基于雙馬爾可夫鏈的SMC-CBMeMBer濾波
摘要：大部分多目標跟蹤濾波器都是假設目標及其量測符合隱式馬爾可夫鏈(hidden Markov chain,HMC)模型,而HMC模型隱含的獨立性假定在很多實際應用中是無效的,雙馬爾可夫鏈(pairwise Markov chain,PMC)模型相對于H MC模型更具有普適性。已有的基于PMC模型的勢均衡多目標多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)濾波的高斯混合實現僅適用于線性高斯系統,針對基于PMC模型的非線性多目標跟蹤系統,將每一條假設航跡的伯努利隨機有限集用一組加權粒子來近似,提出了基于PMC模型的勢均衡多目標多伯努利濾波的序貫蒙特卡羅(sequential Monte Carlo,SMC)方法實現(SMC-PMC-CBMeMBer)濾波。仿真實驗結果驗證了SMC-PMC-CBMeMBer算法的有效性,在基于PMC模型的非線性多目標跟蹤系統中,SMC-PMC-CBMeMBer算法性能優于基于HMC模型的SMC-CBMeMBer濾波器和基于PMC模型的SMC-PHD濾波器。
注: 保護知識產權,如需閱讀全文請聯系系統工程與電子技術雜志社
相關推薦
更多
