随着现代目标跟踪场景的日益复杂化,未知跟踪环境带来的量测不确定性和高机动目标带来的建模不确定性对机动目标跟踪技术提出了更高的需求。本文着眼于这两个影响机动目标跟踪系统精确度和稳定性的不确定性因素,利用交互多模型的思想,引入了平滑变结构滤波器理论,对单多机动目标跟踪算法进行了深入的研究。论文的主要工作如下:1、引入近些年提出的平滑变结构滤波(Smooth variable structure filter,SVSF),分析其相对于其他传统滤波估计算法的优势。标准平滑变结构滤波器虽然牺牲了一些滤波精度,但在模型不确定的高噪声滤波环境下,表现出良好的滤波鲁棒性。基于标准平滑变结构滤波器,进一步推导出补足状态误差协方差及时变平滑边界层的平滑变结构滤波,为后续构建新跟踪策略做出准备。2、针对传统交互多模型算法跟踪稳定性的不足,引出将平滑变结构滤波器与交互多模型进行结合的IMM-SVSF算法,由于SVSF本身作为一种次优的估计算法,使得IMM-SVSF算法在提升了滤波稳定性的同时也牺牲了一些滤波精度。当跟踪环境中的不确定性发生几率较低时,IMM-SVSF的鲁棒性优势就不明显了。因此本文在IMM-SVSF算法的基础上又进一步提出了IMM-EKF-SVSF算法,该方法首先对预设模型的机动性强弱进行了划分,并根据机动性强弱选择EKF和SVSF两种滤波器以不同方式参与。IMM-EKF-SVSF有效地继承了EKF的高精度以及SVSF的鲁棒性,使得算法本身也具有更好的适应性,在存在量测不确定性跟踪场景下实现了优良的单机动目标跟踪效果。3、为了进一步解决多机动目标跟踪稳定性的问题,本文研究了基于随机有限集理论的高斯混合概率假设密度滤波(Gaussian mixture probability hypothesis density filter,GMPHD)算法,并将其IMM-EKF-SVSF相结合,提出可以应用在多机动目标跟踪环境下的IMM-EKF-SVSF-GMPHD算法。算法整体上基于高斯混合滤波框架,通过多模型滤波并行地处理众多高斯分量的递推过程,将多个模型的滤波结果进行加权求和得到最终滤波结果。该算法有效地利用了GMPHD对于多目标的状态估计和数目估计的优势,同时还消除了GMPHD无法跟踪机动目标的缺点,并合理利用IMM-EKF-SVSF对多个机动目标做出了轨迹跟踪,在存在模型不确定性的多机动目标跟踪场景下表现出优良的跟踪性能。
暂无评论