机动目标跟踪的交互多模型泊松多伯努利混合滤波

TN953; 满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度.在多 目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降.针对这一问题,提出了 一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪.同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 46; no. 3; pp. 786 - 794
Main Authors 陈壮壮, 宋骊平
Format Journal Article
LanguageChinese
Published 西安电子科技大学电子工程学院,陕西西安 710071 01.03.2024
Subjects
序贯蒙特卡罗
Poisson multi-Bernoulli mixture(PMBM)
机动目标跟踪
泊松多伯努利混合
maneuvering target tracking
交互多模型
interacting multiple model(IMM)
sequential Monte Carlo(SMC)
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2024.03.03

Cover

More Information
Summary:TN953; 满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度.在多 目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降.针对这一问题,提出了 一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪.同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景.仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2024.03.03