论文部分内容阅读
多目标跟踪(Multi-target tracking,MTT)技术一直是工程应用和理论研究中的热点议题,它本质上是时变联合决策与估计的过程。在多目标跟踪系统中,通过合理的优化决策过程,去控制传感器运动以最大程度优化接收量测信息的质量,从而提升信息融合的整体水平,这对复杂环境下的多目标跟踪问题的有效解决无疑具有重要的现实意义。近些年来,基于有限集统计(Finite set statistics,FISST)理论的多目标跟踪方法因其避免直接应对复杂的数据关联问题而广受关注,该方法体系不仅具有坚实的数学基础,而且为多目标跟踪中传感器控制问题的研究提供了很大的便利。有鉴于此,本文基于有限集统计理论,利用高斯混合多目标滤波器对多目标跟踪中的传感器控制方法展开深入研究,主要的研究内容如下:1)针对MTT中的传感器控制问题,基于FISST理论,结合高斯混合概率假设密度滤波器(Gaussian mixture probability hypothesis density filter,GM-PHDF)研究了相应的传感器控制策略。首先,基于容积卡尔曼高斯混合概率假设密度滤波器(Cubature Kalman GM-PHDF,CK-GMPHDF),借助两个高斯分布之间的巴氏距离,给出了多目标概率密度间的信息增益,并以此为基础提出相应的传感器控制策略。另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略。最后,给出基于目标势的后验期望(Posterior expected number of targets,PENT)评价的高斯混合实现过程。仿真实验验证了提出算法的有效性。2)为了进一步拓展基于高斯混合概率假设密度滤波器(GM-PHDF)的传感器控制,本文研究基于柯西施瓦兹(Cauchy-Schwarz,CS)散度的传感器控制方法。首先,研究并利用多目标概率密度的近似统计假设条件,给出了柯西施瓦兹(CS)散度的概率假设密度(PHD)表达形式的详细推导。进而选取CS散度作为评价函数来反映多目标先验密度和多目标后验密度之间的差异,并结合容积卡尔曼高斯混合概率假设密度滤波器(CK-GMPHDF)的实现形式对评价函数进行求解,继而在信息增益最大化的准则下,提出基于CS散度的传感器控制方法。通过仿真实验对比验证所提方法的有效性。3)本文最后研究了基于高斯混合多伯努利滤波器传感器控制策略。首先,给出容积卡尔曼高斯混合势均衡多目标多伯努利滤波器(Cubature Kalman GM cardinality balanced multi-target multi-Bernoulli filter,CK-GMCBMe MBer F)的实现形式,并提取高斯混合分量近似多伯努利密度。然后,研究两个高斯混合之间的柯西施瓦兹(CS)散度的求取,推导多目标概率密度变化所对应的信息增益,并提出基于CS散度的传感器控制方法。另外,结合CK-GMCBMe MBer F,详细推导了目标势的后验期望(PENT)准则的高斯混合(GM)实现过程,以GM-PENT作为评价准则进行相应的传感器控制方法的研究。最后,仿真实验验证了所提算法的有效性。