基于GLMB滤波和Gibbs采样的多扩展目标有限混合建模与跟踪算法

作     者：陈一梅 刘伟峰 孔明鑫 张桂林 CHEN Yi-Mei;LIU Wei-Feng;KONG Ming-Xin;ZHANG Gui-Lin

作者机构：杭州电子科技大学自动化学院系统科学与控制工程研究所杭州310018 中国电子科技集团公司第二十八研究所信息系统工程重点实验室南京210007 

出 版 物：《自动化学报》 (Acta Automatica Sinica)

年 卷 期：2020年第46卷第7期

页      面：1445-1456页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080902[工学-电路与系统] 0809[工学-电子科学与技术（可授工学、理学学位）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61771177,61333011) 江苏省自然科学基金项目(BK20160148) 杭州电子科技大学优秀学位论文培育基金项目(yxlw2018008)资助 

主　　题：多扩展目标 有限混合模型 标签随机有限集 GLMB滤波器 Gibbs采样 BIC准则 

摘      要：本文针对杂波条件下多扩展目标的状态估计,目标个数估计,扩展目标形状估计问题,提出了一种基于标签随机有限集(Labelled random finite sets,L-RFS)框架下多扩展目标跟踪学习算法,该学习算法主要包括两方面:多扩展目标动态建模和多扩展目标的跟踪估计.首先,结合广义标签多伯努利滤波器(Generalized labelled multi-Bernoulli,GLMB)建立了扩展目标的量测有限混合模型(Finite mixture models,FMM),利用Gibbs采样和贝叶斯信息准则(Bayesian information criterion,BIC)准则推导出有限混合模型的参数来对多扩展目标形状进行学习,然后采用等效量测方法来替代扩展目标产生的量测,对扩展目标形状采用椭圆逼近建模,实现扩展目标形状与状态的估计.仿真实验表明本文所给的方法能够有效跟踪多扩展目标,并且在目标个数估计方面优于CBMeMBer算法.此外,与标签多伯努利滤波(LMB)计算比较表明:GLMB和LMB算法滤波估计精度接近,二者精度高于CBMeMBer算法.