论文部分内容阅读
传感器管理技术一直是多目标跟踪领域中的热点研究课题。随着多源信息融合技术的高速发展,传感器管理技术面临着巨大的需求与挑战。因此,对于传感器管理技术的研究具有重大的理论意义与工程价值。多目标跟踪中的传感器管理问题,它本质上是一个时变联合决策与估计的过程。研究中一般通过合理的优化决策控制过程,控制有限的传感器来最大程度的获取跟踪目标信息。近些年来,基于有限集统计(Finite set statistics,FISST)的传感器管理方法由于其坚实的数学基础和深厚的研究背景而备受关注。鉴于此,本文基于有限集统计理论,利用广义标签多伯努利滤波器对多目标跟踪中的传感器管理进行深入研究。主要研究内容如下:1)针对多目标跟踪中的传感器管理问题,基于FISST理论,在部分可观察马尔可夫决策过程(Partially Observed Markov Decision processes,POMDP)框架下,研究了相应的传感器管理方法。首先,基于箱粒子实现形式的广义标签多伯努利(BOX-Generalized Labled Multi-Bernoulli,BOX-GLMB)滤波器实现多目标状态的滤波估值。在传感器管理方案求解时,根据Rényi信息增量与多目标贝叶斯滤波器表达式,基于马尔科夫特性联合推导出贝叶斯滤波器基于Rényi信息增量的评价函数。然后设计区间采样的方法对多目标概率密度进行采样,用一组带权值的粒子去近似多目标统计特性,并利用箱粒子重采样对粒子权重进行更新,继而通过蒙特卡罗(MC)方法近似推导出BOX-GLMB滤波器基于Rényi信息增量的表达式。仿真实验验证了算法的有效性。2)研究了基于Rényi信息增量与战术重要性描绘函数(Tactical Significance Map,TSM)的战场单传感器管理算法。首先,采用目标战术重要性描绘函数(TSM)度量跟踪目标的威胁度。其次,在多目标跟踪滤波中使用箱粒子实现形式的广义标签多伯努利滤波器(BOX-GLMB)来估计目标状态。然后,根据滤波状态计算每个目标的TSM函数值,并选取TSM函数值最大的目标作为威胁度较大的目标。最后,使用Rényi信息增量作为传感器评价函数,以最大威胁目标的信息增益最大化为传感器管理准则来实现基于战场环境的单传感器管理。仿真实验验证了所提算法的有效性。