限制，通常只能用點來描述目標，即目標每一時刻最多只能生成一個量測，只能對目標的質心位置、速度、加速度等進行估計。隨著現代傳感器技術發展，高分辨率傳感器在工程中的應用越來越廣泛，導致每個時刻可以得到不止一個量測［1～3］，而擴展目標跟蹤技術正是利用獲得的多個量測信息，通過信息融合運算，得到對目標形狀和運動狀態的估計。

近些年擴展目標跟蹤問題得到了廣泛的關注，而對擴展目標形狀進行估計是學者們研究的重點，因此，誕生了許多對擴展目標形狀建模的方法。例如Baum等將擴展目標建模為隨機超曲面模型（Random Hypersurface Model，RHM），該模型的核心思想是假設目標的量測源分布在目標邊界的一個縮小版本之上，量測由處于縮小版本邊界上的量測源和傳感器噪聲共同構成。星凸隨機超曲面模型主要將徑向函數用傅里葉級數展開從而描述目標輪廓，由展開系數實現對擴展目標形狀建模，并結合尺度因子縮放擴展目標的形狀完成對其表面量測源的建模［4～6］。隨機超曲面模型假設目標產生的每一量測由對應的量測源產生，這種建模方式弊端會造成量測方程具有較強的非線性，為了解決這個問題，論文選擇用容積卡爾曼濾波（Cubature Kalman Filter，CKF）算法對非線性偽量測方程的進行線性化處理。

由于存在雜波，并且擴展目標在每個時刻會產生若干個量測，這使得在擴展目標跟蹤問題中，量測簇與目標的對應關系很難匹配。……