CN111047627A - 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 - Google Patents
一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 Download PDFInfo
- Publication number
- CN111047627A CN111047627A CN201911114914.XA CN201911114914A CN111047627A CN 111047627 A CN111047627 A CN 111047627A CN 201911114914 A CN201911114914 A CN 201911114914A CN 111047627 A CN111047627 A CN 111047627A
- Authority
- CN
- China
- Prior art keywords
- mean
- value
- constraint
- prior probability
- variance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005183 dynamical system Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种平滑约束无迹卡尔曼滤波方法,包括如下步骤:步骤1,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;步骤2,通过数值期望计算原始先验概率的均值和方差;步骤3,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;步骤4,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;步骤5,对高斯西格玛点进行加权计算,完成滤波过程。本发明所述的一种平滑约束无迹卡尔曼滤波方法在准确性和鲁棒性方面具有优势,同时,其实时性方面优于粒子滤波算法。相应地,本发明还提供一种目标跟踪方法。
Description
技术领域
本发明涉及目标跟踪技术领域领域,具体而言,涉及一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法。
背景技术
在导航和制导系统、跟踪快速变化的无线信道的信道状态信息、跟踪飞机的实时位置等科学领域中经常需要使用滤波技术(如卡尔曼滤波等)以实现对目标的实时跟踪。
经过大量检索发现一些典型的现有技术,如申请号为201810661518.8的专利公开了一种基于开关卡尔曼滤波器的运动目标跟踪方法,该发明在目标运动状态产生突变的情况下,能够抑制因目标运动状态产生突变导致的跟踪误差,具有稳定的跟踪效果和较好的鲁棒性。又如申请号为201410134331.4的专利公开了种目标跟踪方法及扩展截断无迹卡尔曼滤波方法、装置,该发明能够解决观测函数不具有唯一反函数的问题,有效提高滤波精度且实用性较高。又如申请号为201410779717.0公开了一种于轨迹平滑的室内移动目标定位方法,该发明充分利用当前时刻与先前时刻的测量值和估计值,采用无迹卡尔曼滤波方式,提高了三边测量法的定位精度。
可见,对于使用卡尔曼滤波进行目标跟踪,其实际应用中的亟待处理的实际问题(如提高目标跟踪的准确性和鲁棒性等)还有很多未提出具体的解决方案。
发明内容
为了克服现有技术的不足提供了一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法,本发明的具体技术方案如下:
一种平滑约束无迹卡尔曼滤波方法,包括如下步骤:
步骤1,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;
步骤2,通过数值期望计算原始先验概率的均值和方差;
步骤3,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;
步骤4,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;
步骤5,对高斯西格玛点进行加权计算,完成滤波过程。
可选的,在步骤1中,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数的步骤具体包括:
步骤1a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个西格玛点以及相应的权值wi,具体如下式所示:其中,nx是状态变量的维数,λ是尺寸因子,λ决定周围西格玛点的范围,可以为nx+λ≠0的任意值, 是(nx+λ)Px均方根的第i列,该均方根的求解可由Cholesky分解得到,wi是第i个粒子的权值,并且
可选的,在步骤3中,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度的步骤具体为:
可选的,在步骤4中,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点的步骤具体包括:
步骤4a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个sigma点以及相应的权值具体如下式所示:其中,nx是状态维数,λ是尺寸因子,可以为nX+λ≠0的任意值,是(nx+λ)Px均方根的第i列,wi是第i个粒子的权值,并且
本发明还提供一种目标跟踪方法,包括如下步骤:
步骤1,对目标进行感测以获取当前目标观测时刻的目标观测向量;
步骤2,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;
步骤3,通过数值期望计算原始先验概率的均值和方差;
步骤4,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;
步骤5,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;
步骤6,对高斯西格玛点进行加权计算,完成滤波过程;
步骤7,输出当前目标观测时刻的目标状态估计值,以实现对目标的跟踪。
本发明所取得的有益效果包括:
1、所述的一种平滑约束无迹卡尔曼滤波方法的均方根误差最小,在准确性和鲁棒性方面具有优势。同时,其实时性方面优于粒子滤波算法;
2、所述的一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法,避免了模型细化以及雅可比计算,在保证准确性的同时有效提高了运算效率。
附图说明
从以下结合附图的描述可以进一步理解本发明,将重点放在示出实施例的原理上。
图1是本发明实施例之一中一种平滑约束无迹卡尔曼滤波方法的流程示意图;
图2是本发明实施例之一中不同滤波器均方根对比的示意图;
图3是本发明实施例之一中目标状态后验概率密度分布示意图一;
图4是本发明实施例之一中目标状态后验概率密度分布示意图二;
图5是本发明实施例之一中一种目标跟踪方法的流程示意图;
图6是本发明实施例之一中仿真轨迹设计示意图;
图7是本发明实施例之一不同观测噪声下的滤波误差分析对比示意图一;
图8是本发明实施例之一不同观测噪声下的滤波误差分析对比示意图二;
图9是本发明实施例之一不同观测噪声下的滤波误差分析对比示意图三。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明为一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法,根据附图所示讲述以下实施例:
实施例一:
非线性动态系统由噪声损坏的量测数据估计目标的状态,量测非线性和不确定性是两个相互关联的主要挑战。一阶扩展卡尔曼滤波器(EKF)广泛用于非线性滤波,该方法基于泰勒级数思想,易于实现。由于线性化带来不可避免的估计误差,对于强非线性动态系统,EKF的估计性能下降并可能产生发散。无迹卡尔曼滤波器(UKF)算法使用高斯点逼近后验分布,避免了非线性函数的线性化计算,估计均值及协方差更为准确。粒子滤波器(PF)可以有效解决非高斯、非线性滤波问题,基本思想是通过带权重的采样粒子以在线方式完整地表示估计状态的后验分布,粒子贫化及计算量大是有待解决的问题。近年来,诸多约束状态估计算法相继涌现。通常,没有单一的最优方法将约束结合到非线性动态状态估计过程中,较为常见的方法有截断法,数值优化法等。
无迹变换是有效处理非线性的方法,能够提供粒子滤波的精度且能够实时运算,在此基础上,本实施例提出了一种平滑约束无迹卡尔曼(SCUKF)滤波方法,其通过将量测软约束信息及最新量测信息同时融入状态更新过程,采用凸优化方法构建目标函数,同时将当前观测信息融入到更新过程,可以提高计算效率并平滑更新过程中可能存在的野值问题。
如图1所示,一种平滑约束无迹卡尔曼滤波方法,包括如下步骤:
步骤1,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;
步骤2,通过数值期望计算原始先验概率的均值和方差;
步骤3,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;
步骤4,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;
步骤5,对高斯西格玛点进行加权计算,完成滤波过程。
其中,在步骤1中,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数的步骤具体包括:
步骤1a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个西格玛点以及相应的权值wi,具体如下式所示:其中,nx是状态变量的维数,λ是尺寸因子,λ决定周围西格玛点的范围,可以为nx+λ≠0的任意值, 是(nx+λ)Px均方根的第i列,该均方根的求解可由Cholesky分解得到,wi是第i个粒子的权值,并且
其中,在步骤3中,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度的步骤具体为:
其中,在步骤4中,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点的步骤具体包括:
步骤4a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个sigma点以及相应的权值具体如下式所示:其中,nx是状态维数,λ是尺寸因子,可以为nX+λ≠0的任意值,是(nx+λ)Px均方根的第i列,wi是第i个粒子的权值,并且
动态系统模型中状态随时间变化过程可描述为一个离散马尔科夫过程xk=fk(xk-1)+vk以及zk=hk(xk)+ek。其中,k表示离散时间,xk和zk分别是k时刻系统的状态和观测序列。fk,hk分别表示相应量测空间上的一些确定的非线性函数。vk和ek分别是相互独立的过程噪声和观测噪声,为了统计简单,将其假设为加性白高斯噪声。
本实施例在传统UKF算法的基础上,引入观测噪声约束信息,将修正先验概率限制在能反映观测输入变化的有效区域,将其扩展成平滑约束UKF;通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯sigma点,对其进行加权以进行滤波估计。
为了比较本实施所述的一种平滑约束无迹卡尔曼滤波方法的估计性能,对于高度非线性、非静态的动态离散时间系统进行仿真比较,公式可表示为:其中vk是过程噪声,假设是零均值高斯分布;观测噪声ek零均值、方差为0.01的高斯分布。模型系数为常数α=1,β=1,γ=0.5。对于每次蒙特卡洛仿真,取状态初值x0为[0,1]间的均匀分布。基于粒子滤波的粒子数目取为300。
图2定性分析比较了几种算法的均方根位置误差。下表定量总结了均值、方差及100次运行时间的比较结果。
如同预期,均方根误差的均值及方差统计结果从大到小依次是扩展卡尔曼(EKF),无迹卡尔曼(UKF),粒子滤波(PF),扩展卡尔曼粒子滤波(PF-EKF),无迹卡尔曼粒子滤波(PF-UKF),平滑约束无迹卡尔曼(SCUKF)。在该实验条件下,本实施例所述的一种平滑约束无迹卡尔曼滤波方法的均方根误差最小,在准确性和鲁棒性方面具有优势。同时,其实时性方面优于粒子滤波算法。
图3以及图4给出了后验概率密度分布图示。相比先验分布,后验概率分布明显集中在有效区域,也因此说明了利用约束信息的必要性。图6、图7、图8以及图9给出了不同观测噪声下的滤波误差分析,其中图6为仿真轨迹设计。根据图6、图7、图8以及图9可以知道,和截断无迹卡尔曼滤波算法以及克拉美罗界进行对比,随着观测噪声增大,滤波精度下降,而本实施例所述的一种平滑约束无迹卡尔曼滤波方法表现出稳定性。这主要是因为对观测噪声的约束截断,同时,通过数值优化近似全局最优解,误差可达到克拉美罗界值附近。
针对非线性动态系统中估计的非线性及不确定性问题,本实施例提出了一种平滑约束无迹卡尔曼滤波方法。通过有效利用约束先验知识将后验概率分布集中在有效区域,通过数值优化的方法统计递归地近似线性化观测方程,近似满足约束条件的截断先验概率为高斯分布,从其均值及方差中,采样满足约束条件的高斯采样点,进行无迹变换,以得到滤波输出。
实施例二:
如图5所示,与实施例一所述的一种平滑约束无迹卡尔曼滤波方法相对应,本实施例提供了一种目标跟踪方法,其包括如下步骤:
步骤1,对目标进行感测以获取当前目标观测时刻的目标观测向量;在这里,可以利用传感器对目标进行感测以获取当前目标观测时刻的目标观测量,其中,传感器具体可以是红外或者雷达等。
步骤2,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;
步骤3,通过数值期望计算原始先验概率的均值和方差;
步骤4,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;
步骤5,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;
步骤6,对高斯西格玛点进行加权计算,完成滤波过程;
步骤7,输出当前目标观测时刻的目标状态估计值,以实现对目标的跟踪。跟踪的目标可以是飞机、航空飞行器或者车辆等快速移动物件。
其中,在步骤2中,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数的步骤具体包括:
步骤1a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个西格玛点以及相应的权值wi,具体如下式所示:其中,nx是状态变量的维数,λ是尺寸因子,λ决定周围西格玛点的范围,可以为nx+λ≠0的任意值, 是(nx+λ)Px均方根的第i列,该均方根的求解可由Cholesky分解得到,wi是第i个粒子的权值,并且
其中,在步骤4中,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度的步骤具体为:
其中,在步骤5中,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点的步骤具体包括:
步骤4a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个sigma点以及相应的权值具体如下式所示:其中,nx是状态维数,λ是尺寸因子,可以为nX+λ≠0的任意值,是(nx+λ)Px均方根的第i列,wi是第i个粒子的权值,并且
纯方位机动目标跟踪是典型的非线性估计问题,量测非线性和目标机动运动的不确定性是两个相互关联的主要挑战。对于约束多模型粒子滤波方法,该方法在非均匀稀疏采样环境下能够有效跟踪机动目标,不足之处是运算量过大,难以实现实时跟踪。本实施例所述的一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法,避免了模型细化以及雅可比计算,在保证准确性的同时有效提高了运算效率。
综上所述,本发明公开的一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法,所产生的有益技术效果包括:
1、所述的一种平滑约束无迹卡尔曼滤波方法的均方根误差最小,在准确性和鲁棒性方面具有优势。同时,其实时性方面优于粒子滤波算法;
2、所述的一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法,避免了模型细化以及雅可比计算,在保证准确性的同时有效提高了运算效率。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法、系统和设备是示例,各种配置可以适当地省略、替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法和/或可以添加、省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本发明公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置,例如已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本发明公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种平滑约束无迹卡尔曼滤波方法,其特征在于,包括如下步骤:
步骤1,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;
步骤2,通过数值期望计算原始先验概率的均值和方差;
步骤3,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;
步骤4,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;
步骤5,对高斯西格玛点进行加权计算,完成滤波过程。
2.根据权利要求1所述的一种平滑约束无迹卡尔曼滤波方法,其特征在于,在步骤1中,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数的步骤具体包括:
步骤1a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个西格玛点以及相应的权值wi,具体如下式所示:其中,nx是状态变量的维数,λ是尺寸因子,λ决定周围西格玛点的范围,可以为nx+λ≠0的任意值, 是(nx+λ)Px均方根的第i列,该均方根的求解可由Cholesky分解得到,wi是第i个粒子的权值,并且
4.根据权利要求3所述的一种平滑约束无迹卡尔曼滤波方法,其特征在于,在步骤3中,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度的步骤具体为:
5.根据权利要求4所述的一种平滑约束无迹卡尔曼滤波方法,其特征在于,在步骤4中,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点的步骤具体包括:
6.一种目标跟踪方法,其特征在于,包括如下步骤:
步骤1,对目标进行感测以获取当前目标观测时刻的目标观测向量;
步骤2,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数;
步骤3,通过数值期望计算原始先验概率的均值和方差;
步骤4,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度;
步骤5,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点;
步骤6,对高斯西格玛点进行加权计算,完成滤波过程;
步骤7,输出当前目标观测时刻的目标状态估计值,以实现对目标的跟踪。
7.根据权利要求6所述的一种目标跟踪方法,其特征在于,在步骤2中,根据无迹变换获取当前目标观测时刻目标状态的原始先验概率密度函数的步骤具体包括:
步骤1a,根据采样规则,利用修正先验概率的均值和方差产生满足约束条件的2nx+1个西格玛点以及相应的权值wi,具体如下式所示:其中,nx是状态变量的维数,λ是尺寸因子,λ决定周围西格玛点的范围,可以为nx+λ≠0的任意值, 是(nx+λ)Px均方根的第i列,该均方根的求解可由Cholesky分解得到,wi是第i个粒子的权值,并且
9.根据权利要求8所述的一种目标跟踪方法,其特征在于,在步骤4中,引入噪声约束信息,通过计算近似可行域的中心,以获取修正先验概率密度的步骤具体为:
10.根据权利要求9所述的一种目标跟踪方法,其特征在于,在步骤5中,通过后验迭代优化寻求满足约束条件的高斯分布均值和方差,产生满足约束条件的新的高斯西格玛点的步骤具体包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114914.XA CN111047627A (zh) | 2019-11-14 | 2019-11-14 | 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114914.XA CN111047627A (zh) | 2019-11-14 | 2019-11-14 | 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047627A true CN111047627A (zh) | 2020-04-21 |
Family
ID=70232898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911114914.XA Pending CN111047627A (zh) | 2019-11-14 | 2019-11-14 | 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047627A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111711432A (zh) * | 2020-06-16 | 2020-09-25 | 桂林理工大学 | 一种基于ukf和pf混合滤波的目标跟踪算法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
CN112990124A (zh) * | 2021-04-26 | 2021-06-18 | 湖北亿咖通科技有限公司 | 一种车辆跟踪方法、装置、电子设备及存储介质 |
CN113452349A (zh) * | 2021-06-28 | 2021-09-28 | 中山大学 | 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法 |
CN114088086A (zh) * | 2021-11-23 | 2022-02-25 | 江苏科技大学 | 一种抗测量野值干扰的多目标鲁棒定位方法 |
CN115342815A (zh) * | 2022-08-26 | 2022-11-15 | 哈尔滨工业大学 | 反大气层内或临近空间机动目标视线角速率估计方法 |
CN115808683A (zh) * | 2023-02-08 | 2023-03-17 | 安徽隼波科技有限公司 | 一种雷达光电联动跟踪方法 |
-
2019
- 2019-11-14 CN CN201911114914.XA patent/CN111047627A/zh active Pending
Non-Patent Citations (1)
Title |
---|
张宏伟等: "平滑约束无迹卡尔曼滤波器", 《信号处理》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111711432B (zh) * | 2020-06-16 | 2023-03-28 | 桂林理工大学 | 一种基于ukf和pf混合滤波的目标跟踪算法 |
CN111711432A (zh) * | 2020-06-16 | 2020-09-25 | 桂林理工大学 | 一种基于ukf和pf混合滤波的目标跟踪算法 |
CN111985093B (zh) * | 2020-08-03 | 2022-06-21 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
CN112990124B (zh) * | 2021-04-26 | 2021-08-06 | 湖北亿咖通科技有限公司 | 一种车辆跟踪方法、装置、电子设备及存储介质 |
CN112990124A (zh) * | 2021-04-26 | 2021-06-18 | 湖北亿咖通科技有限公司 | 一种车辆跟踪方法、装置、电子设备及存储介质 |
CN113452349A (zh) * | 2021-06-28 | 2021-09-28 | 中山大学 | 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法 |
CN113452349B (zh) * | 2021-06-28 | 2022-09-02 | 中山大学 | 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法 |
CN114088086A (zh) * | 2021-11-23 | 2022-02-25 | 江苏科技大学 | 一种抗测量野值干扰的多目标鲁棒定位方法 |
CN114088086B (zh) * | 2021-11-23 | 2023-11-24 | 江苏科技大学 | 一种抗测量野值干扰的多目标鲁棒定位方法 |
CN115342815A (zh) * | 2022-08-26 | 2022-11-15 | 哈尔滨工业大学 | 反大气层内或临近空间机动目标视线角速率估计方法 |
CN115342815B (zh) * | 2022-08-26 | 2024-04-26 | 哈尔滨工业大学 | 反大气层内或临近空间机动目标视线角速率估计方法 |
CN115808683A (zh) * | 2023-02-08 | 2023-03-17 | 安徽隼波科技有限公司 | 一种雷达光电联动跟踪方法 |
CN115808683B (zh) * | 2023-02-08 | 2023-04-07 | 安徽隼波科技有限公司 | 一种雷达光电联动跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047627A (zh) | 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 | |
CN110503071B (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
Gultekin et al. | Nonlinear Kalman filtering with divergence minimization | |
Zhu et al. | Huber-based adaptive unscented Kalman filter with non-Gaussian measurement noise | |
Havangi | Target tracking based on improved unscented particle filter with Markov chain Monte Carlo | |
Amor et al. | Constrained State Estimation--A Review | |
Chang et al. | Marginalised iterated unscented Kalman filter | |
CN111181529B (zh) | 一种应用于非线性高斯模型的平滑约束扩展卡尔曼滤波方法 | |
Liu et al. | Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation | |
Daum et al. | Particle flow with non-zero diffusion for nonlinear filters, Bayesian decisions and transport | |
Zuo et al. | Particle filter with multimode sampling strategy | |
Menegaz et al. | New minimum sigma set for unscented filtering | |
He et al. | A spline filter for multidimensional nonlinear state estimation | |
CN113452349B (zh) | 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法 | |
He et al. | An EM algorithm for target tracking with an unknown correlation coefficient of measurement noise | |
Yu et al. | An improved dual unscented Kalman filter for state and parameter estimation | |
Chen et al. | Kalman filtering | |
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 | |
Karlgaard et al. | Comparison of several nonlinear filters for a benchmark tracking problem | |
Xiong et al. | Linear fitting Kalman filter | |
Bhaumik et al. | Risk-sensitive formulation of unscented Kalman filter | |
Fu et al. | A novel improved cubature Kalman filter with adaptive generation of cubature points and weights for target tracking | |
Wang et al. | Huber‐based Unscented Kalman Filters with theq‐gradient | |
CN114445459B (zh) | 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法 | |
Kang et al. | Adaptive pulsar time delay estimation using wavelet-based RLS |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |