CN113434821B - 一种分布式粒子m-h滤波方法及系统 - Google Patents
一种分布式粒子m-h滤波方法及系统 Download PDFInfo
- Publication number
- CN113434821B CN113434821B CN202110766252.5A CN202110766252A CN113434821B CN 113434821 B CN113434821 B CN 113434821B CN 202110766252 A CN202110766252 A CN 202110766252A CN 113434821 B CN113434821 B CN 113434821B
- Authority
- CN
- China
- Prior art keywords
- particle
- distributed
- filtering
- particle filter
- resampling
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 206
- 238000001914 filtration Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000012952 Resampling Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 9
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 230000006835 compression Effects 0.000 abstract description 6
- 238000007906 compression Methods 0.000 abstract description 6
- 238000005315 distribution function Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种分布式粒子M‑H滤波方法及系统，针对多台分布式传感器数据融合问题，提出了一种分布式粒子Metropolis‑hasting滤波算法进行多传感器数据融合。在基于粒子滤波进行数据融合时，针对粒子滤波粒子退化的问题，找到一个最优的建议密度分布函数，引导重采样做正确的采样分布，利用Metropolis‑hasting算法构造一个平稳分布的马尔科夫链，对于包含在不同加权样本集中的信息，提出组重要性采样的概念，即使用一个经过适当选择的粒子和一个合适的权重来进行信息压缩，最终得到一种由M个并行粒子滤波器驱动的分布式粒子Metropolis‑hasting滤波算法。
Description
技术领域
本申请实施例涉及信息处理技术领域，具体涉及一种分布式粒子M-H滤波方法及系统。
背景技术
传统粒子滤波算法即经过若干次迭代后，除了少数粒子外，其他粒子的权值可以忽略不计，这种现象称为粒子退化。粒子退化意味着如果继续迭代下去，那么大量的计算资源就会消耗在处理那些微不足道的粒子上。
为了避免退化，通常可以采取如下措施：(1)增加粒子数：增加粒子数也叫增加采样点，随着粒子数目增多，自然能全面反映粒子多样性，能延缓退化，缺点是运算量增大；(2)重采样：其本质是增加粒子的多样性。SIR粒子滤波在这点上做得比SIS粒子滤波成功。引入重采样机制，基本上避免了粒子丧失多样性的可能。重采样技术和选择合理的建议密度是同时采用的；(3)选择合理的建议密度函数：基本粒子滤波算法的前提假设是重要性重采样能够从一个合理的后验建议密度分布中采样得到一组样本点集合，而且这组样本点集合能够很好地覆盖真实状态。如果这些假设条件不能满足，粒子滤波算法的效果就要下降。
发明内容
为此，本申请实施例提供一种分布式粒子M-H滤波方法及系统，针对多台分布式传感器数据融合问题，提出了一种分布式粒子Metropolis-hasting滤波算法进行多传感器数据融合。在基于粒子滤波进行数据融合时，针对粒子滤波粒子退化的问题，找到一个最优的建议密度分布函数，引导重采样做正确的采样分布，利用Metropolis-hasting算法构造一个平稳分布的马尔科夫链，对于包含在不同加权样本集中的信息，提出组重要性采样的概念，即使用一个经过适当选择的粒子和一个合适的权重来进行信息压缩，最终得到一种由M个并行粒子滤波器驱动的分布式粒子Metropolis-hasting滤波算法。
为了实现上述目的，本申请实施例提供如下技术方案：
根据本申请实施例的第一方面，提供了一种分布式粒子M-H滤波方法，M个并行粒子滤波器部署在不同的处理器上，每个并行粒子滤波器有不同的概率密度函数，所述方法包括：
通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和
对于t＝1,…,T，循环执行下面的步骤：
步骤1：从先验概率qm(x)中提取N个粒子vm,1,...,vm,N；
步骤2：用重要性采样值w(vm,n)进行加权；
步骤3：对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；
进行分布式粒子滤波运算，输出分布粒子滤波
中心节点获取所有粒子对后，进行重采样，输出/>
可选地，所述用重要性采样值w(vm,n)进行加权，是按照如下公式：
可选地，对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计，按照如下公式：
可选地，所述方法还包括：
所述中心节点根据概率质量函数进行重采样，得到即/>
所述中心节点按照如下公式计算验收概率则否则xt＝xt-1，/>
根据本申请实施例的第二方面，提供了一种分布式粒子M-H滤波系统，M个并行粒子滤波器部署在不同的处理器上，每个并行粒子滤波器有不同的概率密度函数，所述系统包括：
初始模块，用于通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和
分布式粒子滤波第一运算模块，用于对于t＝1,…,T，从先验概率qm(x)中提取N个粒子vm,1,...,vm,N；用重要性采样值w(vm,n)进行加权；对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；
分布式粒子滤波第二运算模块，用于进行分布式粒子滤波运算，输出分布粒子滤波
中心节点重采样模块，用于中心节点获取所有粒子对后，进行重采样，输出/>
可选地，所述分布式粒子滤波第一运算模块，具体按照如下公式进行重要性采样值w(vm,n)加权：
可选地，所述分布式粒子滤波第一运算模块，具体按照如下公式进行粒子估计：
可选地，所述中心节点重采样模块还用于：
所述中心节点根据概率质量函数即/>
所述中心节点按照如下公式计算验收概率则否则xt＝xt-1，/>
根据本申请实施例的第三方面，提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行第一方面任一项所述的方法。
根据本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如第一方面任一项所述的方法。
综上所述，本申请实施例提供了一种分布式粒子M-H滤波方法及系统，通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和 对于t＝1,…,T，循环执行下面的步骤：步骤1：从先验概率qm(x)中提取N个粒子vm,1,…,vm,N；步骤2：用重要性采样值w(vm,n)进行加权；步骤3：对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；进行分布式粒子滤波运算，输出分布粒子滤波 中心节点获取所有粒子对/>后，进行重采样，输出/>针对多台分布式传感器数据融合问题，提出了一种分布式粒子Metropolis-hasting滤波算法进行多传感器数据融合。在基于粒子滤波进行数据融合时，针对粒子滤波粒子退化的问题，找到一个最优的建议密度分布函数，引导重采样做正确的采样分布，利用Metropolis-hasting算法构造一个平稳分布的马尔科夫链，对于包含在不同加权样本集中的信息，提出组重要性采样的概念，即使用一个经过适当选择的粒子和一个合适的权重来进行信息压缩，最终得到一种由M个并行粒子滤波器驱动的分布式粒子Metropolis-hasting滤波算法。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种分布式粒子M-H滤波方法流程示意图；
图2为本申请实施例提供的组重要性采样分布式框架；
图3为本申请实施例提供的分布式粒子Metropolis-hasting算法框架；
图4为本申请实施例提供的多Kinect传感器融合架构；
图5为本申请实施例提供的三台Kinect骨架数据融合示意图；
图6a、6b、6c、6d为本申请实施例提供的融合效果图；
图7为本申请实施例提供的分布式粒子M-H滤波系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
马尔可夫链蒙特卡罗算法(Markov Chain Monte Carlo,MCMC)算法通过建立一个平稳分布为π(x)的马尔科夫链得到的样本，基于这些样本进行各种统计推断。具体地说，给定一个起始状态x0，生成一系列相关样本即使样本现在是相关的，不管起始向量x0是什么，估计量/>也是一致的。然而MCMC算法也有不足，即马尔科夫链的转移矩阵在转移的过程中的接受率可能偏小，这样的采用过程中，马尔科夫链容易在原地踏步，拒绝大量的跳转，使得马尔科夫链遍历所有的状态空间需要很长时间，即存在着收敛太慢的问题，于是Metropolis-Hastings(MH)方法的出现解决了上述问题，经典粒子MH方法采用一种概率密度函数/>用单顺序重要性采样方法以生成新的候选粒子。
在许多控制系统应用中，系统目标是通过感兴趣的变量x，推断出一组相关的观察或测量结果这里/> 在贝叶斯框架中，所有的统计信息都是由后验概率密度函数来总结的，如公式(1)所示：
其中，公式(2-1)中l(y|x)是似然函数，g(x)是先验概率密度函数，Z(y)是边际似然(又称贝叶斯证据)。一般来说，由于Z＝Z(y)是未知的，很难对它估计，所以假设它能够估计非正规目标函数，如公式(2)所示：
π(x)＝l(y|x)g(x) (2)
通常来说，涉及的积分计算通常是很难的，这里考虑目标/>和可积函数h(x)关于/>的复杂积分的Monte Carlo近似，如式(3)：
令基本的蒙特卡罗(Monte Carlo，MC)过程包括从目标概率密度函数中提取N个独立的样本，即/>于是/>是I的无偏估计。但是，一般来说，不存在从/>中直接提取样品的方法，因此需要其他计算方法。
考虑一个目标函数它是后验密度，即/>π(x)＝l(y|x)g(x)，在这种情况下，/>表示y的边际概率，即Z(y)＝p(y)，通常称为边际似然(又称贝叶斯证据)，这样对于上述目标密度/>其中π(x)≥0，/>在这种情况下，Z表示一个归一化常数，不带有任何其他统计意义。
马尔可夫链蒙特卡罗算法(Markov Chain Monte Carlo,MCMC)算法通过建立一个平稳分布为π(x)的马尔科夫链得到的样本，基于这些样本进行各种统计推断。具体地说，给定一个起始状态x0，生成一系列相关样本即使样本现在是相关的，不管起始向量x0是什么，估计量/>也是一致的。
这就是分布式粒子Metropolis-hasting滤波算法(DPMHF)的完整描述。
图1示出了本申请实施例提供的一种分布式粒子M-H滤波方法流程示意图，M个并行粒子滤波器部署在不同的处理器上，每个并行粒子滤波器有不同的概率密度函数，所述方法包括如下步骤：
步骤101：通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和
步骤102：对于t＝1,…,T，循环执行下面的步骤：
步骤a：从先验概率qm(x)中提取N个粒子vm,1,…,vm,N；
步骤b：用重要性采样值w(vm,n)进行加权；
步骤c：对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；
步骤103：进行分布式粒子滤波运算，输出分布粒子滤波
步骤104：中心节点获取所有粒子对后，进行重采样，输出/>
在一种可能的实施方式中，所述用重要性采样值w(vm,n)进行加权，是按照如下公式计算。
在一种可能的实施方式中，对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计，按照如下公式： 计算。
在一种可能的实施方式中，所述方法还包括：
所述中心节点根据概率质量函数进行重采样，得到即/>所述中心节点按照如下公式计算验收概率则/>否则，xt＝xt-1，/>
下面从几个方面对本申请实施例提供的分布式粒子M-H滤波方法进行详细阐述。
第一方面，组重要性采样。
组重要性采样的核心思想是仅使用一个但经过适当选择的粒子和一个合适的权重，来代表在不同加权样本集中的信息。考虑M组加权样本: 其中xm,n～qm(x)，即每组/>有一个不同的建议密度函数，通常对于所有的i≠j，i,j∈{1,...,M}，Ni≠Nj。使用一对摘要样本/>和摘要权重Wm(m＝1,…,M)来压缩每个集合中的统计信息：
对于一般可积函数h(x)，仍然是I的一致估计。因此，尽管压缩是有损耗的，仍然有一个合适的目标的粒子可以近似/>将第n个样本在第m组中的重要性权重表示为：则第m个样本的边际似然估计可写成/>
在一个集合内的归一化权重为：
因此，可以定义重采样的粒子 其中，/>是M组的摘要粒子，/>是根据/>定义的概率质量函数在{xm,1,…,xm,Nm}中选择的。
考虑一个重采样的粒子上述公式中定义的这个重采样粒子的一个适当的非归一化权重，就是/>两个(或更多)粒子/> 通过从同一集合替换而重新采样，因此从同一近似值/>具有相同的权重/>
给定一个公共计算节点中的M个摘要对可以得到/>的粒子近似值：/>
如图2中所示，中心节点获取所有粒子对后输出/>这样只有M个粒子/>和M个权重/>被传送到中心节点，而不是集合S的所有样本和S的所有权重，这里/>
经典粒子MH方法采用一种概率密度函数用单顺序重要性采样方法以生成新的候选粒子，下面考虑用目标概率密度函数跟踪目标变量/>的问题。
假设M个独立的处理单元与图中所示的中心节点一起可用，使用M个并行粒子滤波器，部署在不同的处理器上，同时每个滤波器都有不同的概率密度函数于是在这些并行粒子滤波器运行一次之后，可以得到M个粒子的近似值/>如图3所示，对这些M个粒子的近似值再进行组重要性采样，这样做可以降低到中心节点的通信成本。在具体实施时，可以认为每台机器只发送数据对其中/>为了简单起见，令N1＝…＝NM。
第二方面，分布式粒子M-H算法。
粒子Metropolis-hasting(MH)算法是MCMC算法的一种，专门设计用于在状态空间模型中过滤和平滑动态变量。在粒子Metropolis-hasting算法中，根据适当的MH类型接受概率，比较通过不同运行的粒子过滤器获得的不同轨迹。由M个并行粒子滤波器驱动的粒子Metropolis-hasting算法，对多个Kinect传感器采集的人体骨骼数据进行融合。
下面给出分布式粒子M-H算法的算法流程：
(1)选择初始状态x0和(通过第一次运行粒子滤波器获得)。
(2)对于t＝1,…,T：
(a)分布式粒子滤波运算：从qm(x)中提取N个粒子vm,1,…,vm,N，用重要性采样值w(vm,n)对其进行加权，对每个m＝1,…,M使用粒子滤波器(或批处理方法)。因此，由可以得到M粒子估计/>
(b)分布式粒子滤波运算：
(c)中心节点：根据概率质量函数进行重采样：/>即
(d)中心节点：则/>否则，xt＝xt-1，/>
在具体实施时，表1示出了分布式粒子MH算法的伪代码。表2示出了分布式粒子M-H算法服务器端伪代码。
表1
表2
针对多台分布式传感器数据融合问题，提出了一种分布式粒子Metropolis-hasting滤波算法进行多传感器数据融合。在基于粒子滤波进行数据融合时，针对粒子滤波粒子退化的问题，找到一个最优的建议密度分布函数，引导重采样做正确的采样分布，利用Metropolis-hasting算法构造一个平稳分布的马尔科夫链，对于包含在不同加权样本集中的信息，提出组重要性采样的概念，即使用一个经过适当选择的粒子和一个合适的权重来进行信息压缩，最终得到一种由M个并行粒子滤波器驱动的分布式粒子Metropolis-hasting滤波算法。
下面对本申请实施例提供的分布式粒子M-H滤波方法的应用场景进行介绍。
针对一个单人单机械臂人机协作场景，采用三台Kinect传感器搭建感知系统。利用三Kinect传感器采集人体数据，在客户端获得人体关节位置数据，在服务器端应用分布式粒子MH滤波融合算法。
由于Kinect软件提供的SDK自身无法处理来自多个Kinect的数据，因此在处理多个Kinect传感器时，采用基于以太网的通信UDP协议的架构进行多人体骨架数据的融合，如图4所示，其中在局部Kinect传感器位置生成局部轨迹，然后传送到中央融合单元。
本申请实施例提出在一个人机协作单元中，利用多个运动传感器覆盖整个工作空间，设置一个人类操作员在三维环境中与一个机器人交互以执行装配操作，实现人体运动精确感知框架，克服遮挡和自遮挡问题。
假设人体模型的每个关节位置为pij，其中i代表传感器的编号，j代表第i个Kinect传感器下第j个关节。客户端计算机从每个Kinect读取人体模型的位置数据，并将其转换为全局坐标，并对每个关节位置进行滤波。然后，将所有25×3局部滤波器的联合位置估计发送到服务器，在服务器中实现数据融合，骨架数据融合示意图如图5所示。
经过实际实验，实验结果验证了分布式粒子MH算法的有效性，在25Hz的频率下，可以可靠地追踪人类操作员。最终融合效果如图6所示，图6a是A融合前输出，6b是B融合前输出，6c是C融合前输出，6d是融合后效果图。6a、6b、6c是传感器不同角度的原始数据，可以看到腿部数据有很大的抖动变形，通过融合算法后，腿部抖动的情况得到较大的改善如图6d所示。实验结果表明分布式MH粒子滤波算法能够有效滤除杂波分量，提高人体感知精度，为有效的人机协作算法提供了数据基础。
综上所述，本申请实施例提供了一种分布式粒子M-H滤波方法，通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和对于t＝1,…,T，循环执行下面的步骤：步骤1：从先验概率qm(x)中提取N个粒子vm,1,…,vm,N；步骤2：用重要性采样值w(vm,n)进行加权；步骤3：对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；进行分布式粒子滤波运算，输出分布粒子滤波中心节点获取所有粒子对/>后，进行重采样，输出/>针对多台分布式传感器数据融合问题，提出了一种分布式粒子Metropolis-hasting滤波算法进行多传感器数据融合。在基于粒子滤波进行数据融合时，针对粒子滤波粒子退化的问题，找到一个最优的建议密度分布函数，引导重采样做正确的采样分布，利用Metropolis-hasting算法构造一个平稳分布的马尔科夫链，对于包含在不同加权样本集中的信息，提出组重要性采样的概念，即使用一个经过适当选择的粒子和一个合适的权重来进行信息压缩，最终得到一种由M个并行粒子滤波器驱动的分布式粒子Metropolis-hasting滤波算法。
基于相同的技术构思，本申请实施例还提供了一种分布式粒子M-H滤波系统，M个并行粒子滤波器部署在不同的处理器上，每个并行粒子滤波器有不同的概率密度函数，如图7所示，所述系统包括：
初始模块701，用于通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和
分布式粒子滤波第一运算模块702，用于对于t＝1,…,T，从先验概率qm(x)中提取N个粒子vm,1,…,vm,N；用重要性采样值w(vm,n)进行加权；对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；
分布式粒子滤波第二运算模块703，用于进行分布式粒子滤波运算，输出分布粒子滤波
中心节点重采样模块704，用于中心节点获取所有粒子对后，进行重采样，输出/>
在一种可能的实施方式中，所述分布式粒子滤波第一运算模块702，具体按照如下公式进行重要性采样值w(vm,n)加权：
在一种可能的实施方式中，所述分布式粒子滤波第一运算模块702，具体按照如下公式进行粒子估计：
在一种可能的实施方式中，所述中心节点重采样模块704还用于：
所述中心节点根据概率质量函数进行重采样，得到即/>所述中心节点按照如下公式计算验收概率则/>否则，xt＝xt-1，/>
基于相同的技术构思，本申请实施例还提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行所述的方法。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行所述的方法。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是，尽管在附图中以特定顺序描述了本发明方法的操作，但这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (4)
1.一种分布式粒子M-H滤波方法，其特征在于，M个并行粒子滤波器部署在不同的处理器上，每个并行粒子滤波器有不同的概率密度函数，在客户端，所述方法包括：
通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和
对于t＝1,…,T，循环执行下面的步骤：
步骤1：从先验概率qm(x)中提取N个粒子vm,1,...,vm,N；
步骤2：用重要性采样值w(vm,n)进行加权；
步骤3：对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；
进行分布式粒子滤波运算，输出分布粒子滤波
中心节点获取所有粒子对后，进行重采样，输出/>
在服务器端，所述方法包括以下步骤：
S1：接收客户端PMH滤波器发送的数据：
S12：对于t＝1,…,T，循环执行以下步骤：
S121：从q(x|xt-1)生成建议状态x*；
S122：中心节点重采样：由概率质量函数 即/>
S123：重要性采样：用重要性采样值w(vm,n)对其进行加权，
计算验收概率则/>否则xt＝xt-1，/>
S13：跳转到第S1步；
所述分布式粒子M-H滤波方法应用于单人单机械臂人机协作场景，采用三台Kinect传感器搭建感知系统，利用三Kinect传感器采集人体数据，在客户端获得人体关节位置数据，在服务器端应用分布式粒子MH滤波融合算法；其中，采用基于以太网的通信UDP协议的架构进行多人体骨架数据的融合，在局部Kinect传感器位置生成局部轨迹，然后传送到中央融合单元；
在单人单机械臂人机协作场景的人机协作单元中，利用多个运动传感器覆盖整个工作空间，设置一个人类操作员在三维环境中与一个机器人交互以执行装配操作；其中，人体模型的每个关节位置为pij，其中i代表传感器的编号，j代表第i个Kinect传感器下第j个关节，客户端计算机从每个Kinect读取人体模型的位置数据，并将其转换为全局坐标，并对每个关节位置进行滤波，然后，将所有25×3局部滤波器的联合位置估计发送到服务器，在服务器中实现数据融合；
所述用重要性采样值w(vm,n)进行加权，是按照如下公式：
对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计，按照如下公式：
所述中心节点根据概率质量函数进行重采样，得到即/>
所述中心节点按照如下公式计算验收概率则否则xt＝xt-1，/>
2.一种分布式粒子M-H滤波系统，M个并行粒子滤波器部署在不同的处理器上，每个并行粒子滤波器有不同的概率密度函数，用于实施如权利要求1所述的方法，其特征在于，所述系统包括：
初始模块，用于通过第一次运行粒子滤波器获得先验概率p(x0)、初始状态x0和
分布式粒子滤波第一运算模块，用于对于t＝1,…,T，从先验概率qm(x)中提取N个粒子vm,1,...,vm,N；用重要性采样值w(vm,n)进行加权；对每个m＝1,…,M使用粒子滤波器进行分布式粒子滤波运算，得到M个粒子估计；
分布式粒子滤波第二运算模块，用于进行分布式粒子滤波运算，输出分布粒子滤波
中心节点重采样模块，用于中心节点获取所有粒子对后，进行重采样，输出/>
具体按照如下公式进行重要性采样值w(vm,n)加权：
所述分布式粒子滤波第一运算模块，具体按照如下公式进行粒子估计：
所述中心节点重采样模块还用于：
所述中心节点根据概率质量函数进行重采样，得到即/>
所述中心节点按照如下公式计算验收概率则否则xt＝xt-1，/>
3.一种设备，其特征在于，所述设备包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110766252.5A CN113434821B (zh) | 2021-07-07 | 2021-07-07 | 一种分布式粒子m-h滤波方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110766252.5A CN113434821B (zh) | 2021-07-07 | 2021-07-07 | 一种分布式粒子m-h滤波方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113434821A CN113434821A (zh) | 2021-09-24 |
| CN113434821B true CN113434821B (zh) | 2024-05-14 |
Family
ID=77759366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110766252.5A Active CN113434821B (zh) | 2021-07-07 | 2021-07-07 | 一种分布式粒子m-h滤波方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113434821B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
| WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060251325A1 (en) * | 2004-11-08 | 2006-11-09 | Charles Florin | Particle filter based vessel segmentation |
| US7379844B2 (en) * | 2005-02-17 | 2008-05-27 | Sungkyunkwan University Foundation For Corporate Collaboration Of Sungkyundwan University | Particle sampling method and sensor fusion and filtering method |
| US8599901B2 (en) * | 2010-04-05 | 2013-12-03 | The United States Of America As Represented By The Secretary Of The Army | Method and apparatus for tracking a frequency-hopped signal |
| US20180347999A1 (en) * | 2017-05-30 | 2018-12-06 | Xerox Corporation | Methods and systems for generating realistic trips for urban mobility simulation |
| US11580280B2 (en) * | 2018-12-19 | 2023-02-14 | Lawrence Livermore National Security, Llc | Computational framework for modeling of physical process |
| US11159408B2 (en) * | 2019-06-25 | 2021-10-26 | Intel Corporation | Link performance prediction technologies |
-
2021
- 2021-07-07 CN CN202110766252.5A patent/CN113434821B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
| CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
Non-Patent Citations (13)
| Title |
|---|
| DISTRIBUTED PARTICLE METROPOLIS-HASTINGS SCHEMES;Luca Martino 等;2018 IEEE Statistical Signal Processing Workshop (SSP)》;1-5 * |
| Group Importance Sampling for Particle Filtering and MCMC;Luca Martino 等;《ScienceDirect》;第82卷;131-151 * |
| Luca Martino 等.DISTRIBUTED PARTICLE METROPOLIS-HASTINGS SCHEMES.2018 IEEE Statistical Signal Processing Workshop (SSP)》.2018,1-5. * |
| RSSI信号滤波技术在机器人导航中的应用;刘贞;丁明理;王祁;;电机与控制学报;20081115(第06期);717-722 * |
| 一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用;杜航原;王文剑;白亮;;计算机科学;20160915(第09期);218-222 * |
| 基于MCMC无味粒子滤波的目标跟踪算法;张苗辉;刘先省;;系统工程与电子技术;20090815(第08期);1810-1813 * |
| 基于MCMC粒子直接跟踪算法;郭梦春;《杭州电子科技大学学报(自然科学版)》;第41卷(第02期);48-53 * |
| 基于分布式粒子滤波的无线传感器网络目标跟踪算法研究;李国新;《中国优秀硕士学位论文全文数据库 信息科技辑》(第05期);I136-259 * |
| 基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法;蒋鹏;宋华华;林广;;通信学报(第11期);8-17 * |
| 多Kinect人机交互模型研究;张田田;《中国优秀硕士学位论文全文数据库 信息科技辑》(第01期);I138-3663 * |
| 多传感器数据融合在粉尘监测中的应用;黎冠 等;《华北科技学院学报》;20210415;第18卷(第02期);53-57 * |
| 无线传感器网络的分布式目标跟踪研究;周伟;石为人;张洪德;王小刚;易军;;仪器仪表学报;20130715(第07期);46-52 * |
| 蒋鹏 ; 宋华华 ; 林广 ; .基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法.通信学报.2013,(第11期),8-17. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113434821A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ubeda-Medina et al. | Adaptive auxiliary particle filter for track-before-detect with multiple targets | |
| Zhou et al. | Abrupt motion tracking via adaptive stochastic approximation Monte Carlo sampling | |
| Bashi et al. | Distributed implementations of particle filters | |
| Lindsten et al. | On the use of backward simulation in the particle Gibbs sampler | |
| Hamid et al. | Implementation of fuzzy aided Kalman filter for tracking a moving object in two-dimensional space | |
| CN108053424A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN112182567A (zh) | 一种多步攻击溯源方法、系统、终端及可读存储介质 | |
| Havangi | Intelligent adaptive unscented particle filter with application in target tracking | |
| CN113434821B (zh) | 一种分布式粒子m-h滤波方法及系统 | |
| Li et al. | Sequential particle-based sum-product algorithm for distributed inference in wireless sensor networks | |
| Li et al. | Hardware/software co-design of particle filter and its application in object tracking | |
| Vo et al. | A closed form solution to the probability hypothesis density smoother | |
| Dietz | Autoregressive neural network processes-univariate, multivariate and cointegrated models with application to the German automobile industry | |
| Steinbring et al. | GPU-accelerated progressive Gaussian filtering with applications to extended object tracking | |
| Han et al. | A new immune particle filter algorithm for tracking a moving target | |
| Andrieu et al. | A particle filter for model based audio source separation | |
| Wang et al. | Robust particle tracker via markov chain monte carlo posterior sampling | |
| Wang et al. | Particle Filter with Hybrid Proposal Distribution for Nonlinear State Estimation. | |
| Abouzahir et al. | FastSLAM 2.0 running on a low-cost embedded architecture | |
| Hong et al. | Development of multirate model and multirate interacting multiple model algorithm for multiplatform multisensor tracking | |
| Rahman et al. | Near-optimal resampling in particle filters using the Ising energy model | |
| CN112732519A (zh) | 一种事件监控方法及装置 | |
| CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
| Upcroft et al. | Fast re-parameterisation of Gaussian mixture models for robotics applications | |
| CN110687532A (zh) | 多群目标跟踪系统及方法 |
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 |