粒子濾波跟蹤算法研究.pdf

1、在模型滿足線性、高斯條件下，很多濾波算法可獲得很好的跟蹤效果。但若目標在多模型、非高斯、強噪聲的運動背景下，經(jīng)典的卡爾曼濾波(KF)、擴展卡爾曼濾波(EKF)等算法估計精度明顯下降，甚至發(fā)散。 粒子濾波(PF)是一種基于蒙特卡羅模擬和遞推貝葉斯估計的濾波方法。作為一種基于貝葉斯估計的非線性濾波算法，在處理非高斯非線性時變系統(tǒng)的參數(shù)估計和狀態(tài)濾波問題方面有獨到的優(yōu)勢，在目標跟蹤領域得到了廣泛的應用。本文針對現(xiàn)有目標跟蹤方法中的缺陷

2、，結(jié)合實際問題提出了改進算法，以期達到更好的效果，主要工作如下： 1.考慮到重要性密度函數(shù)對于改善粒子退化現(xiàn)象和濾波精度的重要性，研究了一種兩級擴展卡爾曼粒子濾波(TSEPF)算法，通過引入最新的量測信息，使得產(chǎn)生的樣本更加接近于真實的采樣樣本。仿真實驗表明，該算法的估計性能優(yōu)于擴展卡爾曼粒子濾波(EPF)、不敏卡爾曼粒子濾波(UPF)等幾種濾波算法。 2.為解決重采樣后出現(xiàn)粒子枯竭現(xiàn)象，引入一個馬爾可夫鏈蒙特卡羅移動步

3、驟(MCMC)來增加粒子的多樣性，對粒子濾波算法作了改進，并將其應用于目標跟蹤中，仿真結(jié)果也表明PF-MCMC濾波算法估計精度比傳統(tǒng)的PF算法更高，能夠更準確地跟蹤目標。 3.當目標表現(xiàn)出極強的機動能力時，針對單模型的自適應濾波器存在的問題，提出了把交互式多模型算法(IMM)與粒子濾波相結(jié)合的IMM-PF算法。仿真結(jié)果表明，在非線性條件下跟蹤機動目標時，IMM-PF算法切實可行，并且其跟蹤效果好于采用擴展卡爾曼濾波的IMM算法。