一种改进的均方根容积粒子滤波算法

摘要

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响.在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差.针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法.本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计.而后,使用粒子滤波算法,对多目标状态和数目进行估计.实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定.