CN107966697A - 一种基于渐进无迹卡尔曼的移动目标跟踪方法 - Google Patents
一种基于渐进无迹卡尔曼的移动目标跟踪方法 Download PDFInfo
- Publication number
- CN107966697A CN107966697A CN201711081602.4A CN201711081602A CN107966697A CN 107966697 A CN107966697 A CN 107966697A CN 201711081602 A CN201711081602 A CN 201711081602A CN 107966697 A CN107966697 A CN 107966697A
- Authority
- CN
- China
- Prior art keywords
- covariance
- progressive
- target
- moment
- state vector
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于渐进无迹卡尔曼的目标跟踪方法,该方法考虑到量测线性化过程中的截断误差问题,提出渐进无迹卡尔曼滤波算法使其更好地处理在量测线性化过程中存在的线性化误差、数值计算误差增大问题。本方法首先根据贝叶斯法则构造系统状态的同伦函数,通过对量测更新过程进行迭代渐进地引入当前观测信息,进而得到系统的后验状态。同时,在渐进过程中引入一个新息判定条件,确保在渐进过程中系统的估计误差有界,保证滤波器的稳定。相比现有的目标跟踪方法,该方法充分考虑了线性化误差的影响,在保证计算复杂度的前提下,提高了目标跟踪精度和鲁棒性。
Description
技术领域
本发明属于移动目标跟踪领域,是一种针对非线性量测的移动目标跟踪方法。
背景技术
目标跟踪是军事和民用领域中的一个基本问题,在军事国防、环境监测、城市交通、家庭服务等领域发挥着重要的作用。同时,随着微电子技术、通信技术的发展,无线传感器网络在移动目标跟踪与定位中的应用得到了学术界和工业界的广泛关注。无线传感器网络利用大量分散节点对移动目标进行协同感知,并提供丰富的环境信息以及准确的定位服务。
在无线传感器网络环境下,移动目标的跟踪通常会涉及非线性滤波问题,例如多传感器测距的目标系统。无迹卡尔曼滤波算法作为一种有效的非线性估计方法被广泛地应用于目标跟踪系统中。在现有跟踪技术中,为减少线性化误差以及提高跟踪精度,通常会对其中的量测更新过程进行多次的迭代运算,如迭代无迹卡尔曼滤波方法和高斯渐进滤波方法。然而,现有方法在量测更新的迭代过程中,没有充分考虑到量测线性化过程中的截断误差问题,不能根据当前移动目标的线性化误差大小实时地调整量测噪声协方差,导致系统跟踪性能下降。特别地,当量测噪声协方差较小的情况下,易出现估计器无法满足一致性要求的情况,从而导致滤波器性能下降甚至滤波发散。目前在无线传感器网络中还没有迭代滤波方法能够依据移动目标的线性化误差情况,实时调整量测协方差以提高对移动目标跟踪的精度。
发明内容
为了克服现有移动目标跟踪方法对线性化误差鲁棒性差的不足,本发明提供了一种基于渐进无迹卡尔曼的移动目标跟踪方法,在保证计算复杂度的前提下,提高了目标跟踪精度和鲁棒性。
本发明解决其技术问题所采用的技术方案是:
一种基于渐进无迹卡尔曼的移动目标跟踪方法,所述方法包括以下步骤:
步骤1,初始化参数,确定系统的状态向量及其对应的噪声协方差;
步骤2,根据k-1时刻目标的后验状态向量,通过UT变换预测k时刻移动目标的先验状态向量与协方差Pkk-1;
步骤3,对量测更新过程进行迭代,将量测噪声Rk放大N倍并计算第i次更新后的量测预测值及其协方差然后,判断第i次更新后的状态估计误差是否在均方意义下有界,结果为是,则执行步骤4;结果为否,则k时刻目标后验状态向量及其协方差Pk为第i-1次目标后验状态向量与协方差并令k=k+1,执行步骤2;
步骤4,根据量测预测值与协方差以及互协方差得到i次更新后的目标后验状态向量与协方差
步骤5,判断i=N是否成立,若成立,则执行步骤2,k=k+1;否则,执行步骤3。
进一步,在所述步骤1中,k时刻的目标状态向量xk和yk分别为k时刻移动目标在x轴和y轴上的位置,为k时刻移动目标的方向。
再进一步,通过判定条件来判断第i次更新后的状态估计误差是否在均方意义下有界,其中为第i次迭代时的新息,为第i-1次迭代时的新息,当不满足判定条件时,则说明没有必要再进行渐进迭代。
本发明的有益效果主要表现在:本发明提出了一种基于渐进无迹卡尔曼的移动目标跟踪方法。该方法在量测更新过程中,通过渐进地引入量测信息,有效地解决了由线性化误差与数值计算误差过大引起的系统跟踪性能下降的问题,从而提高对移动目标的跟踪精度和鲁棒性。同时,考虑线性化误差的补偿问题,通过引入一个新息判定条件,能够确保在渐进过程中的状态估计误差有界,保证滤波器的稳定性。相比现有的目标跟踪方法,该方法充分考虑了线性化误差的影响,在保证计算复杂度的前提下,提高了目标跟踪精度和鲁棒性。
附图说明
图1是无线传感器网络的目标跟踪系统示意图。
图2是移动目标运动轨迹示意图。
图3是多传感器融合系统结构图。
图4是本发明方法流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图4,一种基于渐进无迹卡尔曼的移动目标跟踪方法,如图1所示,模拟在3个测距传感器组成的无线传感器环境中对目标进行跟踪。在无线传感器环境中,移动目标沿着固定轨迹做圆周运动,运动轨迹如图2所示。目标跟踪系统的多传感器融合系统结构图如图3所示。移动机器人目标跟踪系统的状态空间模型如式(1)和(2)所示:
其中,目标状态向量xk和yk分别为k时刻移动目标在x轴和y轴上的位置,为k时刻移动目标的方向。r与V分别为移动目标运动轨迹的半径与移动目标的移动速度,ΔT为采样时间。wk为零均值协方差为Qk的过程噪声。分别为传感器在x轴和y轴上的坐标值,是均值为零协方差为且与过程噪声wk无关的量测噪声。
结合附图4,所述基于渐进无迹卡尔曼的移动目标跟踪方法包括以下步骤:
步骤1,初始化参数,确定系统的状态向量及其对应的噪声协方差;
步骤2,根据k-1时刻目标的后验状态向量,通过UT变换预测k时刻移动目标的先验状态向量与协方差Pkk-1;
步骤3,对量测更新过程进行迭代,将量测噪声Rk放大N倍,采用UT变换计算第i次更新后的量测预测值及其协方差根据量测预测值及其协方差的定义并结合UT变化得:
然后,判断第i次更新后的量测新息是否满足条件其中为第i次量测更新时的新息,为第i-1次量测更新时的新息,若满足,则执行步骤4;否则,执行步骤2;
步骤4,根据步骤3得到量测预测值及其协方差得到i次更新后的目标后验状态向量及其协方差:
其中,权值为:
状态与量测间的互协方差为:
步骤5,判断i=N是否成立,若满足,执行步骤4;否则,执行步骤2。
Claims (3)
1.一种基于渐进无迹卡尔曼的移动目标跟踪方法;其特征在于,包括如下步骤:
步骤1,初始化参数,确定系统的状态向量及其对应的噪声协方差;
步骤2,根据k-1时刻目标的后验状态向量,预测k时刻移动目标的先验状态向量与协方差Pk|k-1;
步骤3,对量测更新过程进行迭代,将量测噪声Rk放大N倍并计算第i次更新后的量测预测值及其协方差然后,判断第i次更新后的状态估计误差是否在均方意义下有界,结果为是,则执行步骤4;结果为否,则k时刻目标后验状态向量及其协方差Pk为第i-1次目标后验状态向量与协方差并令k=k+1,执行步骤2;
步骤4,根据量测预测值与协方差以及互协方差并结合UT变换得到i次更新后的目标后验状态向量与协方差
步骤5,判断i=N是否成立,结果为是,则得到k时刻目标后验状态向量,并令k=k+1,执行步骤2;结果为否,则令i=i+1,执行步骤4。
2.如权利要求1所述一种基于渐进无迹卡尔曼的移动目标跟踪方法,其特征在于,在所述步骤1中,k时刻的目标状态向量xk和yk分别为k时刻移动目标在x轴和y轴上的位置,为k时刻移动目标的方向。
3.如权利要求1或2所述一种基于渐进无迹卡尔曼的移动目标跟踪方法,其特征在于,在所述步骤3中,通过判定条件来判断第i次更新后的状态估计误差是否在均方意义下有界,其中为第i次迭代时的新息,为第i-1次迭代时的新息,当不满足判定条件时,则说明没有必要再进行渐进迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081602.4A CN107966697B (zh) | 2017-11-07 | 2017-11-07 | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081602.4A CN107966697B (zh) | 2017-11-07 | 2017-11-07 | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107966697A true CN107966697A (zh) | 2018-04-27 |
CN107966697B CN107966697B (zh) | 2020-10-30 |
Family
ID=61999913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711081602.4A Active CN107966697B (zh) | 2017-11-07 | 2017-11-07 | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107966697B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174907A (zh) * | 2019-04-02 | 2019-08-27 | 诺力智能装备股份有限公司 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
CN111267110A (zh) * | 2020-03-26 | 2020-06-12 | 大连理工大学 | 一种基于障碍尺寸同伦策略的机器人轨迹规划最优控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521504A (zh) * | 2011-12-07 | 2012-06-27 | 中国航空无线电电子研究所 | 基于嵌入式平台的自适应滤波目标跟踪定位方法 |
CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
CN106707235A (zh) * | 2017-03-08 | 2017-05-24 | 南京信息工程大学 | 一种基于改进的无迹卡尔曼滤波的室内测距定位方法 |
CN107246883A (zh) * | 2017-08-07 | 2017-10-13 | 上海航天控制技术研究所 | 一种高精度星敏感器安装矩阵在轨实时校准方法 |
-
2017
- 2017-11-07 CN CN201711081602.4A patent/CN107966697B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521504A (zh) * | 2011-12-07 | 2012-06-27 | 中国航空无线电电子研究所 | 基于嵌入式平台的自适应滤波目标跟踪定位方法 |
CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
CN106707235A (zh) * | 2017-03-08 | 2017-05-24 | 南京信息工程大学 | 一种基于改进的无迹卡尔曼滤波的室内测距定位方法 |
CN107246883A (zh) * | 2017-08-07 | 2017-10-13 | 上海航天控制技术研究所 | 一种高精度星敏感器安装矩阵在轨实时校准方法 |
Non-Patent Citations (2)
Title |
---|
刘平 等: "基于自适应Kalman滤波的VMAS车速信号处理", 《机械科学与技术》 * |
肖紫阳: "基于无线传感器网络的移动目标跟踪系统研究与设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174907A (zh) * | 2019-04-02 | 2019-08-27 | 诺力智能装备股份有限公司 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
CN111267110A (zh) * | 2020-03-26 | 2020-06-12 | 大连理工大学 | 一种基于障碍尺寸同伦策略的机器人轨迹规划最优控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107966697B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105549049B (zh) | 一种应用于gps导航的自适应卡尔曼滤波算法 | |
CN104809326B (zh) | 一种异步传感器空间配准算法 | |
CN106443622B (zh) | 一种基于改进联合概率数据关联的分布式目标跟踪方法 | |
US8374624B2 (en) | Location measurement method based on predictive filter | |
Cao et al. | Improving positioning accuracy of UWB in complicated underground NLOS scenario using calibration, VBUKF, and WCA | |
CN108645415A (zh) | 一种船舶航迹预测方法 | |
CN106647257A (zh) | 一种基于正交最小二乘的前馈控制方法 | |
CN108319570B (zh) | 一种异步多传感器空时偏差联合估计与补偿方法及装置 | |
CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
CN107966697A (zh) | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 | |
CN110174907A (zh) | 一种基于自适应卡尔曼滤波的人体目标跟随方法 | |
CN104021285B (zh) | 一种具有最优运动模式切换参数的交互式多模型目标跟踪方法 | |
CN108680162B (zh) | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 | |
CN106291530B (zh) | 一种基于最近邻法的概率数据关联优化方法 | |
CN117169818B (zh) | 一种面向海面机动目标跟踪的雷达波形设计方法 | |
CN109115228A (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN104994470B (zh) | 一种基于toa与rss融合的无线传感器网络协作跟踪方法 | |
CN107228667B (zh) | 一种融合地图信息的改进卡尔曼滤波器室内定位跟踪方法 | |
CN115615456A (zh) | 基于迭代最邻近整数点集的传感器误差配准方法及设备 | |
CN108225373B (zh) | 一种基于改进的5阶容积卡尔曼的大失准角对准方法 | |
CN105974367A (zh) | 基于apm模型的机动频率自适应跟踪算法 | |
CN109951874A (zh) | 一种传感器网络中实时追踪移动未知节点的方法 | |
Chen et al. | Kalman filter tracking algorithm simulation based on angle expansion | |
Wen et al. | High-Speed Train Positioning Using Improved Extended Kalman Filter With 5G NR Signals | |
CN110569480B (zh) | 噪声方差不精确的单传感器系统自适应滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |