基于多伯努利濾波的厚尾噪聲條件下多擴展目標跟蹤

陳 輝 張星星

多擴展目標跟蹤(Multiple extended target tracking,METT)[1-4]是利用高分辨率傳感器獲取的目標多源量測信息聯合估計多目標個數和多目標狀態(運動參數和形狀).METT 將多目標跟蹤問題推廣到擴展目標層面.除了噪聲、漏檢和雜波等不確定因素之外,運動目標形狀隨機不規則展現,目標量測源在目標表面隨機可變,而擴展目標對應量測的非唯一性又加劇了目標與量測之間的模糊關系,這就使得METT 問題的求解難度大大增加.

以有限集統計(Finite set statistics,FISST)理論[5-6]為基礎的多目標濾波器在近些年引起了國內外學者的高度關注.該方法以集值估計的角度進行了多目標跟蹤濾波問題的統一建模,并涌現出很多優秀的研究成果[7-11].其中包括以概率假設密度濾波器(Probability hypothesis density,PHD)為代表的一系列矩遞推濾波器[7-8]和以勢均衡多目標多伯努利濾波器(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)為代表的一系列多伯努利濾波器[9-11].兩者相較而言,由于CBMeMBer 直接遞推多伯努利有限集參數,最終直接近似了多目標有限集的后驗概率分布,因此其濾波過程更加高效,濾波結果更加可靠.在此基礎上,一些學者通過引入多量測似然函數模型將多目標跟蹤問題推廣到了擴展目標領域,提出了擴展CBMeMBer (Extended CBMeMBer,ECBMeMBer)濾波器[12-14].ECBMeMBer 濾波器不僅解決了目標數的過估計問題,還得益于擴展目標的多個量測源的信息融合提升了點目標CBMeMBer 濾波器的估計精度.序貫蒙特卡羅(Sequential Monte Carlo,SMC)方法仍然是ECBMeMBer 濾波器實現的有效方法,但它存在計算復雜度高的缺陷.相對于SMC 實現,基于線性高斯假設的高斯混合(Gaussian mixture,GM)實現具有計算成本低的優點.另外,非線性擴展[15]使GM-ECBMeMBer 濾波器具有處理非線性系統的能力.GM-ECBMeMBer 濾波器已經應用在多擴展目標跟蹤[16-17]中.

值得注意的是,最優濾波器大多基于高斯分布前提進行推導,即用高斯噪聲來表征其模型的統計不確定性.但在多擴展目標跟蹤的實際工程應用中,為了保持最優濾波系統的有效性,需要比較精確的表征傳感數據的統計特性.而可靠性較差的傳感器很容易誘導出異常量測值,導致離均值較遠處的量測噪聲的不確定性增大,呈現 “厚尾特性”,例如視覺系統、全球定位系統(Global position system,GPS)設備和聲納傳感器經常提供包含“位于某個整體分布模式之外”的異常量測數據.異常值可能來自傳感器異常噪聲、暫時性的傳感器故障或環境中的意外(電磁)干擾.此外,目標未知運動(異常機動)所表現出的模型不確定性也會誘導產生厚尾的過程噪聲.因此,過程和量測模型往往同時伴隨著不可避免的厚尾噪聲,這更貼近于工程實際,因而以高斯分布為前提假設的多擴展目標濾波性能將會嚴重下降,加劇METT 濾波問題處理的難度.現有的一些方法可以在一定程度上處理厚尾噪聲,如膨脹法[18]通過膨脹量測噪聲的協方差來減弱厚尾噪聲干擾,自適應方法[19]利用變分貝葉斯(Variational Bayesian,VB)近似方法來聯合估計多目標量測噪聲協方差,能夠解決實際的厚尾量測噪聲與假定的高斯量測噪聲之間的不匹配問題.多模型(Multiplemodel,MM)方法[20]利用多個模型在不同階段動態匹配目標狀態,處理實際的厚尾過程噪聲與高斯假設過程噪聲之間的不匹配問題.然而,膨脹法和自適應法不能處理厚尾過程噪聲,而MM 方法不適用于解決厚尾量測噪聲問題.文獻[21-22]提出在高斯假設下通過重加權方法同時處理厚尾過程噪聲和量測噪聲,但高斯假設使得該方法處理厚尾非高斯噪聲的能力受到限制.近幾年的一些研究集中于應對這一困難,如文獻[23]針對線性系統提出了一種基于學生t 分布的濾波方法,該方法借助學生t 分布很好地對過程異常值和量測異常值建模,最終通過學生t 分布來近似系統的后驗概率密度函數.此外,一些學者研究了非線性系統的學生t 濾波器[24-25]以及一些相應的數值求解方法[26-27].雖然基于學生t分布的學生t 濾波器的性能可能會因自由度參數的選擇不當而降低,但相比于基于高斯近似的濾波器,在處理厚尾非高斯噪聲方面仍然顯示出巨大的優越性.

多擴展目標跟蹤中對于目標形狀的有效估計是目前METT 求解的關鍵核心和難點[28].隨機矩陣模型(Random matrix model,RMM)[29-31]是一類比較經典的擴展目標形狀建模方法,它采用橢圓描述物體形狀,并使用高斯逆Wishart 分布對擴展目標狀態進行建模,能夠得到目標的基本輪廓和方向信息.此外,隨機超曲面模型(Random hypersurface model,RHM)[32-33]可直接建模擴展目標的不規則輪廓,該方法相較于RMM 對目標輪廓的辨識度更高,其假定每個測量源都位于目標輪廓邊界的縮放版本中,通過借助徑向函數描述目標隨時間演變的不規則輪廓,再利用傅里葉級數將其展開,取有限階系數近似表示星凸形擴展目標的形狀邊界.近幾年,已有一些學者陸續提出結合基于隨機有限集(Random finite set,RFS)的多目標濾波器解決具有不規則形狀的多擴展目標跟蹤問題[34-35].但是,擴展目標的多個量測源信息依然會同時存在厚尾噪聲的影響,而且擴展目標的異常運動使得過程噪聲中包含異常值,以上這些厚尾噪聲特性顯然會很大程度聯合影響擴展目標形狀和運動狀態估計的準確性.已經有學者研究了厚尾噪聲條件下單擴展目標跟蹤問題[36],而且僅僅解決量測噪聲為厚尾噪聲時的單擴展目標跟蹤問題.截至目前,國內外尚缺乏對于受厚尾噪聲影響下帶形狀估計的多擴展目標跟蹤問題研究的相關報道.所以,在厚尾噪聲分布條件下,研究基于擴展目標多源量測信息穩健估計多擴展目標運動狀態和不規則形狀輪廓的濾波算法具有非常重要的現實意義.

鑒于此,本文的主要創新和貢獻點是,針對復雜不確定性環境下受厚尾噪聲影響的多擴展目標跟蹤問題,研究提出相應的多擴展目標多伯努利濾波算法.首先,利用學生t 分布對帶厚尾過程噪聲和量測噪聲的系統建模,利用學生t 混合(Student＇s t mixture,STM) 表征多伯努利密度,提出厚尾噪聲條件下學生t 混合多擴展目標多伯努利濾波(Student＇s t mixture multiple extended target multi-Bernoulli filter,STM-MET-CBMeMBer)算法.進一步地,利用RHM 對擴展目標不規則星凸形輪廓進行建模,研究利用魯棒學生t 容積濾波求解RHM 的高度非線性問題,并進一步推導提出非線性魯棒學生t 混合多擴展目標多伯努利濾波(Nonlinear robust STM-MET-CBMeMBer based on the robust student＇s t cubature filtering,STMRStCF-MET-CBMeMBer)算法.最后,通過構造具有不規則形狀的多擴展目標和多群目標的跟蹤實驗,驗證了本文算法的有效性.

1 系統建模

通常,利用RFS 可以將多目標狀態和多目標量測分別建模為

式中,F(X)和F(Z)XZ分別表示多目標 與 上所有的有限子集組成的集合.考慮到目標的存活、新生和消亡(不考慮目標衍生),多目標動態系統建模為

其中,xkRn表示k時刻的系統狀態向量,n為系統狀態維度,fk-1(·)為非線性系統轉移函數,νk-1為系統的過程噪聲.考慮到傳感器檢測的不確定性和雜波的影響,多目標觀測模型可以建模為

其中,Θk+1(xk+1) 表示k+1 時刻傳感器以檢測概率pD,k檢測到的由目標狀態xk+1產生的量測數據構成的集合,κk+1表示k+1 時刻跟蹤環境中的雜波量測集合.k時刻的任一目標狀態xk Xk,對應傳感器檢測得到的量測zk Zk,其在非線性離散隨機系統中的量測方程建模為

其中,zkRm表示k時刻的量測向量,m為量測維度,hk(·)為非線性系統觀測函數,εk為系統的量測噪聲.根據圖1 可知,相較于高斯分布而言,學生t 分布具有厚尾優勢,對異常值有良好的魯棒性和包容度,由此學生t 分布適用于對厚尾噪聲建模

圖1 高斯分布和學生t 分布示意圖Fig.1 Gaussian distribution and student＇s t distribution diagram

其中,St(x;μ,Σ,v)表示學生t 分布,μ為均值,v為自由度參數,Σ 為尺度矩陣,它與協方差矩陣間的關系滿足 Σ((v-2)/v)E[(x-μ)(x-μ)T].系統的初始狀態向量x0建模為學生t 分布

其中,假設向量x0,νk,εk互不相關.學生t 分布和高斯分布比較圖如圖1 所示.

在上述建模的基礎上,首先,在線性系統中研究厚尾噪聲條件下的多擴展目標跟蹤問題;然后,基于RHM 針對擴展目標不規則形狀進行建模;最終,研究厚尾噪聲條件下星凸形多擴展目標跟蹤算法.

2 學生t 混合多擴展目標多伯努利濾波器

2.1 學生t 混合多擴展CBMeMBer 濾波器

ECBMeMBer 算法將CBMeMBer 算法推廣到擴展目標跟蹤領域,文獻[13]借助概率生成泛函對ECBMeMBer 算法進行了詳細的推導,并在系統狀態方程和量測方程均滿足線性高斯的前提條件下給出了GM 實現的步驟.然而,一旦系統中出現異常噪聲,使得噪聲特性已經不能用高斯特性去近似時,傳統的GM-ECBMeMBer 的濾波性能明顯下降.以下本文將研究引入學生t 混合(STM)模型來近似多伯努利RFS 的后驗概率密度函數,建立更新學生t 混合分量參數的ECBMeMBer 的閉式遞推框架,推導出一種學生t 混合多擴展目標CBMeMBer(STM-MET-CBMeMBer)濾波算法.

2.1.1 STM-MET-CBMeMBer 的預測步

考慮到系統可能受到異常噪聲影響,將過程噪聲和量測噪聲均建模為多元學生t 分布,假設系統是線性的,則目標運動方程和量測方程通過簡單推導分別可表示為

根據文獻[13],ECBMeMBer 的預測步為

同時與文獻[9]相同,假設系統中的存活概率、檢測概率與系統狀態相互獨立

以上假設保持了濾波器遞推過程中多伯努利密度對于學生t 混合近似的封閉性.將式(10),(12)和(17)代入式(16),得

根據Chapman-Kolmogorov 方程和Roth 等的學生t 隨機變量的仿射變換,得到引理1.

引理 1.若P和Q均為正定矩陣,則有

結合引理1,可將式(18)的預測概率密度表示為

將式(17)代入式(15),得到預測的目標存活概率為

由此可見,STM-MET-CBMeMBer 的預測步為該時刻新生目標的多伯努利RFS 與存活目標的多伯努利RFS 的疊加,最終的預測航跡數為Mk|k-1Mk-1+MΓ,k.

2.1.2 STM-MET-CBMeMBer 的更新步

則k時刻更新的多目標密度由漏檢部分和量測更新部分疊加構成

將式(17)代入式(29),推導可得

各個學生t 混合分量的權值為

為了求解式(32)中兩個學生t 分布乘積的形式,根據文獻[25]引入引理2.

引理 2.若P和R均為正定矩陣,則有

其中,dz表示系統的量測維度.根據引理2,進一步將式(32)表示為

其中,各個參數分別為

上述為帶厚尾噪聲的線性系統中,對ECBMeMBer 進行學生t 混合實現再利用學生t 濾波算法進行求解的完整過程.然而,本文的重要目的之一是研究在異常噪聲影響下結合多源量測信息對擴展目標的不規則形狀進行估計.由此,需要利用合適的擴展目標形狀建模方法進一步深入研究厚尾噪聲條件下星凸形多擴展目標跟蹤問題.

2.2 學生 t 混合星凸形多擴展目標多伯努利濾波器

2.2.1 隨機超曲面模型

Baum 提出的隨機超曲面(RHM)模型可對任意星凸形擴展目標的多源量測進行建模.該模型假設每個量測源是目標形狀邊界隨機縮放之后產生的隨機超曲面上的一個元素,因此RHM 是一種量測集為超曲面的隨機集模型.本文研究的對象為星凸形擴展目標,這種擴展目標可以表示為中心點為mk的星凸集合S(pk),其中pk為形狀參數向量.如果(pk) 表示形狀S(pk) 的邊界,尺度因子sk為一維隨機變量,且sk[0,1],那么量測源為

則星凸形擴展目標S(pk)的徑向函數r(pk,?) 可參數化表示為

其中,?[0,2π],r(pk,?) 為目標質心與輪廓之間的距離關于角度?的函數,η(?)[cos(?),sin(?)]T為單位向量.

由此,徑向函數r(pk,?) 的有限階傅里葉級數展開為

其中,NF為有限階傅里葉級數階數.由此形狀參數向量為

即徑向函數可以表示為

進而,RHM 星凸形擴展目標的任一量測源可以建模為yk,lsk,l·R(?k,l)·pk·η(?k,l)+mk.由于量測模型由傳感器噪聲模型與量測源模型共同構成,即yk,l+εk,l,進而基于RHM 的星凸形ET 的量測方程為

利用式(56)可以有效描述星凸形RHM 的量測模型,這為多擴展目標的形狀估計奠定了基礎.

2.2.2 非線性魯棒容積學生t 混合星凸形多擴展目標多伯努利濾波器

利用數值積分方法求解學生t 權值積分的思想為

結合三階球面徑向容積采樣規則可得

其中,g(·)表示任意的非線性函數,nx為系統狀態維數,St(x;μ,Σ,v)表示學生t 分布,其中μ為均值,v為自由度參數,Σ 為尺度矩陣.根據上述思想,具體步驟如下.

步驟1.基于標準學生t 分布密度積分準則確定容積采樣點ξj及其權值ωj

其中,ej為該完全對稱點集中的第j個點,容積點總數為 2nx.

步驟3.經過RHM 偽量測方程(56)傳遞后的容積點為

步驟4.由經過偽量測方程傳遞后的容積點確定量測的預測均值、協方差

步驟5.根據k時刻的量測值以及式(62)和式(64)確定系統的量測似然函數為

步驟6.根據式(42)～ (47),結合文獻[25]中的非線性魯棒學生t 容積濾波器和RHM 偽量測更新系統的均值、協方差和自由度參數

在上述濾波算法中,由式(42)可以看出,隨著濾波遞推自由度參數越來越大,最終使得系統的厚尾特性喪失,學生t 混合實現形式轉變為高斯混合實現,從而導致本算法喪失了對厚尾噪聲的魯棒性.為了保持算法對厚尾特性的魯棒性,采用二階矩匹配的方法[24],對式(42)～ (44)和式(66)～ (68)進行修正,即

2.2.3 剪枝與合并

更新步之后,多擴展目標估計用多伯努利RFS來表示.此時,為了限制后驗分布的學生t 混合分量的數目隨著時間增加而不斷增長,需要引入剪枝合并的方法.具體地說,剪枝合并方法是通過刪除權重較小的學生t 分量及合并在一定距離內的學生t 分量從而達到減小計算負擔的目的.剪枝合并部分算法的具體偽碼如算法1 所示.

算法1.剪枝合并部分偽碼

3 STM-RStCF-MET-CBMeMBer 算法實現偽碼

為了更具體詳細地說明本算法的濾波過程,本節給出該算法濾波部分的詳細偽碼,如算法2 所示.

算法2.本文算法濾波部分偽碼

2)新生:

2)量測更新部分:

4 多擴展目標不規則形狀評價性能指標

針對多擴展目標跟蹤濾波結果的評價,需要綜合考慮目標形狀和目標運動狀態的估計效果.本文引入擬Jaccard (Quasi-Jaccard)距離和最優次模式分配(Optimal sub-patten assignment,OSPA)距離來分別評價擴展目標不規則形狀的估計性能和質心位置的估計性能,從而對濾波算法的性能形成較為全面的評價.

1)擬Jaccard 距離: 主要用于定量評價濾波算法對擴展目標不規則形狀估計的精確程度.通過建立真實目標與估計目標之間的關聯矩陣[35],將目標的真實質心位置和濾波得到的估計質心位置重合,找到真實目標形狀與估計目標形狀之間的相似程度.k時刻擴展目標的真實輪廓與估計輪廓間的擬Jaccard 距離定義為[35]

其中,d(c)(x,y)min(c,‖x,yπ(i)‖),距離階次表示為p(1,∞),Πk表示集合{1,2,···,k}的全排列.c為截斷系數,一般取正數用于調整集合元素個數誤差產生的影響.

5 仿真實驗

仿真厚尾噪聲場景對不同的多擴展目標濾波算法進行比較,以驗證本文算法的有效性,選擇的依據為: 1)文獻[35]是最新提出的星凸形多擴展目標多伯努利濾波器,與該算法的對比有利于客觀反映厚尾噪聲條件下的星凸形多擴展目標跟蹤濾波器的性能;2)驗證針對RHM 高度非線性問題,不同的非線性星凸形多擴展目標多伯努利濾波器的適應性.鑒于此,實驗中選擇的濾波器為: 1)基于容積卡爾曼濾波器的星凸形高斯混合多擴展目標多伯努利濾波算法(GM-CKF-ECBMeMBer);2)基于容積卡爾曼濾波器的星凸形學生t 混合多擴展目標多伯努利濾波算法(STM-CKF-MET-CBMeMBer);3)本文所提的非線性魯棒學生t 混合星凸形多擴展目標多伯努利濾波算法(STM-RStCF-MET-CBMeMBer).通過比較以上三種算法在厚尾噪聲條件下,對多擴展目標的不規則形狀和運動狀態、目標數(勢)以及目標質心位置等估計精度,驗證本文所提算法的有效性.

仿真場景設置為在帶有雜波的觀測區域[-500,500]m×[-500,500] m內存在3 個運動的不規則形狀擴展目標.值得一提的是,為突出RHM 目標不規則輪廓細節估計的準確性,已有文獻選擇星凸形中的典型代表“十字形”作為擴展目標形狀[32,34],“十字形”是典型的星凸形,具備了星凸形更多方向上的凹凸特征,而且基于一定數量量測就能利用RHM去刻畫相對復雜的不規則形狀,滿足RHM 對于星凸形不規則形狀的跟蹤要求.文獻[35]中出現了更為復雜的“五角星形”作為擴展目標輪廓,此時針對星凸形RHM 不規則形狀估計的濾波算法提出了更高的要求.綜上,本文選擇“十字形”和“五角星形”作為跟蹤目標的典型形狀.設置目標的運動模型均為CV (Chan-Vese)模型,總檢測時長為 50 s,采樣間隔為T1 s.其中系統雜波在觀測區域內均勻分布且個數根據均值為5 的泊松分布隨機生成,假設每個目標的運動狀態互不影響,系統中的噪聲均為厚尾噪聲,服從學生t 分布.自由度參數設置為v1v2v33,厚尾過程噪聲和厚尾量測噪聲分別構造如下:

其中,w.p.表示以一定的概率屬于相應的分布,Rkσ2I2,I表示單位矩陣;σ0.1,95% 的νk和εk來自于協方差為和Rk的高斯噪聲,5%的過程噪聲和量測噪聲來自于協方差嚴重增加(100 倍)的高斯分布.每個目標的運動模型為

其中,i1,2,···,nx,狀態轉移矩陣和過程噪聲協方差分別為

其中,?表示克羅克內積,0.01 m/s2表示過程噪聲標準差.傳感器的檢測概率pD0.99,目標的存活概率pS0.99.其他參數有: 擴展目標航跡存在概率的閾值Tr10-3,學生t 分量的截斷閾值Tw10-4.學生t 分量的最大個數設置為Jmax100,學生t 分量的合并閾值為U4,伯努利過程的閾值rm0.5.OSPA 距離需要的參數設置為c1.5,p1,擬Jaccard 距離中目標輪廓點的采樣個數為n20.

5.1 厚尾分布條件下的星凸形多擴展目標跟蹤

本部分利用在設定場景中選擇的3 種算法對不同形狀的擴展目標進行濾波,通過對比3 種算法濾波后的目標勢、質心位置和形狀估計的精確度驗證本文所提算法的有效性.根據構建的仿真場景,多擴展目標參數如表1 所示.

表1 多擴展目標的初始參數Table 1 Initial parameters of multiple extended target

圖2 是單次蒙特卡羅實驗中所選用的3 種不同算法對不同形狀擴展目標的跟蹤軌跡圖.觀察可得,在厚尾噪聲條件下這3 種算法都能較為準確地對多個運動的目標進行跟蹤.為了能更明確地觀察3 種濾波算法的準確性,本文給出了如圖3 所示的目標新生時刻和消亡時刻的各種濾波算法對目標的形狀估計的局部放大圖.其中,圖3(a),3(c),3(e)分別為3 個目標新生時刻各種濾波算法的形狀估計局部放大圖(橫軸和縱軸坐標單位都為m),可以看出,由于初始時刻目標形狀的先驗信息未知,3 種濾波算法對目標的形狀估計都不精確.而圖3(b),3(d),3(f)分別表示3 個目標消亡時刻各種濾波算法的形狀估計局部放大圖.經過多次濾波后,通過最優濾波的有效工作,在濾波的最終階段,3 種濾波算法都對星凸形的目標輪廓進行了一定程度的估計.但可以看出,由于受到厚尾噪聲的影響,GM-CKFECBMeMBer 濾波不如學生t 混合實現精確,在應對高度非線性的RHM 偽量測方程上,本文提出的算法有更好的魯棒性.所以直觀上看,本文所提算法相較于其他兩種算法而言對擴展目標形狀,尤其是形狀的局部輪廓特征的估計精度更高.

圖2 多擴展目標的跟蹤效果圖Fig.2 The tracking result of multiple extended target

圖3 形狀估計局部放大效果圖Fig.3 The partial enlarged effect for shape estimation

圖4和圖5 分別為經過100 次獨立的蒙特卡羅仿真后得到的3 種濾波算法對多擴展目標的勢估計和質心估計OSPA 距離的統計值.觀察圖4 可得,在厚尾噪聲條件下3 種濾波算法對目標的勢估計都是準確無偏的,這與ECBMeMBer 濾波算法對目標數目估計的無偏性保持一致.對比圖5 中的質心估計OSPA 曲線可得,本文所提算法的OSPA 距離總體相對最小.由此表明,在厚尾噪聲條件下本文所提算法對多擴展目標的實時位置的估計更為準確.

圖4 多擴展目標的勢估計圖Fig.4 Cardinality estimation of multiple extended target

圖5 多擴展目標質心位置估計的OSPAFig.5 OSPA statistics of the centroid position estimation of multiple extended target

圖6 為3 種不同濾波算法對多擴展目標形狀估計的擬Jaccard 距離(目標形狀估計效果),由于擬Jaccard 距離可以定量分析不規則形狀的估計精度,所以明顯看出本文算法對目標輪廓細節的估計效果是最優的.根據圖中形狀估計評價可以看出,GMCKF-ECBMeMBer 的擬Jaccard 距離最大,這就說明GM 實現方法對厚尾噪聲的情況確實缺乏魯棒性.在t=1 s,t=15 s,t=25 s 時由于新生目標的出現會使形狀估計的結果出現波動,進而導致擬Jaccard 距離發生劇增,但隨著濾波次數的遞增會逐漸再次趨于穩定.圖6 表明,無論目標如何隨機變化,本文算法的擬Jaccard 距離評價都要優于其他算法.由此,本文濾波算法對多擴展目標形狀估計的穩定性和有效性得到驗證.

圖6 多擴展目標形狀估計的擬Jaccard 距離Fig.6 Quasi-Jaccard distance of the shape estimation of multiple extended target

5.2 厚尾分布條件下的多群目標跟蹤

群目標是由相似運動屬性的一群點目標所構成,本文仍然利用提出的方法驗證其對多個群目標跟蹤的效果,以下構造群目標跟蹤的實驗仿真場景.構造3 個星凸形群目標,其中每個星凸形群目標由20 個運動狀態相同的子目標構成,其形狀分別構造為星凸形和矩形.同樣在式(76)和式(77)構造的厚尾噪聲條件下利用3 種濾波算法對多群目標的目標數、目標運動狀態以及目標形狀輪廓進行估計,從而驗證本文所提算法對多群目標跟蹤的有效性.

圖7 是經過單次蒙特卡羅仿真實驗得到的利用3 種不同算法對不同形狀的星凸形群目標的跟蹤軌跡圖,觀察可得在厚尾噪聲條件下這3 種算法都能較為準確地對多個運動的群目標進行跟蹤.為了能更明確地觀察3 種算法的跟蹤準確性,本文給出了如圖8 所示的目標新生時刻和消亡時刻的各個濾波算法對各個群目標的形狀估計的局部放大圖.其中,圖8(a),8(c),8(e)分別為3 個群目標新生時刻濾波算法的形狀估計局部放大圖.在縱軸和橫軸都以m 為單位的二維坐標平面中觀察不同算法估計的目標輪廓與目標真實輪廓的距離.可以看出,由于初始時刻目標形狀的先驗信息未知,在濾波的初始時刻3 種濾波算法對群目標的形狀估計都不精確.圖8(b),8(d),8(f)分別表示3 個目標消亡時刻濾波算法的形狀估計局部放大圖.隨著濾波次數的增加,量測信息累積而且濾波器的最優估計發揮了作用,在濾波的最終階段,3 種濾波算法都對星凸形目標輪廓進行了一定程度上的估計.但還是可以看出,在厚尾噪聲條件下本文提出的算法相較于其他兩種算法而言對群目標輪廓特征的估計精度更高.由此驗證了該算法對多群目標跟蹤的有效性.

圖7 多群目標的跟蹤效果圖Fig.7 The tracking result of multiple group target

圖8 多群目標跟蹤形狀估計局部放大效果圖Fig.8 The partial enlarged effect for shape estimation of multiple group target tracking

圖9和圖10 分別是獨立的100 次蒙特卡羅仿真實驗下得到的3 種濾波算法對多擴展目標的勢估計圖和質心估計OSPA 距離的統計值.觀察圖9 可得,在厚尾噪聲條件下,3 種濾波算法對多群目標的勢估計都具有無偏性.對比圖10 中的質心估計OSPA距離曲線可得,本文算法的OSPA 距離最小,再次驗證了提出算法對于多群目標整體運動狀態估計最為準確有效.

圖9 多群目標跟蹤的勢估計Fig.9 Cardinality estimation statistics of multiple group target

圖10 多群目標質心位置估計的OSPAFig.10 OSPA statistics of the position estimation of multiple group target

圖11 為3 種算法對多群目標形狀估計的擬Jaccard 距離,圖中顯示3 種方法都能在一定程度上估計各個群目標的局部輪廓特征.根據曲線位置可以明顯看出,本文算法對多個群目標的不規則形狀估計更加精確.在t=1 s,t=15 s,t=25 s時由于新生群目標的出現會使得擬Jaccard 距離發生劇增,但隨著濾波次數的遞增會逐漸再次趨于穩定.而無論目標如何隨機變化,相較于其他方法,本文所提算法都能更加準確穩定地跟蹤各個群目標的外形輪廓,這對于編隊作戰的目標群的跟蹤和識別,具有非常重要的現實意義.

圖11 多群目標形狀估計的擬Jaccard 距離Fig.11 Quasi-Jaccard distance of the shape estimation of multiple group target

6 結束語

本文的主要創新點在于研究了復雜不確定性環境下受厚尾噪聲影響的星凸形多擴展目標跟蹤問題,提出了厚尾噪聲條件下學生t 混合多擴展目標多伯努利濾波算法,在此基礎上進一步提出非線性魯棒學生t 混合星凸形多擴展目標多伯努利濾波算法.最終,針對具有不規則形狀的多擴展(群)目標跟蹤仿真實驗驗證了所提方法的有效性.在今后的研究中,為了使濾波器更適應不確定性環境,可進一步研究檢測概率不滿足恒定假設的厚尾噪聲下的多擴展目標濾波器.