EKF交互多模型算法在目標(biāo)跟蹤的應(yīng)用
發(fā)布時間：2020-12-14 17:18
針對移動目標(biāo)跟蹤過程中,傳感器感知信息存在噪聲以及運(yùn)動軌跡突變導(dǎo)致目標(biāo)觀測失真甚至丟失的問題,提出了一種擴(kuò)展卡爾曼濾波交互多模型算法（EKF-IMM）。該算法以交互多模型算法為主體,同時融入EKF算法做濾波處理,使得在目標(biāo)跟蹤過程中,不僅對目標(biāo)的不同運(yùn)動狀態(tài)具有自適應(yīng)能力,同時還能對運(yùn)動狀態(tài)中可能的非線性問題做更好的處理,提高算法的魯棒性。仿真實(shí)驗(yàn)表明,EKF-IMM算法能很好得適應(yīng)多變的目標(biāo)運(yùn)動,與標(biāo)準(zhǔn)KF-IMM算法相比,該算法降低了噪聲對傳感器的干擾,提高了定位精度。
【文章來源】：機(jī)械設(shè)計(jì)與制造. 2020年02期 北大核心
【文章頁數(shù)】：4 頁
【圖文】：
EKF-IMM算法流程圖
根據(jù)問題的描述，建立三個采樣模型：非機(jī)動模型、機(jī)動模型1、機(jī)動模型2。分別對應(yīng)三種運(yùn)動：勻速運(yùn)動、慢加速度運(yùn)動、快加速度運(yùn)動。假定非機(jī)動模型噪聲為0，機(jī)動模型1的噪聲為Q=0.01I，機(jī)動模型2的噪聲為Q=0.07I�？刂颇Ｐ娃D(zhuǎn)換的馬爾可夫鏈P=[0.95 0.025 0.025;0.025 0.95 0.025;0.025 0.025 0.95]，觀測矩陣，初始模型概率u=[0.8,0.1,0.1]。在機(jī)動情況下，EKF-IMM算法與KF-IMM算法對被測目標(biāo)跟蹤的運(yùn)動曲線，如圖2所示。圖中顯示了兩種算法都能以真實(shí)軌跡為中心進(jìn)行波動，模擬了噪聲對目標(biāo)跟蹤的影響，從圖上可以看出，不加入濾波算法的情況下，誤差比較大，跟蹤精度很低，EKF-IMM算法和KF-IMM算法都可以對目標(biāo)進(jìn)行跟蹤，證明了算法不僅在理論上能很好的對目標(biāo)進(jìn)行跟蹤，而且具有實(shí)際的可行性。運(yùn)動曲線的局部放大圖，如圖3所示。對于EKF-IMM算法和KF-IMM以及不加濾波處理進(jìn)行了比較，圖中可看出不加濾波時，跟蹤精度很低。對EKF-IMM算法和KF-IMM算法進(jìn)行對比可知，EKF-IMM算法對于噪聲的濾波作用具有更好的效果。
在機(jī)動情況下，EKF-IMM算法與KF-IMM算法對被測目標(biāo)跟蹤的運(yùn)動曲線，如圖2所示。圖中顯示了兩種算法都能以真實(shí)軌跡為中心進(jìn)行波動，模擬了噪聲對目標(biāo)跟蹤的影響，從圖上可以看出，不加入濾波算法的情況下，誤差比較大，跟蹤精度很低，EKF-IMM算法和KF-IMM算法都可以對目標(biāo)進(jìn)行跟蹤，證明了算法不僅在理論上能很好的對目標(biāo)進(jìn)行跟蹤，而且具有實(shí)際的可行性。運(yùn)動曲線的局部放大圖，如圖3所示。對于EKF-IMM算法和KF-IMM以及不加濾波處理進(jìn)行了比較，圖中可看出不加濾波時，跟蹤精度很低。對EKF-IMM算法和KF-IMM算法進(jìn)行對比可知，EKF-IMM算法對于噪聲的濾波作用具有更好的效果。EKF-IMM算法和KF-IMM算法在橫坐標(biāo)的誤差，如圖4所示。從圖上可以看出，在進(jìn)行轉(zhuǎn)彎運(yùn)動時，誤差均值會有一些波動，但是波動都不是很大，并且當(dāng)運(yùn)動穩(wěn)定后，誤差均值又都會回到零點(diǎn)附近進(jìn)行波動，不會出現(xiàn)發(fā)散的情況。
【參考文獻(xiàn)】：
期刊論文
[1]卡爾曼濾波在機(jī)載監(jiān)視系統(tǒng)中的應(yīng)用研究[J]. 王麗博,商建東. 機(jī)械設(shè)計(jì)與制造. 2011(09)
[2]一種噪聲背景下的雷達(dá)目標(biāo)識別方法[J]. 吳杰,周建江,朱劼昊. 系統(tǒng)工程與電子技術(shù). 2010(07)
[3]基于Kalman濾波的目標(biāo)軌跡預(yù)測[J]. 譚菊. 重慶文理學(xué)院學(xué)報(bào)(自然科學(xué)版). 2009(05)
[4]一種模糊自適應(yīng)交互多模型算法[J]. 申斌,董朝陽,陳宇,王青. 系統(tǒng)仿真學(xué)報(bào). 2005(10)
博士論文
[1]無線傳感器網(wǎng)絡(luò)中定位跟蹤技術(shù)的研究[D]. 匡興紅.上海交通大學(xué) 2008
碩士論文
[1]交互多模型目標(biāo)跟蹤算法的研究[D]. 胡煒.東北大學(xué) 2010
本文編號：2916718
【文章來源】：機(jī)械設(shè)計(jì)與制造. 2020年02期 北大核心
【文章頁數(shù)】：4 頁
【圖文】：
EKF-IMM算法流程圖
根據(jù)問題的描述，建立三個采樣模型：非機(jī)動模型、機(jī)動模型1、機(jī)動模型2。分別對應(yīng)三種運(yùn)動：勻速運(yùn)動、慢加速度運(yùn)動、快加速度運(yùn)動。假定非機(jī)動模型噪聲為0，機(jī)動模型1的噪聲為Q=0.01I，機(jī)動模型2的噪聲為Q=0.07I�？刂颇Ｐ娃D(zhuǎn)換的馬爾可夫鏈P=[0.95 0.025 0.025;0.025 0.95 0.025;0.025 0.025 0.95]，觀測矩陣，初始模型概率u=[0.8,0.1,0.1]。在機(jī)動情況下，EKF-IMM算法與KF-IMM算法對被測目標(biāo)跟蹤的運(yùn)動曲線，如圖2所示。圖中顯示了兩種算法都能以真實(shí)軌跡為中心進(jìn)行波動，模擬了噪聲對目標(biāo)跟蹤的影響，從圖上可以看出，不加入濾波算法的情況下，誤差比較大，跟蹤精度很低，EKF-IMM算法和KF-IMM算法都可以對目標(biāo)進(jìn)行跟蹤，證明了算法不僅在理論上能很好的對目標(biāo)進(jìn)行跟蹤，而且具有實(shí)際的可行性。運(yùn)動曲線的局部放大圖，如圖3所示。對于EKF-IMM算法和KF-IMM以及不加濾波處理進(jìn)行了比較，圖中可看出不加濾波時，跟蹤精度很低。對EKF-IMM算法和KF-IMM算法進(jìn)行對比可知，EKF-IMM算法對于噪聲的濾波作用具有更好的效果。
在機(jī)動情況下，EKF-IMM算法與KF-IMM算法對被測目標(biāo)跟蹤的運(yùn)動曲線，如圖2所示。圖中顯示了兩種算法都能以真實(shí)軌跡為中心進(jìn)行波動，模擬了噪聲對目標(biāo)跟蹤的影響，從圖上可以看出，不加入濾波算法的情況下，誤差比較大，跟蹤精度很低，EKF-IMM算法和KF-IMM算法都可以對目標(biāo)進(jìn)行跟蹤，證明了算法不僅在理論上能很好的對目標(biāo)進(jìn)行跟蹤，而且具有實(shí)際的可行性。運(yùn)動曲線的局部放大圖，如圖3所示。對于EKF-IMM算法和KF-IMM以及不加濾波處理進(jìn)行了比較，圖中可看出不加濾波時，跟蹤精度很低。對EKF-IMM算法和KF-IMM算法進(jìn)行對比可知，EKF-IMM算法對于噪聲的濾波作用具有更好的效果。EKF-IMM算法和KF-IMM算法在橫坐標(biāo)的誤差，如圖4所示。從圖上可以看出，在進(jìn)行轉(zhuǎn)彎運(yùn)動時，誤差均值會有一些波動，但是波動都不是很大，并且當(dāng)運(yùn)動穩(wěn)定后，誤差均值又都會回到零點(diǎn)附近進(jìn)行波動，不會出現(xiàn)發(fā)散的情況。
【參考文獻(xiàn)】：
期刊論文
[1]卡爾曼濾波在機(jī)載監(jiān)視系統(tǒng)中的應(yīng)用研究[J]. 王麗博,商建東. 機(jī)械設(shè)計(jì)與制造. 2011(09)
[2]一種噪聲背景下的雷達(dá)目標(biāo)識別方法[J]. 吳杰,周建江,朱劼昊. 系統(tǒng)工程與電子技術(shù). 2010(07)
[3]基于Kalman濾波的目標(biāo)軌跡預(yù)測[J]. 譚菊. 重慶文理學(xué)院學(xué)報(bào)(自然科學(xué)版). 2009(05)
[4]一種模糊自適應(yīng)交互多模型算法[J]. 申斌,董朝陽,陳宇,王青. 系統(tǒng)仿真學(xué)報(bào). 2005(10)
博士論文
[1]無線傳感器網(wǎng)絡(luò)中定位跟蹤技術(shù)的研究[D]. 匡興紅.上海交通大學(xué) 2008
碩士論文
[1]交互多模型目標(biāo)跟蹤算法的研究[D]. 胡煒.東北大學(xué) 2010
本文編號：2916718
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/dianzigongchenglunwen/2916718.html
最近更新
教材專著
