当前位置：问答库＞论文摘要

多机动目标跟踪是指将传感器接收到的数据分解为对应于各种不确定运动信息源所产生的不同观测集合上，通过对目标运动的建模，实现对多个目标运动状态的估计过程。鉴于目标运动的机动性越来越强以及跟踪环境的日益复杂，如何提高跟踪算法的精度以及稳定性成为多机动目标跟踪中的重要问题。本文以随机跳变系统估计理论为基础，发展了不同跟踪环境下的多机动目标跟踪算法。主要内容包括：(1).针对多传感器机动目标跟踪系统，提出了两种多模型分布式融合方法。为解决多模型分布式融合中的全局模型缺失问题，第一种方法利用最佳拟合高斯逼近准则构造了与随机跳变系统等价的单模型，使得传统的多传感器分布式融合公式可以直接应用；第二种方法对不同传感器同一模型的估计结果进行融合，设计了一种无需全局模型的多模型分布式融合方案。利用上述方法研究了杂波环境中多传感器机动目标跟踪问题，考虑到Kalman滤波对干扰噪声统计性质的限制，发展了基于$H_infty$滤波与概率数据关联技术的分布式融合公式，并且结合一致性理论，提出了非全连接网络中的多模型分布式融合方法。(2).针对使用随机有限集理论的多机动目标跟踪系统，设计了一类可与交互式多模型估计器性能比肩的高斯混合概率假设密度滤波和平滑算法，同时结合$H_infty$性能指标，提出了两种非线性概率假设密度滤波算法。为了克服交互式思想不能引入到概率假设密度滤波器中的困难，使用最佳拟合高斯逼近准则构造了与随机跳变系统等价的单模型，把多模型估计问题转化为单模型估计问题，不仅提高了无交互式概率假设密度滤波算法的精度，而且减轻了计算负担。此外，通过把$H_infty$性能指标与扩展Kalman滤波和无味Kalman滤波相结合，发展了两种对外界干扰噪声具有鲁棒性能的非线性概率假设密度滤波实现方法。(3).针对机动目标跟踪中干扰噪声统计特性未知的情形，研究了一类非线性随机跳变系统的风险灵敏性滤波和平滑问题。利用参考概率方法引入新的概率测度，通过在此概率测度下定义新的信息状态，推导出信息状态的递推公式，这样，把风险灵敏性滤波和平滑问题转化为信息状态的实现问题。接着，基于交互式多模型思想，结合无味变换和数值积分准则分别给出了上述递推公式的闭形式解，提高了滤波器的稳定性。此外，通过在粒子权重更新中引入风险灵敏性函数，提出一种风险灵敏性多模型粒子滤波算法，可以较好地解决传统多模型粒子滤波中的贫化问题，保持粒子的多样性。(4).研究了基于随机跳变系统的机动目标跟踪算法在GPS导航以及地面车辆定位中的应用。首先，利用发展的无味$H_infty$滤波算法，解决了GPS导航中的非线性伪距测量以及测量噪声统计特性未知的问题，并与交互式多模型方法结合以适应被导航目标的机动性；其次，通过把车辆转向角建模为两个不同的函数分别描述运动轨迹的直线运动和转弯运动，建立了两状态的随机跳变系统运动模型，并设计了风险灵敏性滤波算法。针对这两种应用问题，借助于Matlab软件分别给出了仿真验证。结果显示，所提出的算法不仅可以提高机动目标的跟踪精度，而且适用于外界干扰未知的跟踪环境。