引用本文

蔡如华, 杨标, 吴孙勇, 孙希延. 交互式箱粒子标签多伯努利机动目标跟踪算法. 自动化学报, 2020, 46(11): 2448-2460 doi: 10.16383/j.aas.c180069

Cai Ru-Hua, Yang Biao, Wu Sun-Yong, Sun Xi-Yan. Interacting multiple model box-LMB target tracking algorithm. Acta Automatica Sinica, 2020, 46(11): 2448-2460 doi: 10.16383/j.aas.c180069

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180069

关键词

多机动目标追踪，交互式多模，标签多伯努利滤波，箱粒子滤波，收缩算法 

摘要

针对多机动目标追踪问题, 将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合, 提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态, 引入模型匹配概率变量, 并利用量测信息在预测阶段更新模型匹配概率, 进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次, 在更新阶段提出二次收缩算法, 通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率, 也更加接近真实目标位置, 从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明, 二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法, 能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下, 与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.

文章导读

多目标追踪技术一直是国内外学者研究的热点.传统的基于多假设跟踪[1] (Multiple hypotheses tracking, MHT)和联合概率数据关联[2] (Joint probabilistic data association, JPDA)的多目标追踪方法存在组合爆炸问题, 在对多目标的追踪过程中会产生巨大的计算量.为解决传统多目标追踪过程中数据关联的组合爆炸问题, Mahler在文献[3]中提出了随机有限集(Random finite set, RFS)理论, 并在随机有限集理论的基础上提出了概率假设密度(Probability hypothesis density, PHD)滤波器[4], 势平衡概率假设密度(Cardinality balanced probability hypothesis density, CPHD)滤波器[5], 以及多目标多伯努利(Multi-target multi-Bernoulli, MeMBer)滤波器[6], 为解决MeMBer滤波器过多估计目标个数的问题, Vo等在文献[7]中提出了势平衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli, CBMeMBer)滤波器.上述滤波器虽然都能对目标的状态和个数进行有效的追踪, 但却无法对目标的航迹进行有效估计.

2013年, Vo团队将标签引入到随机有限集理论, 定义了标签随机有限集, 之后在文献[8-9]中提出了广义的标签多伯努利(Generalized labeled multi-Bernoulli filter, GLMB)滤波器, GLMB滤波器不仅继承了PHD滤波器, CPHD滤波器, CBMeMBer滤波器等滤波器对目标个数以及状态估计上的优势, 而且能够区分各个目标的航迹, 不足之处是虽然通过各种裁剪手段, 如: K-最短路径法等以减轻运算量, 但在量测数较大时依旧会有十分繁重的运算压力[9].针对此问题, 文献[10]提出了标签多伯努利(LMB)滤波器, 通过LMB滤波和GLMB滤波间的转换关系及航迹分组, 并行计算的方法大大地降低了计算量.近年来, GLMB滤波和LMB滤波引起了国内外学者的广泛关注和研究[11-15].

文献[16]提出了基于序列蒙特卡洛(Sequence Monte Carlo, SMC)和区间分析[17-18]的箱粒子滤波器算法, 以箱粒子取代传统的点粒子方式大大地降低了运算的复杂度, 与点粒子相同的是箱粒子也面临着退化问题, 也需要通过重采样步骤来解决.苗雨等[19]首次将箱粒子滤波与广义标签多伯努利滤波相结合, 提出了箱粒子标签多伯努利(Box-GLMB)滤波器, Box-GLMB滤波器不仅继承了GLMB滤波器对目标状态, 个数以及航迹追踪的优良效果, 也继承了箱粒子滤波器能够提高运算效率的优势.空军工程大学的魏帅等[20]首次将箱粒子滤波与标签多伯努利滤波相结合提出了未知检测概率下基于箱粒子的鲁棒性LMB滤波器.

针对多机动目标追踪问题, 本文在Box-LMB滤波器的基础上, 结合交互式多模型[21-23]的思想, 提出了交互式多模箱粒子标签多伯努利(IMM-Box-LMB)滤波器.在预测阶段对目标状态进行混合估计, 使得在目标发生机动时, 能够对目标的状态进行准确的预测.在更新阶段, 针对箱粒子退化问题, 改进一次收缩算法为二次收缩算法, 并将其应用于IMM-Box-LMB滤波器.仿真实验验证了不同杂波率下IMM-Box-LMB滤波器对于多机动目标跟踪的良好性能.

图 1  二次收缩

图 2  传统收缩算法和二次收缩算法下箱粒子状态更新

图 3  量测

仿真结果表明本文所提二次收缩算法能够有效地提升箱粒子的多样性, 将交互式多模算法与箱粒子标签多伯努利算法相结合提出的IMM-Box-LMB算法在相同条件下, 当目标发生机动时, 传统的单模型CV-Box-LMB算法会逐渐丢失目标, 无法对多机动目标的数目和状态进行有效的估计.相较于CV-Box-LMB算法, 所提IMM-Box-LMB算法则能够在目标发生机动时迅速调整并保持对对多机动目标状态和个数的正确估计.而且在不同的杂波率下, 所提IMM-Box-LMB算法也能够对目标的数目进行有效的估计.

作者简介

蔡如华 

桂林电子科技大学数学与计算科学学院副教授.主要研究方向为小波分析, 信号处理, 粒子滤波. E-mail:ruhuac@guet.edu.cn

杨标

桂林电子科技大学数学与计算科学学院硕士研究生.主要研究方向为微弱目标检测与跟踪, 粒子滤波. E-mail:13677736552@163.com

孙希延

桂林电子科技大学信息与通信工程学院教授.主要研究方向为卫星通信, 卫星导航. E-mail: sunxiyan1@163.com

吴孙勇 

桂林电子科技大学数学与计算科学学院副教授.主要研究方向为微弱目标检测与跟踪, 阵列信号处理, 粒子滤波.本文通信作者. E-mail: wusunyong121991@163.com