基于随机有限集的多目标贝叶斯滤波方法研究

摘要

杂波、漏检以及目标的任意出现和消失等复杂环境给多目标跟踪带来了巨大的挑战。本文结合国家自然科学基金和航空科学基金，以随机有限集框架下的多目标贝叶斯滤波理论为基础，对复杂环境下的多目标和多扩展目标估计问题进行了深入的研究。主要研究工作和贡献如下:
　　(1)针对复杂环境下机动目标联合检测与跟踪问题，提出了多模型(MM)伯努利滤波算法;分别推导了线性高斯模型下的高斯混合（GM）MM伯努利滤波算法和非线性模型下的序贯蒙特卡洛(SMC) MM伯努利滤波算法，解决了线性模型和非线性模型下的单个机动目标联合检测与跟踪问题。
　　(2)研究了多伯努利(MB)滤波器的快速实现问题。首先给出了带有门限的GM-MB滤波器，接着将基于蒙特卡洛近似的门限技术用于SMC-MB滤波器中，该方法可去除大量的杂波量测，在保证跟踪精度的前提下有效地提高了GM-MB和SMC-MB滤波算法的实时性。
　　(3)对非线性系统模型下的几种MB滤波算法进行了研究，提出了平方根容积卡尔曼(SCK) GM-MB滤波算法;接着对非线性系统模型下的几种MM-MB滤波算法进行了研究，提出了SCK-GM-MM-MB滤波算法，增加了非线性模型下多目标和多机动目标估计算法的数值稳定性。
　　(4)针对复杂环境下多扩展目标估计问题，给出了扩展目标(ET) MB滤波器的SMC实现，解决了非线性模型下多扩展目标估计问题。针对复杂环境下多机动扩展目标估计问题，将ET-MB滤波器扩展到MM方法中，提出了MM-ET-MB滤波算法，并分别在线性高斯模型和非线性模型下推导了GM-MM-ET-MB和SMC-MM-ET-MB滤波算法，解决了线性模型和非线性模型下多机动扩展目标估计问题。
　　(5)针对复杂环境下多扩展目标扩展形态估计问题，提出了一种高斯逆威沙特(GIW) ET-MB滤波器来同时估计多个扩展目标的个数、状态和扩展形态。首先，将随机矩阵方法引入ET-MB滤波器中，然后在必要的假设和近似条件下推导了GIW-ET-MB滤波器的预测和更新方程。

目录

声明

致谢

摘要

插图

表格

缩写与术语表

1 绪论

1．1 引言

1．2 多目标跟踪研究现状

1．3 论文的研究内容

2 预备知识

2．1 贝叶斯滤波器

2．2 多目标贝叶斯滤波器

2．3 近似多目标贝叶斯滤波器

2．4 多目标滤波性能评价指标

2．5 单目标仿真结果与分析

2．6 多目标仿真结果与分析

2．7 小结

3 多模型伯努利滤波器及其实现

3．1 引言

3．2 多模型伯努利滤波器

3．3 高斯混合多模型伯努利滤波器

3．4 序贯蒙特卡洛多模型伯努利滤波器

3．5 仿真结果与分析

3．6 小结

4 多伯努利滤波器的快速实现

4．1 引言

4．2 高斯混合多伯努利滤波器的快速实现

4．3 序贯蒙特卡洛多伯努利滤波器的快速实现

4．4 仿真实验一

4．5 仿真实验二

4．6 小结

5 非线性模型下多伯努利滤波器的实现

5．1 引言

5．2 平方根容积卡尔曼高斯混合多伯努利滤波器

5．3 非线性多模型多伯努利滤波器的实现

5．4 仿真结果与分析

5．5 小结

6 扩展目标多伯努利滤波器的实现

6．1 引言

6．2 扩展目标多伯努利滤波器概述

6．3 序贯蒙特卡洛扩展目标多伯努利滤波器

6．4 多模型扩展目标多伯努利滤波器

6．5 高斯混合多模型扩展目标多伯努利滤波器

6．6 序贯蒙特卡洛多模型扩展目标多伯努利滤波器

6．7 非机动多扩展目标仿真结果与分析

6．8 机动多扩展目标仿真结果与分析

6．9 小结

7 高斯逆威沙特扩展目标多伯努利滤波器

7．1 引言

7．2 问题描述

7．3 高斯逆威沙特扩展目标多伯努利滤波器

7．4 仿真结果与分析

7．5 小结

8 总结与展望

8．1 总结

8．2 展望

参考文献

附录

攻读博士学位期间的主要研究成果