科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对多机动目标追踪问题,将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合,提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态,引入模型匹配概率变量,并利用量测信息在预测阶段更新模型匹配概率,进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次,在更新阶段提出二次收缩算法,通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率,也更加接近真实目标位置,从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明,二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法,能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下,与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.
- 单位
