基于美國(guó)E+E濾波的多傳感器融合方法研究
濾波的提出使得對(duì)多目標(biāo)跟蹤領(lǐng)域的研究進(jìn)入了一個(gè)嶄新的階段。在此之前,研究者應(yīng)用一些在單目標(biāo)跟蹤領(lǐng)域取得成功的濾波算法來(lái)研究多目標(biāo)跟蹤問(wèn)題,但往往需要借助于數(shù)據(jù)關(guān)聯(lián)這一外部手段才能完成。傳感器濾波的出現(xiàn)改變了這一點(diǎn),它避免了顯式的數(shù)據(jù)關(guān)聯(lián)。傳感器濾波是基于隨機(jī)有限集統(tǒng)計(jì)的濾波方法,而隨機(jī)有限集的概念恰好可以用來(lái)刻畫(huà)多目標(biāo)跟蹤問(wèn)題,所以在解決多目標(biāo)跟蹤問(wèn)題上,與其他方法相比,傳感器濾波有著天然的優(yōu)勢(shì)。
基于美國(guó)E+E濾波的多傳感器融合方法研究 但在估計(jì)出目標(biāo)數(shù)目之后,傳感器濾波仍要借助于一些外部方法如聚類,來(lái)提取峰值進(jìn)而估計(jì)目標(biāo)狀態(tài)。 一種基于傳感器的峰值提取方法ST傳感器(Single-Target Probability HypothesisDensity)濾波被提出。與其它峰值提取的方法不同,ST傳感器并非外部方法,它可以看成是傳感器濾波的一種自然延伸與改進(jìn),是傳感器本質(zhì)上的屬性。事實(shí)上,ST傳感器等于是傳感器自身提供的一種用于峰值提取的內(nèi)部手段。但ST傳感器的提出是基于單傳感器的,并沒(méi)有多傳感器的對(duì)應(yīng)版本。針對(duì)于這一狀況,本文結(jié)合一個(gè)多傳感器的融合框架,將該方法推廣到多傳感器的場(chǎng)景下,得到了基于ST傳感器濾波的多傳感器融合算法,一方面使ST傳感器應(yīng)用的范圍更加廣泛,另一方面融合后的結(jié)果使估計(jì)的精度更高,可以獲得更好的跟蹤效果。 C傳感器(Cardinalized 傳感器)濾波是基于隨機(jī)有限集統(tǒng)計(jì)的濾波方法系列中另一極為重要的方法。與傳感器濾波相比,該方法能夠提供更多的信息,但相應(yīng)的,也需要更多的計(jì)算。本文通過(guò)對(duì)ST傳感器濾波證明過(guò)程的分析,從中抽象出對(duì)應(yīng)函數(shù)的概念,借助于對(duì)應(yīng)函數(shù)將ST傳感器濾波推廣到了C傳感器濾波當(dāng)中,得到了該方法的C傳感器版本——QSTC傳感器(QuasiSingle-Target C傳感器)濾波。進(jìn)一步地,結(jié)合多傳感器融合框架,同樣將QSTC傳感器濾波推廣到多傳感器的場(chǎng)景下,得到基于QSTC傳感器濾波的多傳感器融合算法。這樣,就將傳感器濾波—ST傳感器濾波—基于ST傳感器濾波的多傳感器融合算法這一套理論平行地遷移到了C傳感器濾波當(dāng)中,得到了C傳感器濾波—QSTC傳感器濾波—基于QSTC傳感器濾波的多傳感器融合算法這一理論體系,進(jìn)一步地拓廣了ST傳感器濾波的應(yīng)用范圍,完善了理論體系。