论文部分内容阅读
目标跟踪可看作是一种非线性的信息融合问题，其涉及控制、信号处理、通信技术等方面，是一个多学科交叉的研究课题。随着无线传感技术和信息融合技术的发展，目标跟踪方法已被成功地应用于军事和民用领域，包括导航制导、深水探测、智慧交通、工业制造和智慧医疗等。目标位置信息的获取是实现众多应用的前提与基础，为此移动目标的定位技术受到了国内外学者的广泛关注与大量研究。
近年来，随着目标跟踪环境的日趋复杂，受到环境噪声、人为干扰等多种不确定因素的影响，使得传感器的量测信息变得复杂多变且不可靠。特别地，当利用多传感器进行目标定位时，还需要考虑传感器间的相互干扰，感知范围切换以及量测信息融合等问题。目标跟踪过程中的这些不确定性问题将引起状态估计误差的增大，从而增加了非线性融合估计系统的设计难度，给传统目标跟踪技术带来了诸多问题和挑战。本文基于渐进量测思想给出了高斯渐进滤波方法框架，并基于该框架，针对不同环境下的目标跟踪问题进行具体跟踪方法的研究设计和实验验证，以提供一种可行的解决思路与途径。本文的主要工作和成果如下：
1)研究移动目标跟踪中存在的定位问题，提出了一种带渐进量测的滤波框架，为后续研究提供框架基础。首先，对传统跟踪滤波框架进行简单介绍。其次，从非线性状态估计，量测信息不确定性以及误差扰动这三个方面分析目标跟踪过程中存在的不足。最后，针对系统中存在的误差干扰等问题，给出了高斯渐进滤波框架的基本概念，基于这种框架下的估计方法可有效地减少系统中存在的线性化误差，从而提高移动目标的跟踪精度。
2)针对存在量测信息缺失情况的目标跟踪问题，设计了一种高斯渐进滤波框架下的目标跟踪方法。考虑存在传感器故障以及失效等情况，采用假设检验方式以删选失准的量测信息。针对量测信息缺失引起的线性化误差增大问题，采用渐进量测迭代的方式渐进地引入量测信息，有效地减小线性化误差对系统的不利影响从而提高目标的跟踪精度。同时，对渐进无迹卡尔曼滤波方法(ProgressiveunscentedKalmanfilter,PUKF)进行改进，引入渐进更新终止条件来“隐式”地补偿线性化误差。另外，通过对改进PUKF(ModifiedPUKF,MPUKF)方法的稳定性分析，证明其渐进过程中的状态估计误差有界。
3)提出了一种基于交互多模型(Interactingmultiplemodel,IMM)的高斯渐进目标跟踪方法以实现对机动目标的跟踪。首先，根据贝叶斯法则构造系统的同伦函数以实现当前量测信息的渐进引入，并在渐进过程中对粒子进行重采样以避免出现粒子消亡的情况。其次，为提高系统的计算效率，对MPUKF方法进行改进提出自适应的渐进无迹卡尔曼滤波方法(AdaptivePUKF,APUKF)，通过实时地调整渐进步长来减少系统的计算负担。最后，结合IMM提出IMM-APUKF方法，通过利用多个模型来描述目标运动轨迹以有效地提高系统的跟踪精度。
论文通过仿真和目标跟踪实验的方式，验证了所提出方法的有效性。最后，对全文进行总结，并对进一步的研究提出一些展望。
近年来，随着目标跟踪环境的日趋复杂，受到环境噪声、人为干扰等多种不确定因素的影响，使得传感器的量测信息变得复杂多变且不可靠。特别地，当利用多传感器进行目标定位时，还需要考虑传感器间的相互干扰，感知范围切换以及量测信息融合等问题。目标跟踪过程中的这些不确定性问题将引起状态估计误差的增大，从而增加了非线性融合估计系统的设计难度，给传统目标跟踪技术带来了诸多问题和挑战。本文基于渐进量测思想给出了高斯渐进滤波方法框架，并基于该框架，针对不同环境下的目标跟踪问题进行具体跟踪方法的研究设计和实验验证，以提供一种可行的解决思路与途径。本文的主要工作和成果如下：
1)研究移动目标跟踪中存在的定位问题，提出了一种带渐进量测的滤波框架，为后续研究提供框架基础。首先，对传统跟踪滤波框架进行简单介绍。其次，从非线性状态估计，量测信息不确定性以及误差扰动这三个方面分析目标跟踪过程中存在的不足。最后，针对系统中存在的误差干扰等问题，给出了高斯渐进滤波框架的基本概念，基于这种框架下的估计方法可有效地减少系统中存在的线性化误差，从而提高移动目标的跟踪精度。
2)针对存在量测信息缺失情况的目标跟踪问题，设计了一种高斯渐进滤波框架下的目标跟踪方法。考虑存在传感器故障以及失效等情况，采用假设检验方式以删选失准的量测信息。针对量测信息缺失引起的线性化误差增大问题，采用渐进量测迭代的方式渐进地引入量测信息，有效地减小线性化误差对系统的不利影响从而提高目标的跟踪精度。同时，对渐进无迹卡尔曼滤波方法(ProgressiveunscentedKalmanfilter,PUKF)进行改进，引入渐进更新终止条件来“隐式”地补偿线性化误差。另外，通过对改进PUKF(ModifiedPUKF,MPUKF)方法的稳定性分析，证明其渐进过程中的状态估计误差有界。
3)提出了一种基于交互多模型(Interactingmultiplemodel,IMM)的高斯渐进目标跟踪方法以实现对机动目标的跟踪。首先，根据贝叶斯法则构造系统的同伦函数以实现当前量测信息的渐进引入，并在渐进过程中对粒子进行重采样以避免出现粒子消亡的情况。其次，为提高系统的计算效率，对MPUKF方法进行改进提出自适应的渐进无迹卡尔曼滤波方法(AdaptivePUKF,APUKF)，通过实时地调整渐进步长来减少系统的计算负担。最后，结合IMM提出IMM-APUKF方法，通过利用多个模型来描述目标运动轨迹以有效地提高系统的跟踪精度。
论文通过仿真和目标跟踪实验的方式，验证了所提出方法的有效性。最后，对全文进行总结，并对进一步的研究提出一些展望。