區(qū)間量測下自適應(yīng)交互多模型箱粒子濾波機(jī)動目標(biāo)跟蹤

張俊根

(北方民族大學(xué) 電氣信息工程學(xué)院,銀川 750021)

0 引 言

目標(biāo)跟蹤是利用如雷達(dá)、紅外等傳感器獲得目標(biāo)的量測信息對目標(biāo)狀態(tài)進(jìn)行估計,在軍事和民用領(lǐng)域應(yīng)用非常廣泛[1-2]。

由于目標(biāo)動態(tài)建模與量測建模坐標(biāo)系轉(zhuǎn)換過程中以及量測傳感器自身物理特性造成模型的非線性問題,貝葉斯最優(yōu)估計通常不能獲得解析解。為此,相關(guān)學(xué)者在卡爾曼濾波基礎(chǔ)上,提出了改進(jìn)方法,如改進(jìn)極性擴(kuò)展卡爾曼濾波[3]、增廣系綜卡爾曼濾波[4]、無跡卡爾曼濾波[5]及偽線性卡爾曼濾波[6]等。當(dāng)系統(tǒng)非線性、非高斯特性較強時,這類算法濾波性能急劇下降甚至?xí)l(fā)散。粒子濾波(Particle Filter,PF)是一種基于蒙特卡羅積分的非線性、非高斯濾波器,具有更好的靈活性、更優(yōu)的估計精度及更廣的適用性,逐漸成為了研究目標(biāo)跟蹤問題的熱點和有效方法[7]。粒子濾波的一個主要缺點是計算復(fù)雜度高[8],在實時目標(biāo)跟蹤的應(yīng)用中有局限性。

對于機(jī)動目標(biāo)跟蹤,由于目標(biāo)運動狀態(tài)不單一且無法預(yù)測,結(jié)合交互多模型(Interacting Multiple Model,IMM)算法是常用的解決方法[9-10]。IMM算法利用多個模型來適應(yīng)機(jī)動目標(biāo)的運動,通過馬爾可夫轉(zhuǎn)移概率矩陣實現(xiàn)模型間的轉(zhuǎn)換。但是,傳統(tǒng)的IMM算法是根據(jù)先驗信息將轉(zhuǎn)移概率矩陣設(shè)定為固定的主對角占優(yōu)矩陣,不能依據(jù)后驗信息對轉(zhuǎn)移概率進(jìn)行實時調(diào)整,將導(dǎo)致模型切換滯后。當(dāng)先驗信息不足或者不準(zhǔn)確,使用固定的轉(zhuǎn)移概率矩陣往往會導(dǎo)致目標(biāo)狀態(tài)估計不準(zhǔn)確,濾波性能下降,甚至算法失效[11]。……