【技术实现步骤摘要】
本专利技术涉及信息处理，具体为一种可扩展的集群目标信念传播跟踪方法。
技术介绍
1、集群目标跟踪问题作为目标跟踪领域中的主要难题之一，近年来引起了广泛的关注。在民用和军事领域有许多实际需求，例如弹道导弹和诱饵碎片群、飞机或无人机群、机器人编队等。而数据关联是其中的关键问题之一。根据传感器数目的多少，可将数据关联问题分为单传感器数据关联和多传感器数据关联。数据关联的技术难点主要在于：1)多帧或多传感器情形下的数据关联问题本质上是np-hard多维分配问题，其计算复杂度会随着目标、观测或传感器数目的增加而急剧增长；2)在实际应用中随着目标规模的扩大，关联假设数量呈指数增长趋势。特别是在跟踪集群目标时，由于群内目标距离近导致群内几乎所有目标都可以与该群在传感器后续扫描中产生的任何观测相关联。
2、针对大规模集群目标跟踪问题，由于目标距离近、协同运动、数目多以及集群分裂合并等因素，会导致比多目标跟踪更困难的关联、滤波和计算上的问题。在传感器计算资源有限的情况下，需要研究在计算上可扩展的集群目标跟踪方法以满足实时处理需求。f.meyer等人[文献1：message passing algorithms for scalable multitargettracking，proceedings of the ieee，2018，106(2)：221-259]提出了可扩展的多目标跟踪方法，为解决可扩展的数据关联问题提供了新的思路。该方法在贝叶斯框架下构建多目标状态、存在变量和数据关联向量的联合后验概率密度分解以及使用因子图进行描述，
技术实现思路
1、针对上述问题，本专利技术的目的在于提供一种可扩展的集群目标信念传播跟踪方法，通过在贝叶斯框架下引入集群结构变量，并通过信念传播算法对目标存在变量、集群结构、数据关联和目标状态进行联合推断。另外，集群结构变量的引入使得能够将目标运动建模为不同群结构下集群目标运动或单目标运动的交互，从而实现无缝跟踪集群目标和非群目标，实现可扩展关联跟踪。
2、实现本专利技术目的的技术方案如下：
3、一种可扩展的集群目标信念传播跟踪方法，包括以下步骤：
4、步骤1：输入保留至k-1时刻表示存活目标状态的粒子集合；并接收传感器在k时刻的探测数据；
5、步骤2：采用状态估计近似计算从因子节点p(gk|xk-1,rk-1)传递给变量节点gk的信息为gk的集合，gk表示k时刻所有目标的集群结构，g为集群结构gk的简写；xk-1为其中xk-1为k-1时刻所有存活目标的状态向量，为k-1时刻所有新生目标的状态向量，rk-1为其中rk-1为k-1时刻所有存活目标的存在变量的堆叠向量，为k-1时刻所有新生目标的存在变量的堆叠向量，上述向量的上标t表示向量或者矩阵的转置；保留前m个最有可能的集群结构并重新归一化其近似计算如下：
6、
7、其中，为p(gk|xk-1,rk-1)传递给集群结构gk的信息，为使得的归一化常数，其中gk表示k时刻所有存活目标的集群结构；为集群结构gk中属于不同群的存活目标的索引集合，p0为不存在的目标划分到一个集群目标的概率，为由gk划分形成的集群目标的数目，为k-1时刻的第i个目标的第l个粒子对应权重，l为粒子的数目，为第i个目标被划分为第个群的可能性估计，为k时刻第i个存活目标的群索引，为第i个目标被划分为第j个群的可能性估计；
8、步骤3：对于集群结构g中属于第j个群的群内目标，j≠0，从群目标状态转移密度中抽样获得粒子
9、并通过使用k-1时刻相应的粒子，根据下式计算状态偏移量和集群虚拟中心状态
10、
11、
12、其中，为状态偏移量；:＝表示定义为；为k-1时刻存活目标i的状态变量，为集群虚拟中心状态，为集群结构gk中第j个群内存活目标的索引集合；
13、否则，从单目标状态转移密度中抽样获得粒子
14、步骤4：根据下式计算从传递给的信息
15、
16、其中，zk为k时刻传感器产生的观测堆叠向量，为粒子对应的权重；为示性函数，即当且仅当mk为k时刻传感器产生的观测数量；
17、从先验概率密度中抽取表示新生目标状态的粒子集合并设置粒子权重为等权
18、根据下式计算从传递给的信息
19、
20、其中，μb为新生目标的数目服从的poisson分布的均值，μc为杂波观测的数目服从的poisson分布的均值，为杂波观测的密度，为k时刻的新生目标的第l个粒子对应的权重，为k时刻的新生目标产生的观测，为k时刻的新生目标的第l个粒子；
21、步骤5：从节点传递给节点的信息根据下式执行迭代数据关联：
22、
23、其中，为传递给的信息，上标l表示迭代的步数，m∈{1,…,mk}；m′表示k时刻被检测到的新生目标的索引；
24、从节点传递给节点的信息根据下式执行迭代数据关联：
25、
26、其中，为传递给的信息，i∈{1,...,nk}，nk为k时刻的存活目标的数量；i′表示k时刻被检测到的存活目标的索引；
27、然后根据下式计算和
28、
29、
30、其中，为从传递给的信息，为从传递给的信息；lk为k时刻的迭代步数；
31、步骤6：对于在k时刻之前已出现、并且存活至k时刻的存活目标i∈{1,...,nk}，根据下式更新粒子对应的归一化后的权重
32、
33、其中，为的未归一化的权重，为的未归一化的权重；和分别为给定集群结构g的条件下或时的信念密度；
34、然后计算获得后验概率质量函数存活目标的状态估计和近似边际后验概率质量函数p(g|z1:k)的信念密度
35、
36、
37、
38、其中，为目标的存在概率，为k时刻的存活目标i的目标状态估计，为集群结构的边际后验概率质量函数的信念密度近似；为给定集群结构g的条件下存活目标的边际后验概率目的函数的信念密度近似；
39、步骤7：对于k时刻新检测到的新生目标m∈{1,…,mk}，根据下式更新粒子的权重
40、
41、其中，为传递给的信息粒子近似的未归一化的权重，而为的未归一化的权重；为传递给的信息；
42、然后根据下式计算获得边际后验概率质量函数和新生目标的状态估计
43、
44、本文档来自技高网...
【技术保护点】
1.一种可扩展的集群目标信念传播跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的可扩展的集群目标信念传播跟踪方法，其特征在于，所述步骤1中，传感器的探测数据为传感器产生的所有观测，包括无人机编队、机器人编队或动物群体的典型集群目标的传感器观测数据，具体为径向距离、方位角或俯仰角信息。
3.根据权利要求1所述的可扩展的集群目标信念传播跟踪方法，其特征在于，所述步骤3中，群目标状态转移密度计算如下：
【技术特征摘要】
1.一种可扩展的集群目标信念传播跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的可扩展的集群目标信念传播跟踪方法，其特征在于，所述步骤1中，传感器的探测数据为传感器产生的所有观测，包括无人机编...
【专利技术属性】
技术研发人员：沈晓静，张栩琪，钟金山，刘海琪，孟凡钦，
申请(专利权)人：四川大学，
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。