非线性系统的多扩展目标跟踪算法

摘要

目前扩展目标跟踪算法大都假设其系统为线性高斯系统,针对非线性系统的多扩展目标跟踪问题,提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法.首先,提出了将多扩展目标状态和关联假设进行联合估计的思想,解决了在估计目标状态和数据关联时相互牵制的问题;其次,根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数,并利用粒子滤波技术实现联合估计的Bayes框架;最后,为解决直接采用粒子滤波实现时存在的维数灾难问题,将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化,对每个目标的粒子集根据与其相关的权重单独进行重抽样,这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子.仿真实验结果表明,与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比,所提算法的状态估计精度较高,形状估计的Jaccard距离分别降低了30％、20％左右,更适合于非线性系统的多扩展目标跟踪.