IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

基于高斯过程的多机动扩展目标跟踪

已有 980 次阅读 2023-1-26 13:39 |系统分类:博客资讯

引用本文


郭云飞, 李勇, 任昕, 彭冬亮. 基于高斯过程的多机动扩展目标跟踪. 自动化学报, 2020, 46(11): 23922403 doi: 10.16383/j.aas.c180849

Guo Yun-Fei, Li Yong, Ren Xin, Peng Dong-Liang. Multiple maneuvering extended target tracking based on Gaussian process. Acta Automatica Sinica, 2020, 46(11): 23922403 doi: 10.16383/j.aas.c180849

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180849

 

关键词

 

高斯过程,多机动扩展目标,期望模型扩展,变结构多模型,联合概率数据关联 

 

摘要

 

针对杂波环境下多机动扩展目标跟踪问题, 提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先, 采用期望模型扩展方法构建自适应模型集, 并对各个扩展目标状态进行初始化.其次, 基于高斯过程建立联合跟踪门以选择有效量测, 形成联合关联矩阵.然后, 拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后, 利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差, 并将更新的状态进行融合, 得到最终的状态估计.仿真验证了所提方法的有效性.

 

文章导读

 

随着传感器技术的飞速发展, 传感器分辨率越来越高, 扩展目标跟踪技术逐渐引起国内外学者的关注, 并相继展开了研究.由于实际情况中大部分目标具有强机动性, 多机动扩展目标跟踪技术具有重要的研究意义.

 

多机动扩展目标跟踪技术的难点在于如何解决多个扩展目标的数据关联问题和扩展目标机动性问题.针对以上问题, 文献[1]建立了一类线性跳跃马尔科夫系统模型, 提出了一种基于高斯混合的概率假设密度(Gaussian mixture probability hypothesis density, GM-PHD)方法以跟踪多个扩展目标.该方法采用了BFG [2] (Best fitting Gaussian)近似法表达模型的动态性, 有效解决了扩展目标机动性问题, 提高了对机动扩展目标的跟踪精度.文献[3]GM-PHD的框架下, 引入了修正的输入估计算法, 能够有效地跟踪多个机动扩展目标, 并在此基础上引入高斯分量标记方法, 实现对多机动扩展目标的航迹管理, 但该方法无法估计扩展目标的轮廓状态.针对多机动椭圆目标跟踪问题, 文献[4]建立了一种非线性跳变马尔科夫系统模型, 提出了一种新的基于高斯混合的概率假设密度多机动扩展目标跟踪方法, 提高了多机动扩展目标的跟踪精度, 同时该方法利用椭圆形代替扩展目标形态, 依然无法估计扩展目标轮廓状态.文献[5]提出了一种基于高斯过程递归的多机动扩展目标跟踪方法, 该方法采用高斯过程递归模型对扩展目标轮廓进行建模, 并引入了多目标跟踪的权值参数, 实现了多机动扩展目标跟踪, 有效估计了各个扩展目标的轮廓状态, 但降低了跟踪精度.文献[6]将高斯过程与标记多伯努利滤波器相结合, 成功解决了多扩展目标跟踪问题.然而, 实际情况中, 目标常常具有强机动性, 使得之前的扩展目标跟踪方法的跟踪性能下降.

 

为了解决杂波环境下多机动扩展目标跟踪问题, 本文提出了一种基于高斯过程的变结构多模型联合概率数据关联方法(Gaussian process based variable structure multiple model joint probability data association, GP-VSMM-JPDA).该方法利用高斯过程在线学习未知函数的能力, 将高斯过程与联合概率数据关联滤波器相结合, 解决了多个扩展目标的数据关联问题, 能够在杂波环境下同时对多个扩展目标的运动状态和轮廓状态进行联合估计, 提高了扩展目标轮廓估计精度, 有利于目标的识别与分类.此外, 为了能够有效跟踪机动的扩展目标, 引入了变结构多模型方法, 通过期望模型扩展方法, 实时更新模型集, 提高了跟踪精度.

 1  场景一中目标航迹和估计轨迹

 2  目标中心点位置估计的RMSE

 3  目标中心点速度估计的RMSE

 

本文在高斯过程基础上, 通过融入变结构多模型和联合概率数据关联方法, 实现了在杂波环境下跟踪多个不规则形状的扩展目标, 相比传统的多机动扩展目标跟踪方法, GP-VSMM-JPDA方法不仅能够在杂波环境中同时对多个扩展目标的运动状态和轮廓状态进行联合估计, 能够准确估计扩展目标的形状, 提供更多目标信息, 有利于目标的识别与分类.因此, GP-VSMM-JPDA具有的更为广阔的应用范围, 更加适应信息化时代的需求.

 

作者简介

 

李勇

杭州电子科技大学自动化学院硕士研究生.主要研究方向为扩展目标跟踪. E-mail: yong li edu@163.com

 

任昕

杭州电子科技大学自动化学院硕士研究生.主要研究方向为扩展目标跟踪. E-mail: 17816123703@163.com

 

彭冬亮

杭州电子科技大学自动化学院教授.主要研究方向为多传感器信息融合. E-mail: dlpeng@hdu.edu.cn

 

郭云飞

杭州电子科技大学自动化学院教授.主要研究方向为目标跟踪与信息融合.本文通信作者. E-mail: gyf@hdu.edu.cn



https://blog.sciencenet.cn/blog-3291369-1373537.html

上一篇:基于马氏距离的改进核Fisher化工故障诊断研究
下一篇:免疫多域特征融合的多核学习SVM运动想象脑电信号分类
收藏 IP: 222.131.244.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2023-6-6 20:44

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部