多傳感器目標跟蹤信息融合算法研究.pdf

1、隨著目標跟蹤在軍事和民用領域的廣闊應用前景，對目標跟蹤問題的研究已經受到人們的廣泛關注，機動目標的跟蹤問題成為當前的一個研究熱點。目前，目標跟蹤的研究主要集中在提高算法的機動目標跟蹤性能和多傳感器信息融合兩個方面。本文旨在研究機動目標跟蹤算法，并對算法存在的一些問題，結合信息融合技術對算法進行改進。 卡爾曼濾波對線性高斯系統(tǒng)有最優(yōu)估計。機動目標的跟蹤系統(tǒng)一般都是非線性的。擴展卡爾曼濾波（EKF）就是解決非線性系統(tǒng)最常用的算法，該

2、算法的思想是對系統(tǒng)的非線性作線性化處理，然后根據卡爾曼濾波框架遞推濾波。由于EKF對系統(tǒng)模型進行線性化近似引入了誤差，而且需要計算雅克比矩陣，不易實現(xiàn)。針對EKF的這些問題，引入無跡變換（UT）對卡爾曼濾波進行改進，得到無跡卡爾曼濾波（UKF），該算法用Sigma點來描述系統(tǒng)的狀態(tài)，不需要作線性化處理。通過理論分析和仿真實驗，表明：與EKF相比，UKF具有實現(xiàn)簡單通用性強、跟蹤精度高、性能穩(wěn)定的特點。它完全有可能取代EKF成為一種常用的

3、非線性濾波算法。 粒子濾波（PF）是目前最熱門的一種機動目標跟蹤算法，該算法對系統(tǒng)的非線性非高斯不做限制，與EKF和UKF相比，粒子濾波算法的應用更廣泛。但是PF算法中粒子容易出現(xiàn)退化現(xiàn)象，重要性函數(shù)的選取對粒子的退化起著至關重要的作用。為克服這一現(xiàn)象，在此引入EKF和UKF算法對重要性函數(shù)進行改善，得到優(yōu)于PF的擴展粒子濾波算法（EPF）和無跡粒子濾波算法（UPF）。通過仿真實驗，結果表明EPF和UPF的性能比PF的要好，其中

4、UPF算法的跟蹤精度最高的，但是它的運行時間是長，因此實時性較差。 最后，對多模型多傳感器機動目標跟蹤算法進行了研究。交互式多模型算法（IMM）是目前多模型算法的主流。本文結合IMM算法和UPF算法的優(yōu)點，提出了一種融合算法——交互式多模型無跡粒子算法（IMM—UPF）。在模型集的建立上，根據所用的濾波器的特征，直接采用了三個非線性模型依據馬爾可夫轉移概率并行工作。通過大量的試驗仿真，證明了算法的有效性，而且其性能比UPF的還要