粒子濾波算法在機動目標跟蹤中的應用研究.pdf

1、目標跟蹤是典型的動態(tài)系統(tǒng)狀態(tài)估計問題。線性、高斯條件下，卡爾曼濾波是最優(yōu)估計。但實際應用中，運動目標極少滿足單一模型和線性、高斯條件。在強非線性、非高斯環(huán)境下，卡爾曼系列濾波器將出現(xiàn)精度下降，甚至發(fā)散，無法滿足應用需求。粒子濾波為離散時間的遞推濾波問題提供了一種近似的貝葉斯解決方法，可以處理任意非線性、非高斯系統(tǒng)，因此具有重要的理論和實際意義。 粒子濾波算法通過一組加權粒子對后驗概率密度進行近似，序貫重要性采樣是其主要算法之一，

2、但序貫重要性采樣算法存在粒子權值退化問題。另外，很多實際動態(tài)非線性系統(tǒng)存在可分離高斯、線性子結構，研究者們提出Rao—Blackwellized粒子濾波算法來處理這類問題，但Rao—Blackwellized粒子濾波算法在線性部分的每個粒子上都對應一個卡爾曼濾波器，使得計算量非常之大，不便于實際應用。 論文以機動目標跟蹤為研究背景，分析了粒子濾波算法存在的幾個主要問題，針對上述兩個方面分別改進了粒子濾波重采樣算法和Rao—Bla

3、ckwellized粒子濾波算法。在系統(tǒng)重采樣算法的基礎上，選用特定的數(shù)值代替隨機數(shù)產(chǎn)生過程，各采樣點相對位置固定，使得樣本分布均勻，荻得與系統(tǒng)重采樣同樣的權值方差的同時，免去了隨機數(shù)產(chǎn)生步驟，從而減少了算法計算代價；針對可分解出線性、高斯子系統(tǒng)的非線性系統(tǒng)，改進算法以Rao—Blackwellized粒子濾波算法基礎，分別針對線性部分和非線性部分進行改進。非線性部分，使用高斯粒子濾波算法代替普通粒子濾波算法，不需要重采樣，不僅減少了計