一种粒子滤波方法、装置及目标跟踪方法、装置

摘要

本发明公开了一种粒子滤波方法、装置及目标跟踪方法、装置，该粒子滤波方法包括利用高斯-厄米特积分构建上一目标观测时刻的多个积分点概率密度函数；根据多个积分点概率密度函数获取积分点的近似粒子集；根据目标的相关特性修正近似粒子集以获取预测粒子集；根据预测粒子集获取当前目标观测时刻的目标状态预测概率密度函数；根据当前目标观测时刻的目标状态预测概率密度函数获取当前目标观测时刻的目标状态后验概率密度函数。通过上述方式，本发明能够增强粒子的多样性和准确性，有效提高滤波精度以及目标状态的估计性能。

主权项

一种粒子滤波方法，其特征在于，包括：获取k‑1时刻的目标状态后验概率密度函数，具体如下式所示：$p\left(x_{k-1}\right|z_{1:k-1})=N\left({\hat{x}}_{x_{k-1|k-1,}}{P}_{k-1|k-1}\right)---\left(1\right)$其中，k‑1时刻表示上一目标观测时刻，为均值，P_k‑1|k‑1为协方差；估计k‑1时刻的目标状态后验概率密度函数对应的积分点x_{l,k‑1|k‑1}，具体如下式所示：$x_{l,k-1|k-1}=\sqrt{P_{k-1|k-1}}{\xi }_l+{\hat{x}}_{k-1|k-1}---\left(2\right)$其中，l＝1,2,...,m，ξ_l表示高斯‑厄米特积分点；以k‑1时刻的目标状态后验概率密度函数对应的积分点x_{l,k‑1|k‑1}为均值，P_k‑1|k‑1为协方差，构建k‑1时刻的多个积分点概率密度函数根据所述多个积分点概率密度函数获取积分点的近似粒子集；所述积分点x_{l,k‑1|k‑1}的近似粒子集为其中${\left\{x_{l,k-1|k-1}^i\right\}}_{i=1}^{N_s}~N\left({\hat{x}}_{l,k-1|k-1,}{P}_{k-1|k-1}\right),$i＝1,2,...,N_s；获取所述近似粒子集中每个近似粒子的期望值具体如下式所示：$x_{l,k|k-1}^i=f_k\left(x_{l,k-1|k-1}^i,v_{k-1}\right)---\left(3\right)$${\alpha }_k^i=\frac{T^2·v^2·{\sigma }_v^2\left(k\right)}{\lambda ·{\sigma }_m^2\left(k\right)+T^2·v^2·{\sigma }_v^2\left(k\right)}---\left(4\right)$${\mu }_{l,k}^i\left(A_k\right)=x_{l,k|k-1}^i+{\alpha }_k^i(z_k-h_k(x_{l,k|k-1}^i\left)\right)---\left(5\right)$其中，所述目标的相关特性包括目标观测、采样时间间隔以及目标速度，z_k表示k时刻的目标观测，k时刻表示当前目标观测时刻，T表示采样时间间隔，v表示目标速度，λ为常数，σ_m(k)表示观测误差标准差，σ_v(k)表示观测新息标准差，f_k表示系统状态转移函数，v_k‑1表示状态的过程噪声，h_k表示非线性的观测函数；获取预测粒子集具体如下式所示：$x_{l,k|k-1}^i={\mu }_{l,k}^i\left(A_k\right)---\left(6\right);$根据所述预测粒子集获取当前目标观测时刻的目标状态预测概率密度函数；根据所述当前目标观测时刻的目标状态预测概率密度函数获取当前目标观测时刻的目标状态后验概率密度函数，完成粒子滤波过程。