CN116047498A - 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 - Google Patents
基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 Download PDFInfo
- Publication number
- CN116047498A CN116047498A CN202310063017.0A CN202310063017A CN116047498A CN 116047498 A CN116047498 A CN 116047498A CN 202310063017 A CN202310063017 A CN 202310063017A CN 116047498 A CN116047498 A CN 116047498A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- state
- probability
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 230000007704 transition Effects 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 241000135164 Timea Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法,包括:建立交互式多模型算法的模型集、目标状态方程和量测方程;对模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵进行初始化;进行模型间输入交互,使用扩展卡尔曼滤波器将非线性模型线性化;对各模型进行一步预测,设计基于最大熵准则的代价函数;通过迭代法得到k+1时刻目标处于各模型的后验更新值;更新模型概率,修正转移概率,最后融合输出跟踪结果。通过上述方式,本发明可以解决非高斯噪声下的非线性机动目标跟踪问题,并且能提高目标估计的精度。
Description
技术领域
本发明属于雷达目标跟踪方法技术领域,具体涉及基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法。
背景技术
机动目标跟踪是基于传感器信息对机动对象进行状态估计的过程,其跟踪技术在国防科技和国民经济领域有着广泛的应用。机动目标跟踪领域中的一个具有挑战性的问题是机动目标具有不确定性,由于单个模型不足以描述目标运动状态,因此往往采用多个模型来描述,而交互式多模型算法是常用的多模型估计策略中的一种。在交互式多模型算法框架下,当目标估计状态或传感器量测向量为非线性时,可以使用扩展卡尔曼等非线性滤波器对机动目标进行跟踪。但是,上述传统的非线性滤波器是基于最小均方误差准则推导的,只包含跟踪误差的二阶信息,因此在高斯噪声条件下能获得较好的跟踪效果,但在非高斯噪声条件下其跟踪效果较差。为了解决这一问题,本发明将基于最大相关熵准则的扩展卡尔曼滤波算法与交互式多模型算法相结合,由于采用的是最大相关熵而非最小均方误差准则,因此能够保留误差的高阶矩信息。相比于传统的非线性机动目标跟踪算法,该算法在非高斯噪声情况下能获得更好地跟踪效果。
发明内容
本发明的目的在于提供基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法,解决了现有非线性滤波器在非高斯噪声条件下其跟踪效果较差的问题;优化跟踪效果,使得效果更加准确。
本发明所采用的技术方案是:基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法,具体操作步骤如下:
步骤1,建立交互式多模型算法的模型集、目标状态方程和量测方程;
步骤2,初始化参数:对k=1时刻各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵进行初始化;
步骤3,输入交互:根据k时刻各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵,计算k时刻模型间的混合概率,得到k时刻目标处于各模型的混合状态估计值和混合协方差矩阵;
步骤4,滤波器先验估计:由于量测方程为线性,故该***非线性程度较小,因此使用计算量较小的扩展卡尔曼滤波器将模型集中的非线性模型线性化,对各模型进行一步预测,得到k+1时刻目标处于各模型的先验预测值;
步骤5,滤波器后验更新:根据步骤1得到的目标状态方程、量测方程和步骤4得到的先验预测值,设计基于最大熵准则的代价函数,通过迭代法得到k+1时刻目标处于各模型的后验更新值;
步骤6,模型概率更新:通过计算各模型的似然函数,根据贝叶斯概率公式,得到各模型的概率更新值,采用模型概率变化率构造修正函数,对模型间的转移概率进行修正;
步骤8,重复步骤3-7直至目标跟踪过程结束。
本发明的特点还在于:
步骤1具体如下:
xk+1=Fkxk+Gkwk(1)
其中,状态向量xk的中x,y分别表示目标沿x方向的位置、沿y方向的位置;是目标沿x方向的速度、沿y方向的速度;T表示采样间隔,wk表示均值为0,协方差为Q的高斯白噪声,Fk表示状态转移矩阵,Gk表示噪声驱动矩阵;
xk+1=f(xk)+Gkwk (3)
其中,角速度ωk不是恒定的常量;
步骤1.3,以x方向位置和y方向位置为观测量,建立带有非高斯噪声的量测方程:
zk=Hkxk+vk (5)
其中,zk表示k时刻的观测向量,量测噪声vk是服从混合高斯分布的非高斯噪声,具体表现为:vk~(1-α)N(0,R1k)+αN(0,R2k),其中α代表权重,取值范围为0~1,N(·,·)表示正态分布,R1k为量测噪声协方差,R2k为量测噪声受到异常扰动时的协方差。
步骤2具体按照以下方式实施:
初始化参数值,包括确定目标在k=1时刻处于模型i的概率状态估计协方差矩阵和马尔可夫状态转移矩阵Πk={πij,k}M×M,其中每个元素πij,k表示k时刻***从模型i转移到模型j的转移概率,M表示模型总个数。
步骤3具体如下:
步骤4具体按照以下方式实施:
步骤4.1,根据公式(11)、(12)计算非线性***状态方程的雅克比矩阵,将非线性状态方程(3)线性化:
其中,各状态量对角速率的偏导数为:
步骤5具体如下:
其中,
其中
其中,I表示单位矩阵;
步骤5.2,设计基于最大熵的代价函数:
则目标状态的最优估计为:
对公式(21)求导得最优目标状态为:
其中,
步骤5.5,比较由步骤5.4得到的第t次迭代和第t-1次迭代估计值是否满足式(31),若不满足,则重复步骤5.4;若满足则结束迭代过程,并将第t次的迭代结果作为滤波后验更新值并通过公式(32)更新协方差矩阵
步骤6具体按照以下方式实施:
步骤6.2,根据贝叶斯概率公式,通过下式更新各模型的概率:
步骤6.3,构造模型j的转移概率修正函数:
步骤6.4,将模型j的修正函数用于修正其他模型向该模型进行转移的转移概率:
对转移概率进行归一化:
步骤7具体如下:
本发明的有益效果是:
1、本发明提出一种基于最大相关熵扩展卡尔曼滤波的机动目标跟踪算法,该算法可以解决非线性、非高斯噪声条件下机动目标的跟踪问题。
2、在交互式多模型算法框架下采用基于最大熵的扩展卡尔曼滤波器,由于使用最大相关熵而非最小均方误差准则,因此能够保留误差的高阶矩信息,在非高斯噪声条件下,其跟踪结果优于传统的基于扩展卡尔曼滤波器的交互式多模型算法。
附图说明
图1是本发明基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法的全局流程图;
图2是本发明基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法的实施例1中的目标跟踪轨迹图;
图3(a)是本发明基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法的实施例1与传统方法的位置均方误差对比图;
图3(b)是本发明基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法的实施例1与传统方法的速度均方误差对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明,以使本发明的优点和特征更易于被本领域技术人员理解。
实施例1
为了验证本发明的有效性,对一个机动目标进行跟踪,雷达采样周期为0.1s,Monte Carlo仿真次数100次,目标的具体运动过程为:从原点出发,以5m/s的速度沿x方向做匀速直线运动,3秒后,目标开始进行30°的左转弯,5秒后,目标停止转弯,并继续以5m/s的速度沿x方向做匀速直线运动,4秒后,目标开始进行30°的右转弯,6秒后,目标停止转弯,并继续以5m/s的速度沿x方向做匀速直线运动,2秒后,目标停止运动;具体按照以下步骤实施:
执行步骤1,建立交互式多模型算法的模型集、目标状态方程和量测方程。
具体按照以下步骤实施:
xk+1=Fkxk+Gkwk (1)
其中,状态向量xk的中x,y分别表示目标沿x方向的位置、沿y方向的位置;是目标沿x方向的速度、沿y方向的速度;T表示采样间隔,wk表示均值为0,协方差为Q的高斯白噪声,Fk表示状态转移矩阵,Gk表示噪声驱动矩阵;
xk+1=f(xk)+Gkwk (3)
其中,角速度ωk不是恒定的常量;
步骤1.3,以x方向位置和y方向位置为观测量,建立带有非高斯噪声的量测方程:
zk=Hkxk+vk (5)
其中,zk表示k时刻的观测向量,量测噪声vk是服从混合高斯分布的非高斯噪声,具体表现为:vk~(1-α)N(0,R1k)+αN(0,R2k),其中α代表权重,取值范围为0~1,N(·,·)表示正态分布,R1k为量测噪声协方差,R2k为量测噪声受到异常扰动时的协方差。
步骤2,初始化参数:对k=1时刻各模型(模型总个数为M)的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵进行初始化;
步骤3,输入交互:根据k时刻模各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵,计算k时刻模型间的混合概率,得到k时刻目标处于各模型的混合状态估计值和混合协方差矩阵。
具体按照以下步骤实施:
执行步骤4,滤波器先验估计:由于量测方程为线性,故该***非线性程度较小,因此使用计算量较小的扩展卡尔曼滤波器将模型集中的非线性模型线性化,对各模型进行一步预测,得到k+1时刻目标处于各模型的先验预测值。
具体按照以下步骤实施:
步骤4.1,根据公式(11)、(12)计算非线性***状态方程的雅克比矩阵,将非线性状态方程(3)线性化:
其中,各状态量对角速率的偏导数为:
步骤5,滤波器后验更新:根据步骤1得到的目标状态方程、量测方程和步骤4得到的先验预测值,设计基于最大熵准则的代价函数,通过迭代法得到k+1时刻目标处于各模型的后验更新值。
具体按照以下步骤实施:
其中,
其中
其中,I表示单位矩阵;
步骤5.2,设计基于最大熵的代价函数:
则目标状态的最优估计为:
对公式(21)求导得最优目标状态为:
其中,
步骤5.5,比较由步骤5.4得到的第t次迭代和第t-1次迭代估计值是否满足式(31),若不满足,则重复步骤5.4;若满足则结束迭代过程,并将第t次的迭代结果作为滤波后验更新值并通过公式(32)更新协方差矩阵
步骤6,模型概率更新:通过计算各模型的似然函数,根据贝叶斯概率公式,得到各模型的概率更新值,采用模型概率变化率构造修正函数,对模型间的转移概率进行修正;具体按照以下步骤实施:
步骤6.2,根据贝叶斯概率公式,通过下式更新各模型的概率:
步骤6.3,构造模型j的转移概率修正函数:
步骤6.4,将模型j的修正函数用于修正其他模型向该模型进行转移的转移概率:
对转移概率进行归一化:
具体按照以下步骤实施:
步骤8,重复步骤3~7直到目标跟踪结束,得到最终目标跟踪效果如图2和图3(a)-图3(b)所示。
由图2可以看出,在非高斯噪声条件下,基于交互式多模型的最大熵扩展卡尔曼滤波算法与目标真实状态接近,说明该算法能够对机动目标进行很好地跟踪,由图3(a)和图3(b)可以看出,基于交互式多模型的最大熵扩展卡尔曼滤波算法的位置均方根误差和速度均方根误差都比基于交互式多模型的扩展卡尔曼滤波算法对应的误差值小,说明基于交互式多模型的最大熵扩展卡尔曼滤波算法的精度更高,跟踪效果更好。
Claims (8)
1.基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法,其特征在于,具体步骤如下:
步骤1,建立交互式多模型算法的模型集、目标状态方程和量测方程;
步骤2,初始化参数:对k=1时刻各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵进行初始化;
步骤3,输入交互:根据k时刻各模型的模型概率、目标状态向量、协方差矩阵和马尔可夫状态转移矩阵,计算k时刻模型间的混合概率,得到k时刻目标处于各模型的混合状态估计值和混合协方差矩阵;
步骤4,滤波器先验估计:使用扩展卡尔曼滤波器将模型集中的非线性模型线性化,对各模型进行一步预测,得到k+1时刻目标处于各模型的先验预测值;
步骤5,滤波器后验更新:根据步骤1得到的目标状态方程、量测方程和步骤4得到的先验预测值,设计基于最大熵准则的代价函数,通过迭代法得到k+1时刻目标处于各模型的后验更新值;
步骤6,模型概率更新:通过计算各模型的似然函数,根据贝叶斯概率公式,得到各模型的概率更新值,采用模型概率变化率构造修正函数,对模型间的转移概率进行修正;
步骤8,重复步骤3-7直至目标跟踪过程结束。
2.根据权利要求1所述的基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法,其特征在于,步骤1具体如下:
xk+1=Fkxk+Gkwk (1)
其中,状态向量xk的中x,y分别表示目标沿x方向的位置、沿y方向的位置;是目标沿x方向的速度、沿y方向的速度;T表示采样间隔,wk表示均值为0,协方差为Q的高斯白噪声,Fk表示状态转移矩阵,Gk表示噪声驱动矩阵;
xk+1=f(xk)+Gkwk (3)
其中,角速度ωk不是恒定的常量;
步骤1.3,以x方向位置和y方向位置为观测量,建立带有非高斯噪声的量测方程:
zk=Hkxk+vk (5)
其中,zk表示k时刻的观测向量,量测噪声vk是服从混合高斯分布的非高斯噪声,具体表现为:vk~(1-α)N(0,R1k)+αN(0,R2k),其中α代表权重,取值范围为0~1,N(·,·)表示正态分布,R1k为量测噪声协方差,R2k为量测噪声受到异常扰动时的协方差。
6.根据权利要求1所述的基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法,其特征在于,步骤5具体如下:
其中,
其中
其中,I表示单位矩阵;
步骤5.2,设计基于最大熵的代价函数:
则目标状态最优估计为:
对公式(21)求导得最优目标状态为:
其中,
步骤5.5,比较由步骤5.4得到的第t次迭代和第t-1次迭代估计值是否满足式(31),若不满足,则重复步骤5.4;若满足则结束迭代过程,并将第t次的迭代结果作为滤波后验更新值并通过公式(32)更新协方差矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063017.0A CN116047498A (zh) | 2023-01-16 | 2023-01-16 | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063017.0A CN116047498A (zh) | 2023-01-16 | 2023-01-16 | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047498A true CN116047498A (zh) | 2023-05-02 |
Family
ID=86113154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310063017.0A Pending CN116047498A (zh) | 2023-01-16 | 2023-01-16 | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047498A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353705A (zh) * | 2023-10-08 | 2024-01-05 | 哈尔滨工业大学 | 一种带有未知延迟概率的一步时延跟踪滤波方法及*** |
CN117565877A (zh) * | 2024-01-19 | 2024-02-20 | 华东交通大学 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
CN117784114A (zh) * | 2023-12-26 | 2024-03-29 | 兰州理工大学 | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 |
-
2023
- 2023-01-16 CN CN202310063017.0A patent/CN116047498A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353705A (zh) * | 2023-10-08 | 2024-01-05 | 哈尔滨工业大学 | 一种带有未知延迟概率的一步时延跟踪滤波方法及*** |
CN117784114A (zh) * | 2023-12-26 | 2024-03-29 | 兰州理工大学 | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 |
CN117784114B (zh) * | 2023-12-26 | 2024-05-14 | 兰州理工大学 | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 |
CN117565877A (zh) * | 2024-01-19 | 2024-02-20 | 华东交通大学 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
CN117565877B (zh) * | 2024-01-19 | 2024-04-09 | 华东交通大学 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116047498A (zh) | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
Granström et al. | New prediction for extended targets with random matrices | |
CN108896986B (zh) | 一种基于预测值的量测转换序贯滤波机动目标跟踪方法 | |
CN107402381B (zh) | 一种迭代自适应的多机动目标跟踪方法 | |
CN109633590B (zh) | 基于gp-vsmm-jpda的扩展目标跟踪方法 | |
CN107688179B (zh) | 基于多普勒信息辅助的综合概率数据互联方法 | |
CN111291471B (zh) | 一种基于l1正则无迹变换的约束多模型滤波方法 | |
WO2018098926A1 (zh) | 一种适用于闪烁噪声的多目标跟踪方法及*** | |
CN112114308A (zh) | 一种扇扫雷达空时联合目标跟踪方法 | |
CN111798494B (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
CN110989341B (zh) | 一种约束辅助粒子滤波方法及目标跟踪方法 | |
CN114815619A (zh) | 一种量测随机丢失下基于卡尔曼滤波的机器人跟踪方法 | |
Gurajala et al. | Derivation of the Kalman filter in a Bayesian filtering perspective | |
CN113191427B (zh) | 一种多目标车辆跟踪方法及相关装置 | |
CN111262556B (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN107886058B (zh) | 噪声相关的两阶段容积Kalman滤波估计方法及*** | |
CN115828533A (zh) | 一种基于Student’s t分布的交互多模型鲁棒滤波方法 | |
Hu et al. | Hybrid sampling-based particle filtering with temporal constraints | |
CN113189578B (zh) | 一种扩展目标跟踪方法 | |
Lan et al. | Variational nonlinear Kalman filtering with unknown process noise covariance | |
CN113030945A (zh) | 一种基于线性序贯滤波的相控阵雷达目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |