CN103268403B - 一种基于容积强跟踪信息滤波器的目标跟踪方法 - Google Patents

一种基于容积强跟踪信息滤波器的目标跟踪方法 Download PDF

Info

Publication number
CN103268403B
CN103268403B CN201310149031.9A CN201310149031A CN103268403B CN 103268403 B CN103268403 B CN 103268403B CN 201310149031 A CN201310149031 A CN 201310149031A CN 103268403 B CN103268403 B CN 103268403B
Authority
CN
China
Prior art keywords
matrix
information
state
calculate
pseudo
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201310149031.9A
Other languages
English (en)
Other versions
CN103268403A (zh
Inventor
葛泉波
姚树鹤
文成林
管冰蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Flexible Electronics Technology of THU Zhejiang
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310149031.9A priority Critical patent/CN103268403B/zh
Publication of CN103268403A publication Critical patent/CN103268403A/zh
Application granted granted Critical
Publication of CN103268403B publication Critical patent/CN103268403B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于容积强跟踪信息滤波器的目标跟踪方法。本发明包括估计一步预测目标状态，迭代计算伪观测矩阵、新息矩阵、信息矩阵及信息状态向量，计算目标状态的最优线性估计及其误差协方差。本发明衰减因子可以由伪测量矩阵的迭代计算获得，而不用计算雅可比矩阵。同时，通过引入基于最新更新的时变衰减因子，CSTIF具有强跟踪能力，并且在跟踪目标状态突变及系统模型不精确的情况下，还具有不错的鲁棒性。

Description

一种基于容积强跟踪信息滤波器的目标跟踪方法
技术领域
本发明属于非线性系统的目标跟踪领域，特别涉及一种基于容积强跟踪信息滤波器的目标跟踪方法。
背景技术
非线性滤波是信号处理、目标跟踪和控制领域方面的热门话题之一，特别是，在卡尔曼滤波框架下的非线性滤波研究仍然是一个很火的问题，在近年来受到了越来越多的关注和研究。
卡尔曼滤波器（KF）最初是由R.EKalman处理线性动态系统的状态估计时提出来的。随后，相继提出了扩展的卡尔曼滤波器（EKF），把KF的的应用延伸到非线性系统。因为使用泰勒展开公式将原系统线性化，EKF的性能并不理想，尤其是，雅可比矩阵的计算严重限制了EKF的应用。无味滤波（UKF）通过无味转换，虽然能明显改善EKF的性能，但是，在维数灾难的情况下，UKF的使用仍然有限制。此后，容积卡尔曼滤波器和相应平方根容积卡尔曼滤波器（SCKF）相继被提出来解决这个问题。很快，容积信息滤波器（CIF）和平方容积信息滤波器（SRCIF）也相继给出。
这些非线性滤波器一般都要求已知的，精确的系统参数，并且没有状态的突变等等。一旦这些情况出现了，当前的非线性滤波器就不能很好的工作。另外，当增益矩阵趋于连续时，一旦出现状态突变，这些卡尔曼滤波器就会丢失自适应功能。在EKF的基础上，强跟踪滤波（STF）理论就被建立起来用以诊断过程系统中的错误，并且获得了广泛的应用，通过计算衰减系数它可以自动调节预测误差协方差，就获得了所谓的强跟踪功能，随后，STF用来让SCKF具有强跟踪能力。但是仍然有一个问题，就是在估计衰减系数的时候，量测方程的雅可比矩阵需要计算出来。这很复杂，很容易导致计算问题。
发明内容
为了应对非线性系统状态突变以及不精确系统模型的情况，在本发明中，将强跟踪滤波（STF）技术应用到容积信息滤波器（CIF），在CIF预测误差协方差求解公式中引入了衰减因子（本发明中下标表示时间），提出了一种基于容积信息滤波器的容积强跟踪信息滤波器（CSTIF）。本发明是CIF改进形式，包括估计一步预测目标状态（本发明中下标表示用时刻的目标信息估计第时刻的目标信息），迭代计算伪观测矩阵、新息矩阵、信息矩阵及信息状态向量，计算目标状态的最优线性估计（下标表示该值即为第时刻的最优估计值）及其误差协方差，具体内容如下：
步骤1估计一步预测目标状态。
步骤2迭代计算伪观测矩阵、新息矩阵、信息矩阵及信息状态向量；迭代过程如下：
I）设置循环控制变量的初值，令，同时令（上标1表示第1次迭代时的值），并且给出迭代次数的值，迭代循环开始。
II）如果，且，则和可以直接使用公式计算，并且跳到IX）。
III）估计衰减因子（上标表示第次迭代时的值）。
IV）计算状态预测误差协方差。
V）估计信息矩阵及信息状态向量。
VI）计算观测值预测和新息。
VII）计算状态和观测值的交叉协方差（下标表示用时刻的目标信息估计第时刻的状态和观测值的交叉协方差）。
VIII）计算伪观测矩阵。
IX）如果，让；然后跳到III）,否则X）。
X）令。
步骤3计算目标状态最优线性估计及其误差协方差。
本发明有益效果：衰减因子可以由伪测量矩阵的迭代计算获得，而不用计算雅可比矩阵。同时，通过引入基于最新更新的时变衰减因子，CSTIF具有强跟踪能力，并且在跟踪目标状态突变及系统模型不精确的情况下，还具有不错的鲁棒性。
附图说明
图1为CSTIF流程图。
具体实施方式
下面首先为跟踪目标的运动状态建立模型，其次给出容积信息滤波器的滤波公式，最后基于目标模型和容积信息滤波器的滤波公式，介绍本发明的实施过程。
1系统建模
给出如下非线性系统动态模型
其中是时间指数，表示系统状态（为维列向量全集），是观测列向量，以及都是可微函数，和都是均值为零的高斯白噪声，
即
其中为求均值运算，、是已知的，分别为和的方差，初始状态为，其均值和方差分别为和，并且和无关。
2给出容积信息滤波器的具体滤波公式
时间更新
1）评估信息矩阵和信息状态向量
（1）
在这，如果让（上标指时刻）是观测值（）的集合，就有
（2）
（3）
（4）
其中，是点集的第列。
量测更新
2）计算容积点和传播的容积点
（5）
3）估计观测值预测
（6）
4）计算交叉协方差
（7）
5）评估信息状态贡献矩阵和它的相关信息矩阵
（8）
其中，和分别是伪测量矩阵和新息矩阵，并且有
（9）
6）计算估计信息矩阵和信息状态向量
（10）
7）计算状态最优线性估计和它的误差协方差矩阵
（11）
3基于目标模型和容积信息滤波器详述容积强跟踪信息滤波器的滤波公式
对于容积信息滤波器，附加衰减因子修正后的状态预测误差协方差是，
（12）
的迭代计算公式如下，
（13）
其中为迭代次数，，是求矩阵的迹，且有
（14）
（15）
其中，，并且。和分别是新息矩阵和伪测量矩阵，并且在第次迭代中引入。所以新的容积信息滤波器就称作容积强跟踪信息滤波器（CSTIF），具体步骤如下（参见图1）：
步骤1用公式（4）和（3）估计一步预测目标状态；
步骤2迭代计算伪观测矩阵、新息矩阵、信息矩阵及信息状态向量，计算过程如下；
I）设置循环控制变量的初值，同时令，并且给出迭代次数的值，迭代循环开始；
II）如果，且，则和可以直接使用等式（1）-（7）和（9）计算获得，并且跳到IX）；
III）使用等式（13）-（15）估计衰减因子；
IV）计算状态预测误差协方差；
（16）
V）估计信息矩阵及信息状态向量
（17）
VI）计算观测值预测和新息；
（18）
其中
（19）
VII）计算状态和观测值的交叉协方差；
（20）
VIII）计算伪观测矩阵
（21）
IX）如果，让；然后跳到III），否则X）；
迭代结束。
X）令；
步骤3根据等式（8），（10），（11）计算目标状态最优线性估计及其误差协方差。

Claims (1)

1.一种基于容积强跟踪信息滤波器的目标跟踪方法，其特征在于该方法包括以下步骤：
步骤1估计一步预测目标状态其中k表示时间；
其中E{}为求均值运算，fk-1()为可微函数，P0|0为估计误差协方差，[1]i是点集[1]的第i列；
步骤2迭代计算伪观测矩阵Hk、新息矩阵vk、信息矩阵Yk|k-1及信息状态向量迭代计算过程如下：
I)设置循环控制变量j的初值，令j＝1，同时令并且给出迭代次数N1的值，迭代循环开始；其中上标1表示第1次迭代时的值，λ表示衰减因子；
II)如果j＝1，且则和直接使用公式(1)-(7)和(9)计算，并且跳到IX)；
Yk|k-1为信息矩阵，为信息状态向量，Zk-1为k-1时刻观测值zl(l＝1,2,3…k-1)的集合，就有
其中[1]i是点集[1]的第i列；计算容积点Xi,k|k-1和传播的容积点Zi,k|k-1(i＝1,2,3…2n)，为估计观测值预测，Pxz,k|k-1为计算交叉协方差，Hk为伪测量矩阵和vk为新息矩阵；
III)通过公式(13)-(15)估计衰减因子其中上标j表示第j次迭代时的值；
其中N1为迭代次数，cj,k＝Tr(Nj,k)/Tr(Mj,k)，Tr是求矩阵的迹，且有
其中，并且β1≥1，和分别是新息矩阵和伪测量矩阵，并且在第j-1次迭代中引入，Rk，Qk,k-1是已知的方差矩阵；
IV)计算状态预测误差协方差
V)估计信息矩阵及信息状态向量
VI)计算观测值预测和新息
其中
hk()为可微函数；
VII)计算状态和观测值的交叉协方差其中下标xz,k|k-1表示用k-1时刻的目标信息估计第k时刻的状态和观测值的交叉协方差，x表示状态，z表示观测值；
VIII)计算伪观测矩阵
IX)如果j≤N1，另j自加1；然后跳到III),否则跳到X)；
X)令
步骤3根据等式(8)，(10)，(11)计算目标状态最优线性估计及其误差协方差Pk|k
Ik为评估信息状态贡献矩阵，ik为Ik相关信息矩阵，Yk|k为估计信息矩阵，为信息状态向量，为状态最优线性估计，Pk|k为它的误差协方差矩阵。
CN201310149031.9A 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法 Expired - Fee Related CN103268403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310149031.9A CN103268403B (zh) 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310149031.9A CN103268403B (zh) 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN103268403A CN103268403A (zh) 2013-08-28
CN103268403B true CN103268403B (zh) 2016-05-18

Family

ID=49012031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310149031.9A Expired - Fee Related CN103268403B (zh) 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN103268403B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331902B (zh) * 2014-10-11 2018-10-16 深圳超多维科技有限公司 目标跟踪方法、跟踪装置和3d显示方法及显示装置
CN108710295B (zh) * 2018-04-20 2021-06-18 浙江工业大学 一种基于渐进容积信息滤波的机器人跟随方法
WO2020223889A1 (zh) * 2019-05-07 2020-11-12 深圳大学 模糊模型粒子滤波方法、装置、设备及存储介质
CN111506873A (zh) * 2020-04-13 2020-08-07 深圳埃瑞斯瓦特新能源有限公司 基于扩展卡尔曼滤波算法的非线性系统参数估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999696A (zh) * 2012-11-13 2013-03-27 杭州电子科技大学 噪声相关系统基于容积信息滤波的纯方位跟踪方法
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999696A (zh) * 2012-11-13 2013-03-27 杭州电子科技大学 噪声相关系统基于容积信息滤波的纯方位跟踪方法
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于IMM-SCKF-STF的机动目标跟踪算法;李国伟等;《微电子学与计算机》;20121005;第29卷(第10期);128-132页 *
嵌入卡尔曼预测器的粒子滤波目标跟踪算法;王月领等;《计算机应用研究》;20100215;第27卷(第2期);468-471页 *
无线传感器网络下的并行粒子滤波目标跟踪算法;屈剑锋等;《电子科技大学学报》;20110330;第40卷(第2期);231-236页 *

Also Published As

Publication number Publication date
CN103268403A (zh) 2013-08-28

Similar Documents

Publication Publication Date Title
CN103927436A (zh) 一种自适应高阶容积卡尔曼滤波方法
CN106487358B (zh) 一种机动目标转弯跟踪方法
CN104121907B (zh) 一种基于平方根容积卡尔曼滤波器的飞行器姿态估计方法
CN103268403B (zh) 一种基于容积强跟踪信息滤波器的目标跟踪方法
CN110490273A (zh) 噪声方差不精确建模的多传感器系统融合滤波算法
CN108153259B (zh) 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法
CN102999696A (zh) 噪声相关系统基于容积信息滤波的纯方位跟踪方法
CN104318072B (zh) 基于qkf‑mmf的多传感器量化融合方法
CN103973263B (zh) 一种逼近滤波方法
CN104283529B (zh) 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法
CN102879824A (zh) 一种基于迭代收缩的快速稀疏Radon变换方法
CN104298650B (zh) 基于多方法融合的量化卡尔曼滤波方法
CN112697215A (zh) 一种用于超声波水表数据滤波的卡尔曼滤波参数调试方法
CN105931130A (zh) 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法
CN116595897B (zh) 一种基于消息传递的非线性动态系统状态估计方法和装置
CN109341690A (zh) 一种鲁棒高效的组合导航自适应数据融合方法
CN114614797B (zh) 基于广义最大非对称相关熵准则的自适应滤波方法和系统
CN109253727A (zh) 一种基于改进迭代容积粒子滤波算法的定位方法
CN104270119A (zh) 基于非线性未知随机偏差的两阶段容积卡尔曼滤波方法
CN109447122A (zh) 一种分布式融合结构中的强跟踪渐消因子计算方法
CN104463214A (zh) 基于drvb-asckf的svr参数优化方法
CN101968369B (zh) 基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法
CN107451099B (zh) 一种基于递推变尺度对称延迟相关函数的参数估计方法
CN109151760B (zh) 基于平方根容积量测加权一致的分布式状态滤波方法
CN107421543B (zh) 一种基于状态扩维的隐函数量测模型滤波方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20191220

Address after: 310016 room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201202

Address after: 314000 Floor 15 of Block B of Zhejiang Tsinghua Yangtze River Delta Research Institute, Nanhu District, Jiaxing City, Zhejiang Province

Patentee after: INSTITUTE OF FLEXIBLE ELECTRONICS TECHNOLOGY OF THU, ZHEJIANG

Address before: 310016 room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160518

CF01 Termination of patent right due to non-payment of annual fee