论文部分内容阅读
如今,目标跟踪技术正逐渐渗透到工程应用中的各个领域,已有越来越多的科研人员将研究方向锁定在目标跟踪领域。滤波算法是目标跟踪技术的核心,针对目标跟踪系统中出现的非线性、非高斯等情况,如何提出一种高性能的滤波算法并高效地应用到此类系统中成为迫切需要解决的问题。本论文首先介绍了目标跟踪系统的分类及基本原理,并对几种常用运动目标的数学模型进行了简要的概述,总结了各个模型的适用场合及优缺点。接着本论文以目标跟踪为背景,详细阐述了高斯滤波器(GaussianFilter,GF)的基本原理及其一般形式,并在此基础上系统地研究了扩展卡尔曼滤波器(Extend Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)和容积卡尔曼滤波器(CubatureKalmanFilter,CKF)。给出这些GF应用于各种目标跟踪场景中的仿真实例,将仿真结果逐一进行比较分析,总结每种滤波器的滤波特点。在实际应用中,绝大部分的目标跟踪系统都是非线性、非高斯的,此时GF无法对目标状态给出有效的估计,导致系统跟踪精度下降。为了解决这一问题,本论文又详细阐述了粒子滤波(ParticleFilter, PF)的基本原理、实现方法及具体步骤,并在此基础上研究了基于优选重要性密度函数(Importance Density Function,IDF)的PF改进算法。在高精度、强非线性的量测条件下,GF并不能很好地近似状态真实的概率密度函数(Probability Density Function,PDF)。为了解决这一问题,本论文提出了一种截断的自适应容积卡尔曼滤波器(Truncated Adaptive Cubature Kalman Filter, TACKF),并利用其来构建粒子的IDF,从而推导出了截断的自适应容积粒子滤波器(Truncated Adaptive Cubature Particle Filter,TACPF)。数值仿真证明,在高精度、强非线性的量测条件下,本论文所提出的TACPF算法比现有的高斯粒子滤波算法(Gaussian Particle Filter, GPF)具有更高的估计精度。