System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标跟踪,更具体的说是涉及一种基于变分贝叶斯高斯和滤波的目标跟踪方法。
技术介绍
1、目标跟踪即通过各类传感器获取到目标的各种量测信息,从而对目标的位置、速度和加速度等状态进行估计,在军事、自动驾驶和交通管制等方面具有广泛应用。
2、在目标跟踪的过程中,滤波算法决定着定位精度,常用的扩展卡尔曼、无迹卡尔曼滤波通常假设量测噪声符合高斯分布且统计特性已知,然而这种假设在实际应用中往往很难满足,由于复杂环境干扰和电磁特性未知,真实跟踪系统中的量测噪声可能会呈现出非高斯特性且其统计信息与先验信息并不相符,这时如果采用按照先验信息利用传统的卡尔曼滤波方法处理该类目标跟踪问题,会出现估计精度下降甚至发散等问题。
3、如何对未知且时变的非高斯量测噪声进行估计,以提高跟踪精度,是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本专利技术提供了一种基于变分贝叶斯高斯和滤波的目标跟踪方法,可实现对受到非高斯且统计特性未知量测噪声干扰的目标进行跟踪定位,并提高跟踪精度。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、一种基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,包括:
4、s1、构建考虑量测噪声的跟踪滤波器非线性跟踪模型;所述非线性跟踪模型包括目标运动方程和传感器量测方程;
5、s2、利用所述目标运动方程对目标状态变量进行时间更新,利用上一时刻状态估计值及先验概率密度对当前时刻目标状态进
6、s3、在对当前时刻进行量测更新前,利用遗忘因子对待估计的非高斯噪声超参数进行更新;
7、s4、引入随机变量,将高斯混合形式的似然函数改写为高斯层次分布;
8、s5、基于所述传感器量测方程获得当前时刻的量测信息之后,利用变分贝叶斯方法对目标状态和未知的非高斯噪声超参数进行迭代更新,直至跟踪滤波器的kl散度最小化,得到当前时刻目标状态的后验估计。
9、进一步的,所述非线性跟踪模型的表示形式如下:
10、xk=f(xk-1)+wk-1
11、zk=h(xk)+vk
12、其中,为被跟踪目标n维的状态向量,分别为各方向位置、速度和加速度信息;为探测传感器m维量测向量;f(·)和h(·)分别为已知的非线性目标运动方程和传感器量测方程;下角标k,k-1代表离散的时间序列;为方差为qk的n维过程噪声;为m维非高斯量测噪声,将vk的概率密度函数p(vk)用高斯混合模型进行建模,如下所示:
13、
14、其中,n(·)表示高斯分布,nv为高斯分量的个数,为第j个高斯分量的方差,为第j个高斯分量的权值,满足
15、进一步的,状态的先验概率密度为高斯混合形式,如下:
16、
17、其中,z1:k-1为从开始到时间k-1所有量测信息的累计,ik-1为上一时刻状态xk-1高斯分量的个数,和分别为上一时刻状态后验估计中第i个高斯分量的状态均值、误差协方差和对应权值,权值满足
18、进一步的,s2包括:
19、利用容积卡尔曼方法对状态进行预测,获取到第i个高斯分量的一步预测均值和一步预测协方差如下所示:
20、
21、
22、其中,i=1,...,ik-1;qk-1为目标运动模型所对应的过程噪声;g=1,2,…,2n为根据上一时刻目标状态后验估计生成的状态容积点,通过下式生成:
23、
24、其中,为k-1时刻的状态后验估计;满足即pk-1|k-1的cholesky分解,pk-1|k-1为上一时刻的后验误差协方差,ζg为下式的第g列:
25、
26、其中,n为状态维数;
27、状态的一步预测概率p(xk|k-1|z1:k-1)为高斯混合形式:
28、
29、其中,xk|k-1为状态的一步预测值。
30、进一步的,s3包括:
31、s31、待估计变量分布假设:利用量测噪声方差和权值两个参数的分布进行假设,其中,定义高斯和形式的非高斯噪声中第j个高斯分量的噪声方差先验分布为逆wishart分布iw(·),如下所示:
32、
33、式中,m为量测向量维数,为先验自由度参数,为先验逆尺度矩阵,tr[·]为取迹操作,γd(·)为多元伽马函数;
34、定义高斯和形式的非高斯噪声中第j个高斯分量的权值πk先验分布p(πk|z1:k-1)符合迪利克雷分布d(·),如下所示:
35、
36、式中,为先验分布参数;
37、s32、超参数时间更新:通过遗忘因子ρ对上一时刻的先验自由度参数逆尺度矩阵分布参数这三个超参数进行更新,获取在当前时刻的预测自由度参数预测逆尺度参数和预测分布参数计算公式如下:
38、
39、其中,ρ为遗忘因子,为预测分布中的超参数。
40、进一步的,s4包括:
41、引入随机变量集合其包含的二元随机变量元素满足:
42、
43、nv为非高斯量测噪声所含高斯分量的个数,为引入的二元化辅助随机变量集合中元素,为第j个高斯分量所占权值;
44、高斯混合形式的似然函数p(zk|θk)为:
45、
46、其中θk={xk,πk,yk,rk}为待估计变量;
47、利用yk对上述似然函数改写为高斯层次分布,为:
48、
49、其中,п表示求和操作。
50、进一步的,s5中,变分贝叶斯通过最小化如下指标函数实现对待估计参数的估计:
51、j=kl(q(θk)||p(θk|z1:k))
52、其中,kl(q(θk)||p(θk|z1:k))表示计算q(θk)和p(θk|z1:k)两个变量间的kl散度,q(·)为待估计参数分布的近似,p(θk|z1:k)为待估计参数的后验分布;上述指标函数的解为:
53、
54、其中,e[·]为求期望操作,为θk中的某一元素,表示集合中除了的其他元素,表示与有关的常数;将θk中的元素依次代入上述指标函数,得到相应待估计参数的变分贝叶斯更新。
55、进一步的,s5包括:
56、s51、随机变量yk的变分贝叶斯更新为:
57、
58、其中,q(n+1)(yk)为辅助参数分布的近似;为多项式分布的表示参数,上角标(n)为第n次迭代;为引入的辅助二元化随机变量元素;
59、s52、权值πk的变分贝叶斯量测更新为:
60、
61、s53、量测噪声协方差矩阵rk的变分贝叶斯量测更新为:
62、
63、其中,为第n+1次迭代中后验分布本文档来自技高网...
【技术保护点】
1.一种基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,包括:
2.根据权利要求1所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,所述非线性跟踪模型的表示形式如下:
3.根据权利要求2所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,状态的先验概率密度为高斯混合形式,如下:
4.根据权利要求3所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,S2包括:
5.根据权利要求4所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,S3包括:
6.根据权利要求5所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,S4包括:
7.根据权利要求6所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,S5中,变分贝叶斯通过最小化如下指标函数实现对待估计参数的估计:
8.根据权利要求7所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,S5包括:
9.根据权利要求8所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,S51中:
10.
...【技术特征摘要】
1.一种基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,包括:
2.根据权利要求1所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,所述非线性跟踪模型的表示形式如下:
3.根据权利要求2所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,状态的先验概率密度为高斯混合形式,如下:
4.根据权利要求3所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,s2包括:
5.根据权利要求4所述的基于变分贝叶斯高斯和滤波的目标跟踪方法,其特征在于,s3包括:
6.根据权利要求5所述的基于...
【专利技术属性】
技术研发人员:王小刚,白瑜亮,王宇,荣思远,王瑞鹏,景亮,崔乃刚,于子淼,罗友涵,彭一洋,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。