模糊推理優(yōu)化的抗遮擋PMBM跟蹤算法

李翠蕓,衡博文,謝金池

(西安電子科技大學(xué) 電子工程學(xué)院,陜西 西安 710071)

1 引 言

目標(biāo)跟蹤技術(shù)是通過傳感器對特定區(qū)域內(nèi)目標(biāo)數(shù)量和位置等關(guān)鍵信息進行估計的技術(shù)。隨著傳感器分辨力的不斷提高,目標(biāo)跟蹤算法逐漸由單一點目標(biāo)跟蹤發(fā)展到了多擴展目標(biāo)跟蹤,在對多個目標(biāo)的運動狀態(tài)進行跟蹤的同時,還能夠估計其擴展形狀,從而具有了更大的實用價值。與聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)、多假設(shè)跟蹤[1-2]等傳統(tǒng)算法相比,基于隨機有限集[3]的目標(biāo)跟蹤算法不需要考慮目標(biāo)和量測之間的數(shù)據(jù)關(guān)聯(lián),在減小計算復(fù)雜度的同時具有更高的跟蹤精度,目前已經(jīng)成為目標(biāo)跟蹤領(lǐng)域的研究熱點[4-5]。其中,泊松多伯努利混合(Poisson Multi-Bernoulli Mixture,PMBM)濾波器[6]使用泊松點過程(Poisson Point Process,PPP)描述未檢測目標(biāo),使用多伯努利混合分布描述已檢測目標(biāo),在目標(biāo)新生、死亡等復(fù)雜場景中也可以實現(xiàn)有效跟蹤,近年來受到了學(xué)者們的廣泛關(guān)注。

目標(biāo)遮擋是多擴展目標(biāo)跟蹤中的常見問題。當(dāng)目標(biāo)之間的距離較近時,目標(biāo)的擴展形狀發(fā)生交疊,便產(chǎn)生了遮擋問題。此外,如果傳感器的掃描區(qū)域內(nèi)存在未知障礙物,也會出現(xiàn)目標(biāo)被部分或全部遮擋的現(xiàn)象。如果多擴展目標(biāo)跟蹤算法不對這些特定場景進行考慮,在跟蹤過程中將面臨目標(biāo)丟失的問題,從而導(dǎo)致對目標(biāo)數(shù)量的估計產(chǎn)生偏差。為了解決目標(biāo)遮擋引起的問題,目前已經(jīng)有多種算法被提出,其中最為常見的是基于檢測的方法。該類方法的核心思想是先通過檢測判斷目標(biāo)是否被遮擋,再對處于遮擋情況的目標(biāo)作進一步處理。文獻(xiàn)[7]提出了一種在遮擋情況下基于歸一化互相關(guān)的魯棒目標(biāo)跟蹤方法,對未被遮擋的目標(biāo)和被遮擋的目標(biāo)進行不同的處理。文獻(xiàn)[8]提出了一種基于置信度的遮擋檢測算法,當(dāng)檢測到目標(biāo)被遮擋且丟失跟蹤中的目標(biāo)時,算法會激活探測器以定位目標(biāo)并繼續(xù)跟蹤。除此以外,另一類解決遮擋問題的算法是基于遮擋概率的方法。LAMARD等將目標(biāo)的寬度作為遮擋條件來估計其遮擋概率,并將遮擋概率集成到勢概率假設(shè)密度(Cardinalized Probability Hypothesis Density,CPHD)濾波器中[9]。文獻(xiàn)[10]提出了一種激光測距儀量測條件下的具有遮擋處理能力的改進標(biāo)簽多伯努利(Labeled Multi-Bernoulli,LMB)濾波器。文獻(xiàn)[11]提出了激光測距儀量測條件下的可變檢測概率,用以解決泊松多伯努利混合濾波器的遮擋問題。在上述提出的算法中,目標(biāo)遮擋概率的計算通常依賴特定種類的傳感器提供的數(shù)據(jù),并不能較好地適用于標(biāo)準(zhǔn)量測。文獻(xiàn)[12]提出了一種使用貝塔分布模擬真實檢測概率的BGGIW-PMBM算法。該算法雖然沒有對遮擋問題進行特殊處理,但在可變檢測概率的基礎(chǔ)上能夠被動地解決遮擋問題。在實際場景中,遮擋概率受到多種因素影響,具有非線性等特點,往往難以直接給出精確模型,而模糊系統(tǒng)可以從宏觀角度充分利用模糊信息知識,形成易于處理的系統(tǒng)模型。因此,模糊系統(tǒng)能較好地解決非線性問題,具有廣闊的應(yīng)用和研究前景[13]。在目標(biāo)跟蹤領(lǐng)域內(nèi),模糊系統(tǒng)被廣泛使用,許多學(xué)者都使用模糊系統(tǒng)對多目標(biāo)跟蹤算法進行了不同的優(yōu)化[14-16]。

針對現(xiàn)有的泊松多伯努利混合算法在遮擋場景中不能穩(wěn)定跟蹤的問題,文中將模糊系統(tǒng)與基于高斯過程(Gaussian Process,GP)建模方法[17]的泊松多伯努利混合濾波器相結(jié)合,提出了一種模糊推理優(yōu)化的抗遮擋高斯過程-泊松多伯努利混合濾波算法(GP-PMBM)。首先,針對擴展目標(biāo)發(fā)生遮擋時的不同場景給出了相應(yīng)的目標(biāo)遮擋模型;其次,通過把可變檢測概率加入狀態(tài)空間的方式將遮擋對目標(biāo)狀態(tài)的影響考慮到算法濾波中;最后,將所構(gòu)建的模糊推理系統(tǒng)與高斯過程-泊松多伯努利混合濾波算法結(jié)合,借助模糊系統(tǒng)的描述能力和泊松多伯努利混合濾波器的良好性能,實現(xiàn)對擴展目標(biāo)的跟蹤。實驗結(jié)果表明,文中所提算法能夠有效解決目標(biāo)的遮擋問題,與現(xiàn)有泊松多伯努利混合濾波算法相比具有更高的精度。

2 目標(biāo)遮擋模型

目標(biāo)遮擋指目標(biāo)在遮擋物的影響下部分或全部不可見。在跟蹤過程中,目標(biāo)發(fā)生遮擋時伴隨著量測率的變化,從而導(dǎo)致濾波器對目標(biāo)數(shù)量的錯誤估計。為了對目標(biāo)遮擋過程進行描述,首先需要建立一個對應(yīng)的目標(biāo)遮擋模型。該模型建立的前提假設(shè)是目標(biāo)的擴展形狀不能被忽略,這與擴展目標(biāo)跟蹤的前提假設(shè)一致。在目標(biāo)跟蹤算法中,濾波器只能獲得來自傳感器的量測。假設(shè)傳感器只產(chǎn)生目標(biāo)所屬類別的邊緣量測,當(dāng)目標(biāo)被障礙物遮擋時,情形如圖1所示。

圖1 目標(biāo)被障礙物遮擋示意圖

從圖1中可以看出,目標(biāo)在遭遇障礙物時,傳感器只能夠獲得目標(biāo)未被遮擋部分的量測,而無法探測到被遮擋部分,顯然此時目標(biāo)的量測率會因為遮擋而下降。考慮將量測變化率作為衡量目標(biāo)遮擋概率的一個因素,在第k時刻,量測變化率可表示為

(1)

其中,mk表示第k時刻算法所預(yù)測的與目標(biāo)匹配的量測數(shù)量,nk表示第k時刻實際與目標(biāo)匹配的量測數(shù)量。

在多擴展目標(biāo)跟蹤場景中,當(dāng)目標(biāo)之間距離過近時,會出現(xiàn)目標(biāo)交叉導(dǎo)致互相遮擋的情況,如圖2所示。

圖2 目標(biāo)間遮擋示意圖

從圖2中可以看出,右側(cè)的目標(biāo)2遮擋了左側(cè)的目標(biāo)1的一部分,在這種情況下傳感器只能獲得目標(biāo)1未被遮擋部分的量測和目標(biāo)2的全部量測。通常情況下,當(dāng)兩個目標(biāo)質(zhì)心距離越小時,越有可能發(fā)生目標(biāo)間遮擋;反之,目標(biāo)質(zhì)心距離越大時,發(fā)生目標(biāo)間遮擋的概率就越小。假設(shè)兩目標(biāo)質(zhì)心之間的距離為d,采用多目標(biāo)最短質(zhì)心距離來衡量目標(biāo)遮擋概率,可表示為

dm=min({di,j}) ,

(2)

(3)

其中,di,j表示目標(biāo)i和目標(biāo)j之間的質(zhì)心距離,dmax表示最大距離。

3 可變檢測概率模型

在隨機集濾波框架中,檢測概率是指監(jiān)視區(qū)域內(nèi)目標(biāo)被傳感器檢測到的概率。通常假設(shè)目標(biāo)的檢測概率pD取決于目標(biāo)狀態(tài),在仿真實驗中用常數(shù)來近似。在此假設(shè)下,泊松多伯努利混合濾波算法沒有充分考慮遮擋對目標(biāo)狀態(tài)的影響,進而產(chǎn)生在目標(biāo)遮擋場景下的相應(yīng)問題。本節(jié)對原有的泊松多伯努利混合目標(biāo)狀態(tài)空間模型加以改進,使目標(biāo)的檢測概率受遮擋影響而變化,進而把目標(biāo)遮擋對目標(biāo)狀態(tài)的影響納入到濾波步驟中,以實現(xiàn)泊松多伯努利混合濾波算法在遮擋場景下的穩(wěn)定跟蹤。

(4)

(5)

顯然,目標(biāo)的檢測概率與遮擋概率具有負(fù)相關(guān)關(guān)系,將兩者的關(guān)系表示為

(6)

由文獻(xiàn)[18]可知,泊松多伯努利混合濾波器在目標(biāo)發(fā)生漏檢時,有如下的目標(biāo)存在概率更新公式:

(7)

(8)

其中,rk|k-1=pSrk-1,表示目標(biāo)上一時刻的存在概率經(jīng)過預(yù)測步驟后的取值。可以看出,當(dāng)一個目標(biāo)被遮擋時,通過降低它的檢測概率可以減緩該目標(biāo)的存在概率的下降速度,避免目標(biāo)因存在概率太低而被濾波器剪枝,從而適當(dāng)延長被遮擋目標(biāo)的生存時間,以實現(xiàn)提升濾波器在遮擋場景下的跟蹤性能的目的。

4 遮擋概率的模糊推理

從上面內(nèi)容可以推測出目標(biāo)遮擋概率與量測變化率和最短質(zhì)心距離有關(guān),但是仍難以構(gòu)造線性模型對其直接計算。為了解決這個問題,可以通過構(gòu)建相應(yīng)的模糊推理系統(tǒng)使得到的可靠推理信息在計算遮擋概率時發(fā)揮作用。要構(gòu)建一個模糊系統(tǒng),首先需要確認(rèn)模糊系統(tǒng)的輸入和輸出,再建立它們的隸屬度函數(shù),最后建立模糊規(guī)則。顯然,將量測變化率和最短質(zhì)心距離作為兩個輸入變量較為合適。一般來說,模糊集的數(shù)量越多,輸出的精度越高,同時計算量就越大。對于量測變換率,其取值范圍為[0,1],選擇4個語言模糊集{VS,S,M,B}分別表示{非常小,小,中,大},以此來描述目標(biāo)量測率的不同變化程度。其中,模糊集VS和模糊集B的隸屬度函數(shù)采用梯形函數(shù),模糊集S和模糊集M的隸屬度函數(shù)采用三角形函數(shù)。對于最短質(zhì)心距離,其取值范圍為[0,10]m,選擇與量測變化率相同的4個語言模糊集{VS,S,M,B}對應(yīng)表示{非常小,小,中,大},以此來描述最短質(zhì)心距離的大小。與量測變化率不同,其相關(guān)的隸屬度函數(shù)主要采用三角形函數(shù)。兩個輸入變量的隸屬度函數(shù)分別如圖3、圖4所示。

圖3 量測變化率的隸屬度函數(shù)

圖4 最短質(zhì)心距離的隸屬度函數(shù)

首先,將該系統(tǒng)的輸出變量設(shè)為遮擋概率。與輸入變量不同,用5個模糊集來描述輸出變量以獲得更高的精度,遮擋概率的取值范圍為[0,1],選擇模糊集{VS,S,M,B,VB}分別表示{非常小,小,中,大,非常大}。輸出變量的隸屬度函數(shù)如圖5所示。

圖5 遮擋概率的隸屬度函數(shù)

接著,根據(jù)上述定義的兩個模糊輸入和一個模糊輸出,可構(gòu)建相應(yīng)的16條模糊規(guī)則,如表1所示。表1中,pZ表示量測變化率,dm表示最短質(zhì)心距離。

表1 模糊規(guī)則

最后,根據(jù)輸入變量的隸屬度函數(shù)和模糊規(guī)則,借助MATLAB軟件中的模糊控制工具箱生成相應(yīng)的模糊推理系統(tǒng),如圖6所示。

圖6 使用MATLAB模糊控制工具箱生成模糊系統(tǒng)

5 模糊推理優(yōu)化的GP-PMBM算法

通過將模糊推理系統(tǒng)融入高斯過程-泊松多伯努利混合濾波器,可以得到適用于遮擋場景的FGP-PMBM濾波器。濾波步驟包括預(yù)測、量測分組和劃分、目標(biāo)檢測概率的估計、更新。

步驟1 預(yù)測。與GGIW-PMBM類似,FGP-PMBM的預(yù)測分為PPP預(yù)測和MBM預(yù)測兩部分。其中,PPP項表示從未被檢測到的目標(biāo),MBM項表示已經(jīng)被檢測到的目標(biāo)。PPP預(yù)測的強度為

(9)

(10)

(11)

MBM預(yù)測的存在概率和空間分布為

(12)

(13)

步驟2 量測分組和劃分。由于多擴展目標(biāo)場景中量測集中的量測并非來自單個目標(biāo),且可能為不屬于任何目標(biāo)的雜波,因此無法直接進行更新,需要在更新前對量測進行分組和劃分。量測分組通過設(shè)定門限將門限內(nèi)的量測分配給同一個目標(biāo),門限的相關(guān)參數(shù)由目標(biāo)的質(zhì)心和形狀范圍確定,具體步驟參見文獻(xiàn)[19]。在劃分量測時,通常使用基于密度的含噪聲空間聚類(Density Based Spatial Clustering of Applications with Noise,DBSCAN)算法,具有較高的準(zhǔn)確度。

步驟3 目標(biāo)檢測概率的估計。利用第4節(jié)中的模糊推理系統(tǒng)估計目標(biāo)的遮擋概率,進一步計算出目標(biāo)的檢測概率。為了減小計算量,只計算最有可能存在的目標(biāo)的遮擋概率,主要包含權(quán)值較大的假設(shè)。同時,將權(quán)值較低的假設(shè)的目標(biāo)遮擋概率設(shè)為0,根據(jù)式(6)計算目標(biāo)當(dāng)前時刻的檢測概率。

步驟4 更新。PPP漏檢部分的強度為

(14)

PPP漏檢對應(yīng)的目標(biāo)參數(shù)分別為

(15)

(16)

PPP被檢測到的部分轉(zhuǎn)化為MBM,其存在概率和空間分布為

(17)

(18)

(19)

MBM漏檢部分的存在概率和空間分布為

(20)

(21)

其中,

(22)

(23)

(24)

MBM漏檢對應(yīng)的目標(biāo)參數(shù)為

(25)

(26)

MBM被檢測到的部分存在概率和空間分布為

(27)

(28)

濾波步驟中其余參數(shù)的具體計算與文獻(xiàn)[18]的一致,此處不再贅述。

6 仿真結(jié)果與分析

為了驗證文中所提出的FGP-PMBM算法在不同遮擋條件下跟蹤擴展目標(biāo)的有效性,設(shè)計了兩個不同的仿真實驗,將FGP-PMBM算法與GP-PMBM算法、GGIW-PMBM算法[18]以及BGGIW-PMBM算法[12]進行對比。其中,實驗1驗證在實驗場景內(nèi)有固定障礙物時所提算法的有效性,實驗2驗證在兩目標(biāo)交叉發(fā)生目標(biāo)間遮擋的場景下所提算法的有效性。在文中的所有仿真實驗中,蒙特卡洛次數(shù)均為100,仿真實驗平臺為AMD Ryzen 7 5700G,CPU3.80GHz,MATLAB2020。

實驗1設(shè)定監(jiān)視區(qū)域為[0,200]m×[0,200]m,場景中包含一個目標(biāo),該目標(biāo)的存活時間為60個時刻,目標(biāo)的運動模型為CV模型,初始狀態(tài)為x=[10,190,0,3,-3,0]T。場景中存在一個中心坐標(biāo)位于[136,64]m,遮擋半徑為10.5 m的遮擋物,目標(biāo)在41時刻到45時刻之間共5個時刻被遮擋物遮擋,目標(biāo)的運動狀態(tài)轉(zhuǎn)移矩陣Fm和過程噪聲協(xié)方差矩陣Qm分別為

(29)

(30)

傳感器接收到的量測和目標(biāo)的真實運動軌跡如圖7所示。圖8是4種不同算法在該場景下的跟蹤結(jié)果圖。

圖7 實驗1場景量測和目標(biāo)真實軌跡

圖8 實驗1跟蹤結(jié)果

圖9為GGIW-PMBM、GP-PMBM、BGGIW-PMBM和FGP-PMBM算法的跟蹤結(jié)果在目標(biāo)被遮擋時刻左右的局部放大圖,圖10展示了4種算法在該場景下的目標(biāo)數(shù)估計結(jié)果,圖11和圖12分別是4種算法的目標(biāo)檢測概率和存在概率估計。

圖9 4種算法跟蹤結(jié)果的局部放大圖

圖10 實驗1目標(biāo)數(shù)估計

從圖9可看出,FGP-PMBM在目標(biāo)被遮擋時仍然持續(xù)地跟蹤目標(biāo)。BGGIW-PMBM在目標(biāo)被遮擋的前3個時刻仍能跟蹤目標(biāo),但在目標(biāo)被遮擋的后兩個時刻漏估目標(biāo),并在傳感器重新獲得目標(biāo)量測后繼續(xù)跟蹤目標(biāo)。GP-PMBM和GGIW-PMBM在目標(biāo)被遮擋時丟失了目標(biāo),在遮擋消失后將此目標(biāo)視為新生目標(biāo)繼續(xù)跟蹤。圖10中目標(biāo)數(shù)的估計結(jié)果進一步驗證了上述結(jié)論。

從圖11、圖12中可看出,GGIW-PMBM和GP-PMBM丟失目標(biāo)的原因,較高的檢測概率導(dǎo)致算法不能準(zhǔn)確地估計被遮擋目標(biāo)的存活概率,進而使目標(biāo)的存活概率在漏檢時迅速下降,并在達(dá)到濾波器的修剪閾值后被修剪。BGGIW-PMBM被動地逐漸降低了目標(biāo)檢測概率,并且在目標(biāo)被遮擋的前3個時刻中,估計的目標(biāo)存在概率仍大于0.5。但是在目標(biāo)被遮擋的后兩個時刻中,BGGIW-PMBM估計的目標(biāo)存在概率下降至0.5以下,而導(dǎo)致漏估目標(biāo)。由于存在概率沒有達(dá)到修剪閾值,該目標(biāo)的假設(shè)繼續(xù)以伯努利項的形式存在,使得BGGIW-PMBM在場景中重新出現(xiàn)目標(biāo)量測后繼續(xù)跟蹤。FGP-PMBM則充分考慮到目標(biāo)被遮擋的可能,較快地降低了目標(biāo)的檢測概率。因此,FGP-PMBM估計的目標(biāo)存在概率在同一時刻相比于BGGIW-PMBM的估計結(jié)果更高。FGP-PMBM算法在所有時刻中未漏估目標(biāo),這說明其對被遮擋目標(biāo)存在概率的估計相較于BGGIW-PMBM的估計更加準(zhǔn)確。

圖11 實驗1目標(biāo)檢測概率估計

圖12 實驗1目標(biāo)存在概率估計

圖13給出了4種算法跟蹤結(jié)果的質(zhì)心OSPA。可以看出,當(dāng)目標(biāo)被障礙物遮擋時,GP-PMBM和GGIW-PMBM的OSPA距離誤差立即大幅增加。BGGIW-PMBM在遮擋發(fā)生后的前3個時刻誤差保持穩(wěn)定,隨后大幅增加,而FGP-PMBM在整個遮擋期間誤差變化不大。其中,GP-PMBM和GGIW-PMBM的誤差較高是因為算法在目標(biāo)被遮擋后的所有時刻中丟失了目標(biāo),BGGIW-PMBM則因為有兩個時刻漏估目標(biāo)而表現(xiàn)弱于FGP-PMBM。實驗結(jié)果表明,FGP-PMBM在場景中有固定遮擋物的情況下具有更高的跟蹤精度。

圖13 實驗1跟蹤結(jié)果的質(zhì)心OSPA

實驗2設(shè)定監(jiān)視區(qū)域為[0,250]m×[0,200]m,場景中包含了兩個目標(biāo),且所有目標(biāo)的存活時間皆為60個時刻,目標(biāo)的運動模型為CV模型,初始狀態(tài)分別為x1=[10,175,0,3.5,-2.5,0]T和x2=[10,25,0,3.5,2.5,0]T,兩目標(biāo)在31時刻交叉并發(fā)生了目標(biāo)間遮擋。其他相關(guān)參數(shù)的設(shè)置與實驗1相同。

該場景下傳感器接收到的量測和目標(biāo)的真實運動軌跡如圖14所示,圖15是該場景下GGIW-PMBM、GP-PMBM、BGGIW-PMBM和FGP-PMBM 4種算法的跟蹤結(jié)果圖,圖16為3種算法的跟蹤結(jié)果在交叉部分的局部放大圖,圖17是該場景下4種算法的目標(biāo)數(shù)估計結(jié)果。

從圖15可看出,GGIW-PMBM、GP-PMBM、BGGIW-PMBM和FGP-PMBM算法都完成了跟蹤任務(wù)。從圖16可看出,GP-PMBM和GGIW-PMBM在目標(biāo)發(fā)生交叉的時刻漏估了被遮擋的目標(biāo)2,誤認(rèn)為在該時刻只存在一個目標(biāo),BGGIW-PMBM以及FGP-PMBM在目標(biāo)發(fā)生交叉時仍然準(zhǔn)確地估計出場景中存在兩個目標(biāo)。圖17進一步驗證了上述結(jié)論。

圖14 實驗2場景量測和目標(biāo)真實軌跡

圖15 實驗2跟蹤結(jié)果

圖16 4種算法跟蹤結(jié)果局部放大圖

圖17 實驗2目標(biāo)數(shù)估計

圖18至圖21分別是4種算法跟蹤目標(biāo)1、目標(biāo)2時的檢測概率估計和存在概率估計。

圖18 實驗2目標(biāo)1檢測概率估計

圖19 實驗2目標(biāo)2檢測概率估計

圖20 實驗2目標(biāo)1存在概率估計

圖21 實驗2目標(biāo)2存在概率估計

圖22 實驗2跟蹤結(jié)果的質(zhì)心OSPA

從圖18、圖19可以看出,GGIW-PMBM和GP-PMBM在交叉時刻維持固定檢測概率,并沒有對因目標(biāo)遮擋而造成的目標(biāo)漏檢做出反應(yīng)。FGP-PMBM基于對目標(biāo)遮擋概率的計算快速降低了目標(biāo)1和目標(biāo)2的檢測概率,BGGIW-PMBM則在該時刻因目標(biāo)2漏檢而被動地降低了目標(biāo)2檢測概率,但沒有改變目標(biāo)1的檢測概率。從圖21可看出,GGIW-PMBM和GP-PMBM錯誤估計了被遮擋目標(biāo)的存在概率,它們估計的目標(biāo)2的存在概率都低于0.5,從而導(dǎo)致了算法漏檢。FGP-PMBM和BGGIW-PMBM則較慢地降低了被遮擋目標(biāo)的存在概率,使算法能夠準(zhǔn)確估計目標(biāo)數(shù)目。圖22給出了4種算法跟蹤結(jié)果的質(zhì)心OSPA。

從圖22可以看出,在目標(biāo)交叉時刻GP-PMBM和GGIW-PMBM的誤差較高,主要是由此時對場景中目標(biāo)數(shù)目的錯誤估計導(dǎo)致的。與GGIW-PMBM、GP-PMBM、BGGIW-PMBM相比,FGP-PMBM在60個時刻內(nèi)的OSPA均值分別降低了約65.05%、37.22%和38.94%。表2給出了該場景下4種算法的平均運行時間。

從表2可以看出,GGIW-PMBM的運行時間最短,FGP-PMBM由于加入了模糊推理系統(tǒng),運行時間相較于GP-PMBM有所增加。

表2 4種算法的平均運行時間

7 結(jié)束語

文中主要針對GP-PMBM濾波算法在目標(biāo)遮擋場景下的跟蹤問題進行研究。首先根據(jù)不同的遮擋情況給出了對應(yīng)的目標(biāo)遮擋模型,并對PMBM濾波器的狀態(tài)空間模型加以改進;然后基于量測變化率和最短質(zhì)心距離構(gòu)建了用于計算目標(biāo)遮擋概率的模糊推理系統(tǒng);最后將模糊推理系統(tǒng)與GP-PMBM濾波器相結(jié)合,提出了適用于遮擋場景的FGP-PMBM濾波器。仿真結(jié)果表明,文中提出的FGP-PMBM算法在面對障礙物遮擋和目標(biāo)間遮擋時仍然能夠維持較高的估計性能,充分驗證了所提出的FGP-PMBM濾波器在遮擋場景下的優(yōu)越性。