2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多点测试的多模型机动目标跟踪算法

王伟 余玉揆

王伟, 余玉揆. 多点测试的多模型机动目标跟踪算法. 自动化学报, 2015, 41(6): 1201-1212. doi: 10.16383/j.aas.2015.c140471
引用本文: 王伟, 余玉揆. 多点测试的多模型机动目标跟踪算法. 自动化学报, 2015, 41(6): 1201-1212. doi: 10.16383/j.aas.2015.c140471
WANG Wei, YU Yu-Kui. Multi-try and Multi-model Particle Filter for Maneuvering Target Tracking. ACTA AUTOMATICA SINICA, 2015, 41(6): 1201-1212. doi: 10.16383/j.aas.2015.c140471
Citation: WANG Wei, YU Yu-Kui. Multi-try and Multi-model Particle Filter for Maneuvering Target Tracking. ACTA AUTOMATICA SINICA, 2015, 41(6): 1201-1212. doi: 10.16383/j.aas.2015.c140471

多点测试的多模型机动目标跟踪算法


DOI: 10.16383/j.aas.2015.c140471
详细信息
    作者简介:

    余玉揆 哈尔滨工程大学自动化学院博士研究生. 2011 年获得合肥工业大学自动化学院学士学位. 主要研究方向为非线性滤波, 光纤非线性, 光纤通信.E-mail: yykmaidou@gmail.com

    通讯作者: 王伟 哈尔滨工程大学自动化学院教授. 2006 年获得哈尔滨工程大学自动化学院博士学位. 主要研究方向为高精度惯性器件与捷联惯性导航, 先进控制理论及应用. E-mail: wangwei407@hrbeu.edu.cn
  • 基金项目:

    新世纪优秀人才支持计划(NCET-11-0827),中央高校基本业务费专项资金(HEUCFX41308),中国博士后科学基金(2014M550182),黑龙江省博士后特别资助资金(LBH-TZ0410), 哈尔滨市科技创新人才(2013RFXXJ016)资助

Multi-try and Multi-model Particle Filter for Maneuvering Target Tracking

More Information
  • Fund Project:

    Supported by the New Century Excellent Talents Support Program (NCET-11-0827), Fundamental Research Funds for the Central Universities (HEUCFX41308), China Postdoctoral Science Foundation (2014M550182), Heilongjiang Postdoctoral Special Fund (LBH-TZ0410), and Innovation of Science and Technology Talents in Harbin (2013RFXXJ016)

  • 摘要: 针对机动目标跟踪问题,提出了一种多点测试多模型粒子滤波算法(Independence multi-try method, IMTM).整个算法分为两个阶段,第一阶段为利用多点测试(Multi-try method, MTM)结构从各模型产生的粒子中选取一个最优粒子,实现了模型间的交互;第二阶段为利用IMH (Independence Metropolis-Hastings)滤波算法对第一阶段产生的粒子进行取舍,完成整个状态估计.相对于传统的交互式多模型(Interacting multiple model, IMM)算法,该算法无需事先设定模型转移概率 矩阵且为整体并行结构,结构简单,能够充分地交互各模型之间的粒子,进而自动有效地调整各模型权值比重,降低了人为干扰.仿真表明,该算法能够有效地降低滤波峰值误差,整体跟踪精度较高,算法的实时性较好.
  • [1] Blom H A P, Bar-shalom Y. The interacting multiple model algorithm for systems with Markovian switching coefficients. IEEE Transactions on Automatic Control, 1988, 33(8): 780 -783
    [2] [2] Li X R, Jilkov V P. Survey of maneuvering target tracking, Part V. Multiple-model methods. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(4): 1255-1321
    [3] Shi Yong, Han Chong-Zhao. Adaptive UKF method with applications to target tracking. Acta Automatica Sinica, 2011, 37(6): 755-759(石勇, 韩崇昭. 自适应UKF算法在目标跟踪中的应用. 自动化学报, 2011, 37(6): 755-759)
    [4] [4] Doucet A, Johansen A M. A tutorial on particle filtering and smoothing: fifteen years later. Handbook of Nonlinear Filtering, 2009, 12: 656-704
    [5] [5] Foo P H, Ng G W. Combining the interacting multiple model method with particle filters for manoeuvring target tracking. IET Radar, Sonar and Navigation, 2011, 5(3): 234 -255
    [6] [6] Gordon N J, Maskell S, Kirubarajan T. Efficient particle filters for joint tracking and classification. In: Proceedings of the 2002 SPIE 4728: Signal and Data Processing of Small Targets. Orlando, FL, USA: SPIE, 2002. 439-449
    [7] [7] Hong S H, Shi Z G, Chen K S. Easy-hardware-implementation MMPF for maneuvering target tracking: algorithm and architecture. Journal of Signal Processing Systems, 2010, 61(3): 259-269
    [8] [8] McGinnity S, Irwin G W. Multiple model bootstrap filter for maneuvering target tracking. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36(3): 1006-1012
    [9] [9] Yang N, Tian W F, Jin Z H. An interacting multiple model particle filter for manoeuvring target location. Measurement Science and Technology, 2006, 17(6): 1307-1311
    [10] Boers Y, Driessen J N. Interacting multiple model particle filter. IEE Proceedings Radar, Sonar, and Navigation, 2003, 150(5): 344-349
    [11] Sankaranarayanan A C, Chellappa R, Srivastava A. Algorithmic and architectural design methodology for particle filters in hardware. In: Proceedings of the 2005 IEEE International Conference on Computer Design: VLSI in Computers and Processors. San Jose, CA, USA: IEEE, 2005. 275- 280
    [12] Miao L F, Zhang J J, Chakrabarti C, Papandreou-Suppappola A. A new parallel implementation for particle filters and its application to adaptive waveform design. In: Proceedings of the 2010 IEEE Workshop on Signal Processing Systems (SIPS). San Francisco, CA: IEEE, 2010. 978(1): 19-24
    [13] Liu J S. Monte Carlo Strategies in Scientific Computing. New York: Springer Science and Business Media, 2004. 111 -123
    [14] Liu J S, Liang F M, Wong W H. The multiple-try method and local optimization in Metropolis sampling. Journal of the American Statistical Association, 2000, 95(449): 121- 134
    [15] Qin Z S, Liu J S. Multi-point Metropolis method with application to hybrid Monte Carlo. Journal of Computational Physics, 2001, 172(2): 827-840
    [16] Storvik G. On the flexibility of Metropolis-Hastings acceptance probabilities in auxiliary variable proposal generation. Scandinavian Journal of Statistics, 2011, 38(2): 342-358
    [17] Pandolfi S, Bartolucci F, Friel N. A generalization of the multiple-try Metropolis algorithm for Bayesian estimation and model selection. In: Proceedings of the 13th International Conference on Artificial Intelligence and Statistics. 2010. 581-588
    [18] Casarin R, Craiu R, Leisen F. Interacting multiple try algorithms with different proposal distributions. Statistics and Computing, 2013, 23(2): 185-200
    [19] Blom H A P, Bloem E A. Exact Bayesian and particle filtering of stochastic hybrid systems. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(1): 55-70
    [20] Sankaranarayanan A C, Srivastava A, Chellappa R. Algorithmic and architectural optimizations for computationally efficient particle filtering. IEEE Transactions on Image Processing, 2008, 17(5): 737-748
    [21] Arulampalam M S, Maskell S, Gordon N, Clapp T. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking. IEEE Transactions on Signal Processing, 2002, 50(2): 174-188
    [22] Linder S P, Schell C. A non-Bayesian segmenting tracker for highly maneuvering targets. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(4): 1168-1177
    [23] Wang Xiao, Han Chong-Zhao. A multiple model particle filter for maneuvering target tracking based on composite sampling. Acta Automatica Sinica, 2013, 39(7): 1152-1156(王晓, 韩崇昭. 基于混合采样的多模型机动目标跟踪算法. 自动化学报, 2013, 39(7): 1152-1156)
  • [1] 曹叙风, 王昕, 王振雷. 基于切换机制的多模型自适应混合控制[J]. 自动化学报, 2017, 43(1): 94-100. doi: 10.16383/j.aas.2017.c150698
    [2] 刘莉, 万九卿. 视觉传感网络分布式在线数据关联[J]. 自动化学报, 2014, 40(1): 117-125. doi: 10.3724/SP.J.1004.2014.00117
    [3] 张巍, 王昕, 王振雷. 基于多模型混合最小方差控制的时变扰动控制系统性能评估[J]. 自动化学报, 2014, 40(9): 2037-2044. doi: 10.3724/SP.J.1004.2014.02037
    [4] 李中奇, 杨辉, 张坤鹏, 付雅婷. 基于多智能体模型的动车组分布式预测控制[J]. 自动化学报, 2014, 40(11): 2625-2631. doi: 10.3724/SP.J.1004.2014.02625
    [5] 黄淼, 王昕, 王振雷. 一类非线性系统的基于时间序列的多模型自适应控制[J]. 自动化学报, 2013, 39(5): 581-586. doi: 10.3724/SP.J.1004.2013.00581
    [6] 王晓, 韩崇昭. 基于混合采样的多模型机动目标跟踪算法[J]. 自动化学报, 2013, 39(7): 1152-1156. doi: 10.3724/SP.J.1004.2013.01152
    [7] 欧阳成, 姬红兵, 郭志强. 改进的多模型粒子PHD和CPHD滤波算法[J]. 自动化学报, 2012, 38(3): 341-348. doi: 10.3724/SP.J.1004.2012.00341
    [8] 董志坤, 王昕, 王笑波, 李少远, 郑益慧. 多模型加权自适应控制在中厚板层流冷却系统中的应用[J]. 自动化学报, 2010, 36(8): 1144-1150. doi: 10.3724/SP.J.1004.2010.01144
    [9] 郑益慧, 王昕, 李少远, 姜建国. 随机系统的多模型直接自适应解耦控制器[J]. 自动化学报, 2010, 36(9): 1295-1304. doi: 10.3724/SP.J.1004.2010.01295
    [10] 潘天红, 薛振框, 李少远. 基于减法聚类的多模型在线辨识算法[J]. 自动化学报, 2009, 35(2): 220-224. doi: 10.3724/SP.J.1004.2009.00220
    [11] 左军毅, 梁彦, 潘泉, 赵春晖, 张洪才. 基于多个颜色分布模型的Camshift跟踪算法[J]. 自动化学报, 2008, 34(7): 736-742. doi: 10.3724/SP.J.1004.2008.00736
    [12] 张树春, 胡广大. 跟踪机动再入飞行器的交互多模型Unscented卡尔曼滤波方法[J]. 自动化学报, 2007, 33(11): 1220-1225. doi: 10.1360/aas-007-1220
    [13] 石宇静, 柴天佑. 基于神经网络与多模型的非线性自适应广义预测控制[J]. 自动化学报, 2007, 33(5): 540-545. doi: 10.1360/aas-007-0540
    [14] 邹涛, 王昕, 李少远. 基于混合逻辑的非线性系统多模型预测控制[J]. 自动化学报, 2007, 33(2): 188-192. doi: 10.1360/aas-007-0188
    [15] 陈莹, 韩崇昭. 基于多传感融合的路面机动目标跟踪[J]. 自动化学报, 2005, 31(4): 625-630.
    [16] 李柠, 李少远, 席裕庚. MIMO系统的多模型预测控制[J]. 自动化学报, 2003, 29(4): 516-523.
    [17] 李晓理, 王伟. 基于局部化技术的多模型自适应控制[J]. 自动化学报, 2000, 26(4): 523-528.
    [18] 赵众, 金以慧, 王京春, 夏晓华, 顾健. 基于多操作模型的非线性动态矩阵控制[J]. 自动化学报, 2000, 26(增刊B): 1-5.
    [19] 席裕庚, 王凡. 非线性系统预测控制的多模型方法[J]. 自动化学报, 1996, 22(4): 456-461.
    [20] 刘永坦, 权太范. 多目标快速跟踪系统[J]. 自动化学报, 1990, 16(6): 516-521.
  • 加载中
计量
  • 文章访问数:  985
  • HTML全文浏览量:  37
  • PDF下载量:  1305
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-07-01
  • 修回日期:  2014-12-31
  • 刊出日期:  2015-06-20

多点测试的多模型机动目标跟踪算法

doi: 10.16383/j.aas.2015.c140471
    作者简介:

    余玉揆 哈尔滨工程大学自动化学院博士研究生. 2011 年获得合肥工业大学自动化学院学士学位. 主要研究方向为非线性滤波, 光纤非线性, 光纤通信.E-mail: yykmaidou@gmail.com

    通讯作者: 王伟 哈尔滨工程大学自动化学院教授. 2006 年获得哈尔滨工程大学自动化学院博士学位. 主要研究方向为高精度惯性器件与捷联惯性导航, 先进控制理论及应用. E-mail: wangwei407@hrbeu.edu.cn
基金项目:

新世纪优秀人才支持计划(NCET-11-0827),中央高校基本业务费专项资金(HEUCFX41308),中国博士后科学基金(2014M550182),黑龙江省博士后特别资助资金(LBH-TZ0410), 哈尔滨市科技创新人才(2013RFXXJ016)资助

摘要: 针对机动目标跟踪问题,提出了一种多点测试多模型粒子滤波算法(Independence multi-try method, IMTM).整个算法分为两个阶段,第一阶段为利用多点测试(Multi-try method, MTM)结构从各模型产生的粒子中选取一个最优粒子,实现了模型间的交互;第二阶段为利用IMH (Independence Metropolis-Hastings)滤波算法对第一阶段产生的粒子进行取舍,完成整个状态估计.相对于传统的交互式多模型(Interacting multiple model, IMM)算法,该算法无需事先设定模型转移概率 矩阵且为整体并行结构,结构简单,能够充分地交互各模型之间的粒子,进而自动有效地调整各模型权值比重,降低了人为干扰.仿真表明,该算法能够有效地降低滤波峰值误差,整体跟踪精度较高,算法的实时性较好.

English Abstract

参考文献 (23)

目录

    /

    返回文章
    返回