在机动目标跟踪领域,随着目标机动强度增加和机动频率上升,单模型跟踪算法会因为模型失配而出现跟踪精度下降的问题。针对这一问题,诸多学者提出多模型跟踪算法。因其具有计算量低、跟踪精度高等优点,多模型机动目标跟踪技术多年来得到广泛关注和持续研究。尽管多模型机动目标跟踪技术近年来被大量研究,但依然存在一些问题需要解决:1)多模型跟踪算法在目标运动模式切换时鲁棒性下降;2)多模型跟踪算法模型概率估计失真导致融合估计精度下降;3)多模型跟踪算法的转移概率矩阵取值不合适导致算法稳定性下降。针对上述问题,本文以双向长短时记忆(Bi-Directional Long Short Term Memory,BiLSTM)网络和交互式多模型(Interacting Multiple Model,IMM)技术为基础,展开结合时序神经网络的多模型跟踪算法研究,主要工作如下:
1)针对多模型跟踪算法在目标运动模式切换时鲁棒性下降问题,本文提出基于回归的双向长短时记忆网络交互式多模型(Regressed BiLSTM-IMM,RBiLSTM-IMM)算法。该算法首先对IMM算法输出的估计信息进行特征提取,然后将提取的特征作为BiLSTM网络的输入以得到IMM算法估计误差的预测值,最后利用估计误差预测值对IMM估计结果进行修正,得到校正后的滤波结果。仿真结果表明:相比于已有的Deep AMT算法和典型的多模型算法,所提算法能缓解多模型算法在目标运动模式切换时鲁棒性下降的问题,在不同机动强度下都能保持较好的跟踪精度。
2)针对多模型跟踪算法模型概率估计失真导致的融合估计精度下降问题,本文提出基于分类的双向长短时记忆网络交互式多模型(Classified BiLSTMIMM,CBiLSTM-IMM)算法。该算法首先对IMM算法输出的估计信息进行特征提取,其次将提取的特征作为BiLSTM网络的输入,输出由该网络估计的模型概率,然后将网络估计的模型概率与IMM算法的模型概率相结合得到校正后的模型概率,最后进行状态估计融合。仿真结果表明:相比于未对模型概率校正的多模型算法,所提算法能提高对真实运动模型的匹配概率,获得更高的估计精度。
3)在工作2的基础上,针对多模型跟踪算法转移概率矩阵取值不合适导致的算法稳定性下降问题,提出基于模型概率差值的自适应转移概率矩阵交互式多模型(Model Probability Difference Adaptive Transition Probability Matrix IMM,MPD-ATPM-IMM)算法。该算法首先利用CBiLSTM-IMM得到相继时刻的模型概率差值,然后将求解的差值代入构建的转移概率校正函数,并利用校正函数对转移概率矩阵进行校正,最后进行状态估计融合。仿真结果表明:相比于传统的自适应转移概率矩阵交互式多模型(Adaptive Transition Probability Matrix IMM,ATPM-IMM)算法和未对转移概率矩阵校正的多模型算法,所提算法在跟踪精度和真实运动模型匹配概率两方面都得到了提升。
暂无评论