辛懷聲, 曹 晨

(中國電子科技集團公司電子科學(xué)研究院, 北京 100041)

0 引 言

在多目標跟蹤(multiple target tracking, MTT)技術(shù)的發(fā)展過程中,以數(shù)據(jù)關(guān)聯(lián)算法為核心的方法是一類經(jīng)典技術(shù)路線,代表算法有最近鄰關(guān)聯(lián)、概率數(shù)據(jù)關(guān)聯(lián)、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)、多假設(shè)跟蹤。此類方法的本質(zhì)是通過數(shù)據(jù)關(guān)聯(lián)將MTT問題分解為單目標跟蹤問題。目前這類算法已經(jīng)在雷達跟蹤系統(tǒng)中得到了應(yīng)用。

近年來以有限集統(tǒng)計為基礎(chǔ)發(fā)展起來了另一類MTT理論。在該理論框架下目標狀態(tài)和傳感器量測都由隨機有限集(random finite set, RFS)進行描述建模,并構(gòu)建最優(yōu)多目標貝葉斯濾波器,為MTT問題提供了嚴謹、統(tǒng)一、堅實的理論基礎(chǔ)。這類算法的代表有概率假設(shè)密度(probability hypothesis density,PHD)、集勢PHD(cardinalized PHD, CPHD)以及CBMeMBer(cardinality balanced multiple target multi-Bernoulli)濾波器?；綪HD、CPHD和CBMeMBer適用于點跡過濾,多目標狀態(tài)不包括標簽,不做航跡跟蹤。優(yōu)勢是計算復(fù)雜度較低,以PHD為例計算復(fù)雜度僅為()。文獻[11-12]在隨機有限集理論的基礎(chǔ)上,結(jié)合數(shù)據(jù)關(guān)聯(lián)思想給出了多目標貝葉斯濾波器的精確閉式解,也稱為Vo-Vo濾波器及其δ-廣義標簽多伯努利(δ-generalized labeled multi-Bernoulli,δ-GLMB)版。GLMB濾波器是第一個可以被證明的多目標最優(yōu)貝葉斯濾波器。

為了提高GLMB濾波器的計算效率,文獻[13]提出標簽多伯努利(labeled multi-Bernoulli,LMB)濾波器,LMB作為δ-GLMB的一種近似解,將分組計算思想引入了GLMB濾波器領(lǐng)域,大幅提高了δ-GLMB的計算效率,但是目標跟蹤精度稍遜于標準δ-GLMB濾波器。為了提高GLMB的航跡跟蹤精度,文獻[14]利用威沙特分布近似處理量測協(xié)方差矩陣。文獻[15-16]引入改進型卡爾曼濾波以提高濾波器在非線性情況下的適應(yīng)度。文獻[17]則改進自適應(yīng)新生目標航跡起始方法,提高算法的目標數(shù)量估計精度。文獻[18-19]將馬爾可夫跳變系統(tǒng)(jump Markov system,JMS)引入GLMB領(lǐng)域,給出JMS-GLMB或多模型Vo-Vo(multi-model Vo-Vo, MM-Vo-Vo)濾波器,提高了GLMB對機動目標的跟蹤精度。文獻[20]則給出了LMB版本的多模型機動目標跟蹤濾波器。然而上述算法都沒有將分組計算和JMS相結(jié)合,本文在δ-GLMB濾波器的基礎(chǔ)上結(jié)合航跡分組思想對多目標狀態(tài)集合和觀測集合進行分組化處理,另外引入JMS對目標狀態(tài)進行擴展,參照交互多模型(interacting multiple model,IMM)近似算法給出基于IMM的分組δ-GLMB(IMM based grouping δ-GLMB, IMMG-δ-GLMB)濾波器的預(yù)測和更新遞推方程。

文章的第1節(jié)介紹基本GLMB算法。第2節(jié)給出針對目標狀態(tài)和觀測的分組方法,對影響分組的因素進行分析,之后引入JMS對多目標狀態(tài)進行擴展,并根據(jù)IMM算法對JMS-GLMB進行近似處理,推導(dǎo)出IMMG-δ-GLMB的預(yù)測和更新遞推方程以及高斯混合實現(xiàn)方式。第3節(jié)設(shè)定兩組仿真實驗,第一組實驗設(shè)定一個常見的多目標場景,對IMMG-δ-GLMB、δ-GLMB以及JMS-GLMB的MTT性能進行對比,第二組實驗則設(shè)定一個密集編隊場景,對不同分組條件下IMMG-δ-GLMB跟蹤密集多目標時的分組濾波效果進行比較分析。第4節(jié)進行評價和總結(jié)。

1 δ-GLMB濾波算法

本文符號定義采用Mahler在文獻[7]中的定義方式:

定義航跡集合為={(,),(,),…,(,)},||=,其中～分別表示航跡標簽,用于標識不同的航跡身份。

定義(,)為目標存活概率密度函數(shù)。

定義|(-|)為均值為|,協(xié)方差矩陣為|的多維高斯分布密度函數(shù)。

定義量測集合為={,,…,}。～表示傳感器獲取的目標量測。

1.1 δ-GLMB濾波器的時間預(yù)測

給定時刻多目標狀態(tài)的先驗分布密度函數(shù)為

(1)

預(yù)測步驟的表達式如下所示:

(2)

式中:

1.2 δ-GLMB濾波器的量測更新

考慮標準點目標量測模型,每一個目標以概率(,)被探測到,被探測到后生成一個量測點,對應(yīng)的量測似然度表示為(|,)。量測集中不僅有目標形成的量測點,還包括雜波點(虛警點),虛警點構(gòu)成一個泊松RFS,強度函數(shù)為()。在上述假設(shè)下,量測更新步驟后生成的后驗密度仍然是δ-GLMB。

給定+1時刻量測集合為+1,相應(yīng)的多目標后驗分布可以表示為

+1|+1(|+1)=||,||·

(3)

式中:

(1-0,())(,)×+1(()|(,))(())

2 IMMG-δ-GLMB濾波算法

本節(jié)首先給出航跡與量測的分組方法,之后基于IMM計算框架推導(dǎo)IMMG-δ-GLMB算法的預(yù)測和更新表達式。

2.1 航跡與觀測分組

航跡與量測關(guān)聯(lián)新息可以表示為

(4)

式中:為狀態(tài)轉(zhuǎn)移矩陣;為觀測矩陣;為狀態(tài)轉(zhuǎn)移過程噪聲矩陣;為觀測協(xié)方差矩陣。記矩陣:

則新息可以重新寫為

(5)

對于一個隨機有限集來說,如果?,∈,使得()=()>0,且≠,根據(jù)關(guān)聯(lián)函數(shù)的定義有(,)<且(,)的航跡與標簽為的航跡都可以與同一個量測關(guān)聯(lián),此時認為航跡與屬于同一個航跡組,則量測屬于航跡組對應(yīng)的觀測集合,稱量測可以與航跡組關(guān)聯(lián)。任何航跡都具有自己所屬的航跡組,不存在一條航跡同時屬于多個航跡組的情況。于是多目標隨機有限集可以劃分為多個航跡組,表示為多個航跡分組的互斥并集。

(6)

式中:為航跡組,且∩=?,≠。另外,定義函數(shù)的逆函數(shù)形式如下:

(7)

假設(shè)對于兩個航跡組和,如果存在某個量測與兩個航跡組分別能夠關(guān)聯(lián),即

且

也就是說航跡組和存在共享觀測,則航跡組和可以合并為一個航跡組,即=∪,且觀測集合也可以對應(yīng)合并,即

(8)

最后,觀察矩陣的表達式可知航跡組的劃分與目標距離、方位和俯仰誤差、掃描周期以及馬爾可夫運動模型參數(shù)有關(guān)。通過調(diào)整參數(shù)組合使得||越小,則對應(yīng)的,就越大,這樣不同航跡關(guān)聯(lián)同一量測的可能就越小,航跡組劃分越精細,航跡組數(shù)量越多。反之,則航跡組劃分越粗糙,航跡組數(shù)量越少。因此可以預(yù)計兩種極限情況,第一種極限情況下,每一個航跡組內(nèi)只包含一個目標,此時分組δ-GLMB(grouping-δ-GLMB, G-δ-GLMB)會轉(zhuǎn)化為單假設(shè)跟蹤(single hypothesis tracking, SHT),此時每個航跡組內(nèi)的唯一目標要么只能與一個量測關(guān)聯(lián),要么沒有量測與之關(guān)聯(lián),航跡組的每次時間預(yù)測迭代能夠產(chǎn)生的分支也只能有兩條,即目標下一周期繼續(xù)存在或者不存在兩種情況。第二種極限情況是所有目標都處于一個航跡組,此時G-δ-GLMB退化為普通δ-GLMB。

2.2 IMMG-δ-GLMB時間預(yù)測

(9)

另外,給定馬爾可夫模式跳變概率矩陣為

(10)

式中:, 表示模式跳變到模式的概率。對馬爾可夫狀態(tài)轉(zhuǎn)移密度函數(shù)使用條件概率規(guī)則可以得到馬爾可夫跳變狀態(tài)轉(zhuǎn)移函數(shù):

(11)

另外,根據(jù)全概率公式,目標的狀態(tài)分布可以寫為

(12)

式中:為目標處于模式的概率。由于不同航跡組之間相互獨立,所以分組多目標分布的先驗分布可以表示為

(13)

式中:為分組索引。

根據(jù)IMM的狀態(tài)分布混合方程有:

(14)

則經(jīng)過狀態(tài)混合后的多目標分布為

(15)

式中：

(16)

對經(jīng)過狀態(tài)混合后的多目標分布式(16)進行時間預(yù)測,得到的多目標時間預(yù)測分布密度函數(shù)可寫為

(17)

式中：

2.3 IMMG-δ-GLMB的量測更新

經(jīng)過觀測濾波后,多目標后驗分布仍然可以表示為各個航跡組GLMB分布的乘積,保證濾波迭代的封閉:

(18)

式中:

IMMG-δ-GLMB的模式概率更新方程如下:

(19)

2.4 IMMG-δ-GLMB的高斯混合實現(xiàn)

在假設(shè)目標新生模型、運動模型、觀測模型都滿足線性高斯條件,并且目標存活概率和目標探測概率都是常數(shù)后,可以得到IMMG-δ-GLMB的高斯混合遞推公式。

根據(jù)式(17),多目標時間預(yù)測分布密度函數(shù)可寫為

則在線性高斯條件可以得到

按照式(18),觀測更新可以寫為

則在線性高斯條件下有

觀測更新后目標狀態(tài)提取方程為

(20)

對應(yīng)的協(xié)方差矩陣為

(21)

根據(jù)式(19),線性高斯條件下IMMG-δ-GLMB的模式概率更新方程如下:

(22)

3 仿真與結(jié)果分析

3.1 仿真場景1

設(shè)置一個兩維跟蹤場景,比較δ-GLMB、JMS-GLMB和IMMG-δ-GLMB的MTT性能。仿真場景設(shè)置如下:傳感器至于坐標原點(0,0)m,傳感器量測周期=8 s。觀測區(qū)域設(shè)置為[0,150 000] m×[-20 000,100 000] m,IMM和JMS的運動模型集均由一個勻速運動模型CV、一個右轉(zhuǎn)模型CT(5°/s轉(zhuǎn)彎速率的協(xié)同轉(zhuǎn)彎模型)和一個左轉(zhuǎn)模型CT(-5°/s轉(zhuǎn)彎速率的協(xié)同轉(zhuǎn)彎模型)組成。

CV的運動方程如下:

右轉(zhuǎn)模型CT(=5π180)的運動方程如下:

左轉(zhuǎn)模型CT(=-5π180)的運動方程如下：

過程噪聲協(xié)方差矩陣:

馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣給定如下:

為了一定程度上適應(yīng)目標的機動,為標準δ-GLMB選取的運動模型,為辛格模型。運動方程如下:

過程噪聲矩陣:

目標的存活概率設(shè)為099。目標的初始狀態(tài)設(shè)置如表1所示。

表1 目標初始狀態(tài)Table 1 Initial states of all targets

仿真開始后,目標1、目標2、目標3和目標5出現(xiàn)。其中,目標1～目標3按照CV模型運動,目標5按照CT(2 °/s左轉(zhuǎn))模型運動。在100～110 s之間,目標3轉(zhuǎn)換為CT(5 °/s右轉(zhuǎn))模型運動,之后恢復(fù)為CV模型。目標4在100 s時刻出現(xiàn)在坐標(130 000,1 000)。在100～120 s之間，目標4按照CT(5 °/s左轉(zhuǎn))模型運動,120～140 s目標4恢復(fù)為CV模型,140～150 s之間目標4按照CT(5 °/s左轉(zhuǎn))模型運動,之后恢復(fù)為CV模型。160～200 s之間目標1和目標2按照CT(2 °/s右轉(zhuǎn))模型運動,目標3在150～250 s之間按照CT(2 °/s右轉(zhuǎn))模型運動,之后恢復(fù)CV模型運動。目標1在250 s時刻消失,至300 s時刻仿真停止。各目標運動模型轉(zhuǎn)換的時序如圖1所示。

圖1 目標運動模型轉(zhuǎn)換時序圖Fig.1 Target motion model jumping sequence

目標的真實運動路徑如圖2所示。

圖2 目標運動軌跡Fig.2 Targets’ motion trajectories

由于標準GLMB采取的已知新生目標分布的策略,無法對中斷的航跡重新起始,所以本文在3種濾波器性能比較中都加入了自適應(yīng)的航跡起始算法。

為了降低雜波對數(shù)據(jù)關(guān)聯(lián)的影響,3種算法都采用多普勒量測信息驗證關(guān)聯(lián)量測點。處于跟蹤波門內(nèi)的多普勒量測誤差過大的量測點會被濾除。多普勒信息似然度表達式為

(,+1|+1)=N(,+1;(+1),,)

(23)

式中:,+1為目標多普勒量測;,為多普勒量測方差;(+1)為多普勒觀測方程。

(24)

3種濾波算法的量測方程采用極坐標形式，如下所示：

式中：dis為目標距離;為目標方位角;為傳感器的軸坐標；為傳感器的軸坐標。

量測協(xié)方差矩陣設(shè)置如下:

(25)

每個掃描周期的雜波點數(shù)服從均值的泊松分布,每個雜波點在觀測范圍內(nèi)均勻分布。誤差評估計算最優(yōu)子模式分配(optimal sub-patten assignment, OSPA)的參數(shù)設(shè)定為=1,=1 000 m。

對δ-GLMB、JMS-GLMB和IMMG-δ-GLMB算法分別進行100次蒙特卡羅實驗。探測概率取0.95,雜波率取10的情況下,航跡跟蹤精度對比如圖3所示。OSPA曲線的兩個峰值出現(xiàn)位置吻合100 s時刻發(fā)生目標新生和250 s時刻發(fā)生目標消亡。

圖3 3種算法跟蹤精度對比Fig.3 Tracking accuracy comparison of three algorithms

為了驗證不同探測概率對IMMG-δ-GLMB的影響,在雜波率取20,探測概率分別取0.95、0.85和0.75的3種情況下,進行50次蒙特卡羅實驗, OSPA誤差曲線如圖4所示。

圖4 探測概率對IMMG-δ-GLMB跟蹤精度的影響Fig.4 Influence of detection probability on IMMG-δ-GLMB tracking accuracy

為了驗證不同雜波率對IMMG-δ-GLMB的影響,在探測概率取0.95,雜波率分別取10、50和100的3種情況下,進行50次蒙特卡羅實驗,OSPA誤差曲線如圖5所示。

圖5 不同雜波率對IMMG-δ-GLMB跟蹤精度的影響Fig.5 Influence of different clutter ratios on IMMG-δ-GLMB tracking accuracy

最后,為了驗證3種算法的計算復(fù)雜度隨目標數(shù)量增加而增加的情況,在探測概率取0.95,雜波率取20的設(shè)定下,將場景設(shè)定的5個目標軌跡加一個隨機的坐標偏移并進行復(fù)制，得到10目標、15目標和20目標場景。然后對比5目標、10目標、15目標、20目標4種情況下IMMG-δ-GLMB、JMS-GLMB和基本δ-GLMB濾波器的計算時間，結(jié)果如表2所示。

表2 3種算法不同目標數(shù)量場景的計算時間結(jié)果對比Table 2 Comparison of calculation time results of three algorithms in different target number scenarios s

實驗結(jié)果分析如下。

(1) 從圖3可以看出,IMMG-δ-GLMB比JMS-GLMB精度稍高,與δ-GLMB相比跟蹤精度優(yōu)勢明顯,這是因為一方面IMM與單辛格模型相比能夠更好地適應(yīng)目標的運動模型變化;另一方面,JMS-GLMB為了控制假設(shè)數(shù)量,在實際仿真中需要對假設(shè)數(shù)量進行的剪枝,造成誤差可能超過IMM的現(xiàn)象,如果想要提高JMS-GLMB的精度需要保留更多的假設(shè)分支,代價是進一步提高JMS-GLMB的計算復(fù)雜度。另外,從表2可以看出,IMMG-δ-GLMB與δ-GLMB和JMS-GLMB相比計算速度更快,主要原因是IMMG-δ-GLMB采用了航跡分組計算。

(2) 從圖4可以看出,IMMG-δ-GLMB的航跡跟蹤精度隨探測概率的下降而下降。這主要由于隨著探測概率的下降,航跡需要更長時間確認起始,另外在跟蹤過程中也更容易出現(xiàn)由于連續(xù)沒有量測點導(dǎo)致航跡中斷的問題。

(3) 從圖5 可以看出,IMMG-δ-GLMB的航跡跟蹤精度都隨雜波率的增長而下降。但是在雜波率不高的階段,由于采用了多普勒量測信息抑制雜波點參與航跡起始和關(guān)聯(lián),OSPA跟蹤精度的下降不明顯。只有在雜波率高到頻繁出現(xiàn)虛假航跡起始和誤關(guān)聯(lián)時,OSPA跟蹤精度才會出現(xiàn)比較明顯的下降。

3.2 仿真場景2

為了驗證傳感器掃描周期、傳感器探測精度、目標距離以及運動模型參數(shù)對IMMG-δ-GLMB的影響。設(shè)定一個多目標密集編隊運動場景,在這個場景中由于目標之間距離較近,可以通過調(diào)整影響矩陣的參數(shù)測試航跡組數(shù)量的變化以及對應(yīng)的航跡跟蹤精度。

由于量測模型和狀態(tài)轉(zhuǎn)移模型噪聲的存在,密集編隊目標的航跡比較常見航跡交叉現(xiàn)象,為了衡量這類航跡跟蹤誤差,引入標簽OSPA(labeled OSPA, LOSPA)誤差模型,定義如下:

=+

(26)

式中：為航跡交叉次數(shù);為單次航跡交叉引入的誤差懲罰;為OSPA距離。

密集編隊目標運動軌跡設(shè)定如圖6所示,橫縱坐標的單位均為m。5個目標間隔1 500 m編隊運動,初始坐標設(shè)定為:[0707,0707,1 000]、:[0707,0707+1 500,1 000]、:[0707,0707+3 000,1 000]、:[0707,0707+4 500,1 000]、:[0707,0707+6 000,1 000],單位為m。其中為第一個目標距離傳感器的距離。目標、在0 s時刻出現(xiàn),、和在20 s時刻出現(xiàn)。

圖6 密集編隊目標運動軌跡Fig.6 Dense formation target trajectory

從表3選取4個參數(shù),在不同的參數(shù)搭配下測試密集編隊目標的分組情況和跟蹤精度。例如參數(shù)組合[,,,]代表掃描周期1 s,方位標準差0.1°,加速度方差10 m/s,距離100 km的組合。為了消除單次實驗的隨機性,每組參數(shù)組合進行50次蒙特卡羅實驗。

表3 影響分組的參數(shù)Table 3 Parameters affecting grouping

參數(shù)組合[,,,]情況下,分組數(shù)量曲線和LOSPA誤差曲線如圖7所示。LOSPA曲線出現(xiàn)的峰值位于目標、和的航跡起始階段。航跡組的數(shù)量在目標、和出現(xiàn)之前約等于2,也就是說目標和分別處于兩個航跡組內(nèi),在目標、和的航跡起始后,航跡組數(shù)量從2個增加到5個,說明目標、、、和都處于單獨的航跡組內(nèi),每個航跡組內(nèi)只有一條航跡。

圖7 [P1,P2,P1,P3]參數(shù)對應(yīng)的LOSPA誤差與航跡分組數(shù)量曲線Fig.7 Curve of LOSPA error and track grouping number corresponding to parameter [P1,P2,P1,P3]

參數(shù)組合[,,,]情況下,分組數(shù)量曲線和LOSPA誤差曲線如圖8所示。方位誤差放大到0.2°的情況下,LOSPA略微上升和航跡組數(shù)量曲線在5個目標并存的情況下出現(xiàn)波動。

圖8 [P1,P4,P1,P1]參數(shù)對應(yīng)的LOSPA誤差與 航跡分組數(shù)量曲線Fig.8 Curve of LOSPA error and track grouping number corresponding to parameter [P1,P4,P1,P1]

參數(shù)組合[,,,]情況下,分組數(shù)量曲線和LOSPA誤差曲線如圖9所示,LOSPA曲線的第4和第5點較高的原因是目標、和處于航跡起始階段。從航跡組數(shù)量可以看出目標和航跡起始階段航跡組數(shù)量在1到2之間,目標、和航跡起始階段航跡組數(shù)量在3到4之間,5個目標航跡全部起始完畢后,航跡組數(shù)量維持在4左右,少于目標總數(shù)5。說明出現(xiàn)了兩個目標處于一個航跡組內(nèi)的情況。

圖9 [P4,P1,P1,P1]參數(shù)對應(yīng)的LOSPA誤差與 航跡分組數(shù)量曲線Fig.9 Curve of LOSPA error and track grouping number corresponding to parameter [P4,P1,P1,P1]

參數(shù)組合[,,,]的情況下,分組數(shù)量曲線和LOSPA誤差曲線如圖10所示。由于傳感器采用極坐標的原因,量測點距離目標實際位置的誤差隨距離的增加而增加,進而導(dǎo)致LOSPA誤差放大,最終導(dǎo)致航跡數(shù)量和航跡組數(shù)量的波動。

圖10 [P1,P1,P1,P4]參數(shù)對應(yīng)的LOSPA誤差與航跡分組數(shù)量曲線Fig.10 Curve of LOSPA error and track grouping number corresponding to parameter [P1,P1,P1,P4]

參數(shù)組合[,,,]情況下,分組數(shù)量曲線和LOSPA誤差曲線如圖11所示。在放大3個參數(shù)后航跡組數(shù)量保持在2,目標、合并為一個航跡組,晚20 s出現(xiàn)的目標、和合并為另一個航跡組。

圖11 [P4,P2,P2,P1]參數(shù)對應(yīng)的LOSPA誤差與航跡分組數(shù)量曲線Fig.11 Curve of LOSPA error and track grouping number corresponding to parameter [P4,P2,P2,P1]

參數(shù)組合[,,,]情況下,分組數(shù)量和LOSPA曲線如圖12所示,航跡組數(shù)量曲線已經(jīng)下降到約1.5。

圖12 [P4,P2,P1,P4]參數(shù)對應(yīng)的LOSPA誤差與航跡分組數(shù)量曲線Fig.12 Curve of LOSPA error and track grouping number corresponding to parameter [P4,P2,P1,P4]

參數(shù)組合[,,,]情況下,分組數(shù)量和LOSPA曲線如圖13所示,航跡組數(shù)量下降到了1。

圖13 [P4,P2,P3,P3]參數(shù)對應(yīng)的LOSPA誤差與航跡分組數(shù)量曲線Fig.13 Curve of LOSPA error and track grouping number corresponding to parameter [P4,P2,P3,P3]

從上述實驗結(jié)果可以看出,高精度、高數(shù)據(jù)率以及適當?shù)臓顟B(tài)轉(zhuǎn)移參數(shù)可以使IMMG-δ-GLMB有效地識別密集編隊內(nèi)的獨立目標,使每個目標獨立成組,此時航跡跟蹤精度最高。隨著探測精度和數(shù)據(jù)率的下降以及狀態(tài)轉(zhuǎn)移矩陣參數(shù)調(diào)整,IMMG-δ-GLMB分辨目標的能力開始下降,航跡跟蹤精度也隨之下降,分組數(shù)量減少,每個分組內(nèi)的目標數(shù)量上升。持續(xù)放大探測誤差、數(shù)據(jù)率并調(diào)整狀態(tài)轉(zhuǎn)移矩陣參數(shù),航跡分組數(shù)量可以降低到1,此時IMMG-δ-GLMB的濾波迭代過程就退化為IMM-δ-GLMB。值得注意的是,調(diào)整狀態(tài)轉(zhuǎn)移模型參數(shù)雖然也可以改變分組情況,但是調(diào)整不當可能導(dǎo)致運動模型失配,嚴重時會造成目標跟蹤失敗。

4 結(jié) 論

本文在δ-GLMB的基礎(chǔ)上引入分組濾波計算思想和IMM計算框架,利用IMM對分組處理后的JMS-GLMB進行運動模式分支合并近似,推導(dǎo)出IMMG-δ-GLMB的迭代方程,并給出高斯混合實現(xiàn)方式。

仿真結(jié)果表明,一方面,IMMG-δ-GLMB能夠有效對多目標進行跟蹤,與δ-GLMB和JMS-GLMB相比目標跟蹤精度更高,計算速度更快。 另一方面,IMMG-δ-GLMB的分組情況受傳感器精度、目標距離、掃描數(shù)據(jù)率以及狀態(tài)轉(zhuǎn)移參數(shù)的影響。在狀態(tài)轉(zhuǎn)移參數(shù)與目標運動狀態(tài)匹配的情況下,高精度、高數(shù)據(jù)率的量測數(shù)據(jù)可以增加分組數(shù)量,提高算法運行效率和目標跟蹤精度。反之,低精度、低數(shù)據(jù)率的情況會減少分組數(shù)量,極端情況下可能使IMMG-δ-GLMB退化為IMM-δ-GLMB。