基于GM-PHD的多传感器联合跟踪算法研究.pdfVIP

摘要

多传感器多机动目标跟踪技术是信息融合领域的重要研究内容之一。传统的

基于数据关联的多机动目标跟踪方法需要解决目标状态、量测和机动模式三者之

间的数据关联问题，过程较为复杂。概率假设密度(ProbabilityHypothesisDensity,

PHD)滤波器为多机动目标跟踪问题提供了新的思路，利用随机有限集(Random

Finite,RFS)对目标状态、机动模式和观测进行建模，避免将数据关联作为状态估

计的前置条件。尽管如此，目前能够解决多传感器多机动目标跟踪问题的PHD

跟踪技术较为少见。原因是多传感器、多目标和多模型三个维度信息的融合问题

依然是一个开放问题。为此，基于高斯混合概率假设密度(GaussianMixturePHD,

GM-PHD)滤波算法，开展多传感器多机动目标跟踪算法研究具有重要的理论意

义和实际应用价值，主要内容如下：

(1)针对复杂环境中单传感器多机动目标跟踪算法跟踪效果较差的问题，提

出了一种多传感器序贯融合的一阶伪贝叶斯估计GM-PHD跟踪算法。首先，基

于一阶伪贝叶斯估计方法和GM-PHD滤波器提出了单传感器GPB1-GM-PHD跟

踪算法，实现了对多机动目标的跟踪；然后，设计了一种多传感器序贯融合框架；

最后，通过序贯融合将各传感器的后验高斯集进行融合。仿真实验表明，本方法

与传统算法相比，融合结果的精度有显著的提升。

(2)针对多传感器序贯融合的GPB1-GM-PHD跟踪算法的多模型间不能信

息交互导致跟踪效果不佳的问题，提出了一种多传感器序贯融合的交互式多模型

GM-PHD跟踪算法。首先，为实现对多机动目标的跟踪，基于IMM方法和GM-

PHD滤波器提出了单传感器IMM-GM-PHD跟踪算法；然后，设计了一种多传感

器序贯融合框架；最后，将各传感器的后验高斯集进行序贯融合。仿真实验表明，

本方法与多传感器序贯融合的GPB1-GM-PHD跟踪算法相比，跟踪精度更高。

(3)针对传统多传感器序贯融合算法融合过程中，传感器所占权重不平衡，

造成后参与融合的传感器对融合结果影响偏大，导致融合效果变差的问题。提出

了一种自适应非平衡权多传感器融合算法，可以使得传感器的权重可以依据融合

排序的不同而变化。仿真实验表明，本方法与传统多传感器序贯融合算法相比，

融合结果的精度更高，效果更好。

关键词：多机动目标跟踪、GM-PHD滤波、多传感器融合、多模型

ABSTRACT

Multi-sensormulti-maneuvertargettrackingapplicationisoneofthemost

significantresearchelementsinthefieldofinformationfusion.Thetraditionaldata

association-basedmulti-maneuvertargettrackingmethodneedstosolvethedata

associationproblemintargetstate,measurementandmaneuvermode,whichisa

complicatedprocess.ProbabilityHypothesisDensity(PHD)filterprovidesanewidea

forthemulti-maneuvertargettrackingproblembyusingRandomFiniteSet(RFS)to

modelthetargetstate,maneuvermodeandobservation,avoidingdatacorrelationasa

preconditionforstateestimation.Nevertheless,PHDtrackingtechniquesthatcansolve

themulti-sensorandmulti-maneuvertargettrackingproblemarerelativelyrare.The

reasonisthattheproblemoffusionof