一種粒子濾波方法、裝置及目標(biāo)跟蹤方法、裝置制造方法
【專利摘要】本發(fā)明公開了一種粒子濾波方法、裝置及目標(biāo)跟蹤方法、裝置，該粒子濾波方法包括利用高斯-厄米特積分構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)；根據(jù)多個積分點概率密度函數(shù)獲取積分點的近似粒子集；根據(jù)目標(biāo)的相關(guān)特性修正近似粒子集以獲取預(yù)測粒子集；根據(jù)預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)；根據(jù)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)。通過上述方式，本發(fā)明能夠增強粒子的多樣性和準(zhǔn)確性，有效提高濾波精度以及目標(biāo)狀態(tài)的估計性能。
【專利說明】一種粒子濾波方法、裝置及目標(biāo)跟蹤方法、裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及非線性濾波領(lǐng)域，特別是涉及一種粒子濾波方法、裝置及目標(biāo)跟蹤方法、裝置。
【背景技術(shù)】
[0002]在飛機、航空飛行器、車輛等目標(biāo)的運動過程中，常常需要對目標(biāo)的實時狀態(tài)進行估計以實現(xiàn)對目標(biāo)的跟蹤，飛機等目標(biāo)的運動系統(tǒng)模型一般屬于非線性隨機系統(tǒng)。非線性濾波技術(shù)為非線性隨機系統(tǒng)中進行狀態(tài)估計的常用手段。
[0003]根據(jù)應(yīng)用背景的不同，現(xiàn)有技術(shù)非線性濾波技術(shù)主要分為兩類:第一類是針對非線性高斯環(huán)境下的狀態(tài)估計問題，如擴展卡爾曼濾波器(EKF)、無跡卡爾曼濾波器(UKF)、積分卡爾曼濾波(QKF)、截斷無跡卡爾曼濾波(IUKF)，這類方法主要是利用泰勒級數(shù)展開或數(shù)值計算等線性近似技術(shù)對非線性的系統(tǒng)模型進行近似，忽略近似高階項對濾波性能的影響。第二類是針對非線性非高斯環(huán)境下的狀態(tài)估計問題，如高斯和濾波器(GSF)、高斯和積分卡爾曼濾波器(GS-QKF)，這類高斯和方法主要是利用多個混合高斯將狀態(tài)的后驗概率密度函數(shù)近似成單個高斯函數(shù)，然而，與上述EKF等方法類似，這類高斯和方法都必須進行線性化，對于強非線性非高斯系統(tǒng)，此類濾波器的濾波精度并不高，且濾波器的高斯混合項的數(shù)量隨著時間快速增長。
[0004]此外，現(xiàn)有技術(shù)還采用另一種非線性濾波方法:粒子濾波方法，現(xiàn)有技術(shù)所采用的一類粒子濾波方法由于粒子退化現(xiàn)象的存在，需要進行重采樣，從而影響粒子濾波的并行實現(xiàn)?，F(xiàn)有技術(shù)另一類粒子濾波方法則無需進行重采樣，如高斯粒子濾波(GPF)，快速高斯粒子濾波算法，擬蒙特卡羅-高斯粒子濾波(QMC-GPF)算法等，這類方法由于在時間更新時只是簡單地采用狀態(tài)轉(zhuǎn)移函數(shù)進行粒子采樣，當(dāng)目標(biāo)觀測點的采樣時間間隔較大或目標(biāo)運動模型不夠精確時，粒子的多樣性以及準(zhǔn)確性較差，粒子并不能有效表示目標(biāo)的后驗概率分布，從而降低粒子濾波的性能。

【發(fā)明內(nèi)容】

[0005]本發(fā)明主要解決的技術(shù)問題是提供一種粒子濾波方法、裝置及目標(biāo)跟蹤方法、裝置，能夠增強粒子的多樣性和準(zhǔn)確性，有效提高濾波精度以及目標(biāo)狀態(tài)的估計性能。
[0006]為解決上述技術(shù)問題，本發(fā)明的第一方面是:提供一種粒子濾波方法，包括利用高斯-厄米特積分構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)；根據(jù)多個積分點概率密度函數(shù)獲取積分點的近似粒子集；根據(jù)目標(biāo)的相關(guān)特性修正近似粒子集以獲取預(yù)測粒子集；根據(jù)預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)；根據(jù)當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，完成粒子濾波過程。
[0007]其中，利用高斯-厄米特積分構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)的步驟具體包括:[0008]獲取ki時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，具體如下式所示:
[0009]
【權(quán)利要求】
1.一種粒子濾波方法，其特征在于，包括: 利用高斯-厄米特積分構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)； 根據(jù)所述多個積分點概率密度函數(shù)獲取積分點的近似粒子集； 根據(jù)目標(biāo)的相關(guān)特性修正所述近似粒子集以獲取預(yù)測粒子集； 根據(jù)所述預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)； 根據(jù)所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，完成粒子濾波過程。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用高斯-厄米特積分構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)的步驟具體包括: 獲取k-Ι時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)，具體如下式所示:
3.根據(jù)權(quán)利要求2所述的方法，其特征在于， 所述積分點X1L1的近似粒子集為
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)目標(biāo)的相關(guān)特性修正所述近似粒子以獲取預(yù)測粒子集的步驟具體包括: 獲取所述近似粒子集
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)所述預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)的步驟具體包括: 根據(jù)所述預(yù)測粒子集獲取k-Ι時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)對應(yīng)的積分點 Xl，k—l|k—I 的均值為鄧丨和協(xié)方差 Pl，k|k—I， 具體如下式所示:
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)的步驟具體包括: 估計所述k時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)P(XkIz^1)對應(yīng)的積分點為,，具體如下式所示:
7.一種粒子濾波裝置，其特征在于，包括: 積分點概率密度函數(shù)構(gòu)建模塊，用于利用高斯-厄米特積分構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)；近似粒子集獲取模塊，用于根據(jù)所述多個積分點概率密度函數(shù)獲取積分點的近似粒子集;預(yù)測粒子集獲取模塊，用于根據(jù)目標(biāo)的相關(guān)特性修正所述近似粒子集以獲取預(yù)測粒子集; 目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取模塊，用于根據(jù)所述預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)； 目標(biāo)狀態(tài)后驗概率密度函數(shù)，用于根據(jù)所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)。
8.一種目標(biāo)跟蹤方法，其特征在于，包括: 接收當(dāng)前目標(biāo)觀測時刻以及當(dāng)前目標(biāo)觀測時刻之前所觀測的目標(biāo)狀態(tài)； 利用高斯-厄米特積分以及當(dāng)前目標(biāo)觀測時刻之前所觀測的目標(biāo)狀態(tài)構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)； 根據(jù)所述多個積分點概率密度函數(shù)獲取積分點的近似粒子集；根據(jù)目標(biāo)的相關(guān)特性修正所述近似粒子集以獲取預(yù)測粒子集； 根據(jù)所述預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)； 根據(jù)所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)以及當(dāng)前目標(biāo)觀測時刻所觀測的目標(biāo)狀態(tài)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)； 利用所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)對目標(biāo)狀態(tài)進行估計，以獲得當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值； 輸出所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值，以實現(xiàn)對目標(biāo)的跟蹤。
9.一種目標(biāo)跟蹤裝置，其特征在于，包括: 觀測數(shù)據(jù)接收模塊，用于接收當(dāng)前目標(biāo)觀測時刻以及當(dāng)前目標(biāo)觀測時刻之前所觀測的目標(biāo)狀態(tài)； 積分點概率密度函數(shù)構(gòu)建模塊，用于利用高斯-厄米特積分以及當(dāng)前目標(biāo)觀測時刻之前所觀測的目標(biāo)狀態(tài)構(gòu)建上一目標(biāo)觀測時刻的多個積分點概率密度函數(shù)； 近似粒子集獲取模塊，用于根據(jù)所述多個積分點概率密度函數(shù)獲取積分點的近似粒子集; 預(yù)測粒子集獲取模塊，用于根據(jù)目標(biāo)的相關(guān)特性修正所述近似粒子集以獲取預(yù)測粒子集; 目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)獲取模塊，用于根據(jù)所述預(yù)測粒子集獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)； 目標(biāo)狀態(tài)后驗概率密度函數(shù)，用于根據(jù)所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)預(yù)測概率密度函數(shù)以及當(dāng)前目標(biāo)觀測時刻所觀測的目標(biāo)狀態(tài)獲取當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)； 目標(biāo)狀態(tài)估計模塊，用于利用所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)后驗概率密度函數(shù)對目標(biāo)狀態(tài)進行估計，以獲得當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值； 目標(biāo)狀態(tài)估計值輸出模塊，用于輸出所述當(dāng)前目標(biāo)觀測時刻的目標(biāo)狀態(tài)估計值，以實現(xiàn)對目標(biāo)的跟蹤。
【文檔編號】G06F19/00GK103902812SQ201410079861
【公開日】2014年7月2日 申請日期:2014年3月5日 優(yōu)先權(quán)日:2014年3月5日
【發(fā)明者】李良群, 謝維信, 劉宗香 申請人:深圳大學(xué)