粒子滤波技术的发展现状综述
《2024年粒子滤波跟踪方法研究》范文
《粒子滤波跟踪方法研究》篇一一、引言随着计算机视觉技术的不断发展，目标跟踪技术已经成为众多领域研究的热点。
粒子滤波作为一种有效的非线性非高斯贝叶斯滤波方法，在目标跟踪领域得到了广泛的应用。
本文旨在研究粒子滤波跟踪方法，分析其原理、特点及存在的问题，并探讨其未来的发展方向。
二、粒子滤波基本原理粒子滤波是一种基于蒙特卡罗方法的贝叶斯滤波方法，通过一组随机样本（粒子）来近似表示状态空间中的概率分布。
其基本原理包括：1. 初始化：根据先验知识，生成一组随机样本（粒子），并赋予初始权重。
2. 预测：根据系统的动态模型，对每个粒子进行状态预测。
3. 更新：结合观测信息，对每个粒子的权重进行更新。
4. 重采样：根据粒子的权重进行重采样，得到新的粒子集。
三、粒子滤波在目标跟踪中的应用粒子滤波在目标跟踪中的应用主要依赖于观测模型的构建和系统动态模型的准确性。
观测模型用于描述目标在图像中的特征，而系统动态模型则描述了目标的运动规律。
通过结合这两个模型，粒子滤波可以在复杂的背景中实现对目标的准确跟踪。
四、粒子滤波跟踪方法的优点与局限性（一）优点1. 适用于非线性非高斯系统：粒子滤波能够处理具有非线性、非高斯特性的系统，因此在目标跟踪中具有较好的适用性。
2. 灵活性高：粒子滤波可以灵活地结合不同的观测模型和系统动态模型，以适应不同的跟踪场景。
3. 鲁棒性强：粒子滤波能够有效地处理噪声、遮挡等干扰因素，具有较强的鲁棒性。
（二）局限性1. 计算量大：当粒子数量较多时，计算量较大，可能导致实时性较差。
2. 粒子退化问题：随着跟踪过程的进行，部分粒子的权重会逐渐减小，导致有效粒子数量减少，影响跟踪效果。
3. 对初始位置敏感：粒子滤波对目标的初始位置较为敏感，如果初始位置选择不当，可能导致跟踪失败。
五、粒子滤波跟踪方法的改进与优化为了克服粒子滤波跟踪方法的局限性，研究者们提出了许多改进与优化方法，主要包括：1. 优化采样策略：通过改进采样策略，如采用重要性采样、重采样等方法，提高粒子的多样性，减少粒子退化问题。
智能优化粒子滤波算法综述研究
智能优化粒子滤波算法综述研究
智能优化粒子滤波算法是一种基于群体智能的变种滤波算法。
与传统滤波算法不同的是，智能优化粒子滤波算法将群体智能和粒子滤波算法相结合，以提高滤波算法的精确度
和效率。
智能优化粒子滤波算法的基本原理是将群体智能中的粒子群优化算法应用于粒子滤波
算法中。
粒子群优化算法是一种基于群体智能的优化算法，通过模拟鸟群、鱼群等动物的
行为，探索最优解空间，从而提高算法的鲁棒性和局部收敛性。
这种算法的优点是可以高
效地找到全局最优解，但是其缺点是对问题的依赖性很强，对初始值的设置也比较敏感。
智能优化粒子滤波算法将粒子群优化算法与粒子滤波算法结合起来，从而可以在保证
算法的全局最优解的情况下，更加有效地解决实际问题。
在该算法中，通过多组粒子来模
拟不同的可能状态，并通过每组粒子的信息交流和协作，以找到最优的状态。
这种算法的
主要流程是将数据样本转换成多维状态空间，并通过粒子群算法来更新粒子的状态，从而
找到最优状态。
智能优化粒子滤波算法在实际应用中已经得到了广泛的应用。
例如，在无线通信中，
利用该算法可以对信号进行优化；在图像处理中，该算法可以有效地对多个特征进行分类；在机器人控制中，该算法可以解决机器人路径规划、运动控制等问题。
由于该算法具有全
局最优解、高效性、鲁棒性和可调节性等特点，因此在未来的应用领域中仍有广泛的应用
前景。
总之，智能优化粒子滤波算法是一种新颖而有效的变种滤波算法，在实际应用中具有
广泛的应用前景。
相关领域研究者可以在该算法的基础上，进一步完善算法的理论基础和
实现技术，并将其应用到更广泛的领域中。
粒子滤波算法综述
粒子滤波算法综述作者：李孟敏来源：《中国新通信》2015年第10期【摘要】对粒子滤波算法的原理、发展历史以及应用领域进行综述，首先针对非线性非高斯系统的状态滤波问题阐述粒子滤波的原理，而后讨论粒子滤波算法存在的主要问题和改进手段，最后阐明其在多个研究领域中的应用现状。
【关键字】非线性滤波概率密度重采样粒子退化一、引言粒子滤波（PF）是一种在处理非线性非高斯系统状态估计问题时具有较好估计效果的方法，其原理是通过非参数蒙特卡洛方法实现贝叶斯滤波。
其最早起源于Hammersley等人在20实际50年代末提出的顺序重要性采样（SIS）滤波思想。
但由于上述方法存在严重的样本权值退化从而导致的粒子数匮乏现象，直到1993年Gordon等人将重采样技术引入蒙特卡洛重要性采样过程，提出一种Bootstrap滤波方法，从而奠定了粒子滤波算法的基础。
二、基本粒子滤波算法三、粒子滤波算法存在的主要问题及改进对于SIS算法来说，容易出现粒子的退化问题，目前存在的诸多对SIS算法的改进中，能够降低该现象影响的有效方法是选择合适的重要性函数和采用重采样方法。
针对状态空间模型的改进算法，如辅助变量粒子滤波算法（APF），局部线性化方法，代表的算法主要有EKF，UKF等。
针对重采样改进方法，文献通过将遗传算法和进化算法引入粒子滤波算法中，增加重采样过程中粒子的多样性。
然APF算法在过程噪声较小时，可获得比标准粒子滤波更高的滤波精度，在过程噪声较大时，其效果则大大降低。
采用局部线性化的方法EKF，UKF都是针对非线性系统的线性卡尔曼滤波方法的变形和改进，因此受到线性卡尔曼滤波算法的条件制约，而对于非高斯分布的状态模型，其滤波性能变差。
将遗传算法和进化算法与粒子滤波结合的改进粒子滤波算法，虽取得了较好的滤波效果，然而是以消耗过多计算资源为代价的。
四、粒子滤波的应用4.1 目标跟踪对目标进行定位和跟踪是典型的动态系统状态估计问题，在诸如纯角度跟踪的运动模型中，采用粒子滤波方法进行实现目标跟踪已获得了较好的跟踪精度，文献研究了多目标跟踪与数据融合问题，文献给出了基于粒子滤波的群目标跟踪算法。
粒子滤波算法研究现状与发展趋势
#( y -
hk ( x k , nk ) p ( nk ) ) d nk ( 4)
( 11)
| x k- 1 ) ∀ ( 5)
=
i k- 1
p ( x k- 1 | y 1: k- 1 ) dx k- 1 理进行测量更新 , 获得后验概率密度函数: p ( x k | y 1: k ) = p ( y k | x k ) p ( x k | y 1: k- 1)
1
引言
在自动控制、 信号处理、 跟踪导航及工业生产
个数可能随时间呈指数增加。无味 Kalman 滤波 ( UKF) 方法 , 是建立在初始状态分布和系统噪声 以及量测噪声分布均为 Gauss 的假设条件下进行 的 。为了有效地处理系统的非线性非高斯问 题, 粒子滤波 ( Particle Filter) 方法逐渐受到人们的 关注。粒子滤波过程不依赖于系统模型或观测方 程的线性程度和状态的分布, 克服了以往基于线 性高斯滤波方法的缺点, 适用于难以进行线性化, 难以高斯近似处理以及处理后性能较差的情况。 粒子滤波以其突出的优点成为当前非线性估计领 域的一个热门研究方向, 并取得了重大进展
i k
方程 ( 5) 和( 6) 的循环进行就构成了基本的递 推贝叶斯估计方法。但是方程 ( 5) 和 ( 6) 需要在整 个状态空间积分, 对某些动态系统可以获得解析 解, 对非高斯非线性系统 , 始终没有较好的解决办 法。
#
( 6)
=
i k- 1
( 13)
p ( y k | x k ) p ( x k | y 1: k- 1) dx k
i k i i
i = 1, 2,
∃, N } , 当 k 时刻 测量值 y k 到达时 , 对 i = 1, 2,
粒子滤波算法综述
粒子滤波算法综述粒子滤波算法（Particle Filter），又被称为蒙特卡洛滤波算法（Monte Carlo Filter），是一种递归贝叶斯滤波方法，用于估计动态系统中的状态。
相比于传统的滤波算法，如卡尔曼滤波算法，粒子滤波算法更适用于非线性、非高斯的系统模型。
粒子滤波算法的核心思想是通过一组样本（粒子）来表示整个状态空间的分布，并通过递归地重采样和更新这些粒子来逼近真实状态的后验概率分布。
粒子滤波算法最早由Gordon等人在1993年提出，此后得到了广泛的研究和应用。
1.初始化：生成一组初始粒子，每个粒子都是状态空间中的一个假设。
2.重采样：根据先前的粒子权重，进行随机的有放回抽样，生成新的粒子集合。
3.预测：根据系统模型和控制输入，对新生成的粒子进行状态预测。
4.更新：利用观测数据和度量粒子与真实状态之间的相似度的权重函数，对预测的粒子进行权重更新。
5.标准化：对粒子权重进行标准化，以确保它们的总和为16.估计：利用粒子的权重对状态进行估计，可以使用加权平均或最大权重的粒子来表示估计值。
相对于传统的滤波算法，粒子滤波算法具有以下优势：1.粒子滤波算法能够处理非线性、非高斯的系统模型，适用性更广泛。
2.粒子滤波算法不需要假设系统模型的线性性和高斯噪声的假设，可以更准确地估计状态的后验概率分布。
3.粒子滤波算法可以处理任意复杂的系统模型，不受系统的非线性程度的限制。
然而，粒子滤波算法也存在一些缺点，如样本数的选择、计算复杂度较高、粒子退化等问题。
为了解决这些问题，研究者提出了一系列改进的算法，如重要性采样粒子滤波算法（Importance Sampling Particle Filter）、最优重采样粒子滤波算法（Optimal Resampling Particle Filter）等。
总的来说，粒子滤波算法是一种强大的非线性滤波算法，广泛应用于信号处理、机器人导航、智能交通等领域。
随着对算法的深入研究和改进，粒子滤波算法的性能和应用范围将进一步扩展。
粒子滤波技术的发展现状综述
1收稿日期:2009-06-10基金项目:国家自然科学基金项目10872125、上海市自然科学基金项目06ZR14042、高等学校学科创新引智计划资助项目B06012、教育部留学回国人员科研启动基金项目作者简介:张瑞华(1985-),女,硕士,目前从事非线性动力学、信号处理与识别研究。
E m ai:lzhangrh @s j tu 文章编号:1006 1355(2010)02 0001 04粒子滤波技术的发展现状综述张瑞华,雷 敏(上海交通大学机械系统与振动国家重点实验室,上海 200240)摘 要:对粒子滤技术的近几年研究发展进行回顾,介绍四大类粒子滤波改进算法,总结目前目标跟踪、导航与定位中存在的问题,展望粒子滤波技术的方法研究及实际应用前景。
关键词:振动与波;粒子滤波;非线性系统;信号处理;目标识别中图分类号:TP27;TN 713;V 2 文献标识码:ADO I 编码:10.3969/.j issn .1006-1355.2010.02.001Review of State of The A rt of Particle Filtering TechniqueZHANG Rui hua,LEI M in(S tate Key Laboratory ofM echanical Syste m and V ibration ,Shangha i Jiao tong Un i v ersity ,Shangha i 200240,China)Abstract :Th is paper rev ie w s the state of the art of particle filtering techn i q ue .The novelm ethods for particle filtering ca lculati o n o f four k i n ds of particles are i n troduced .The prob l e m s i n tar get track i n g ,nav i g ation and orientation are summ ar ized.A t las,t t h e further study and practica l app li c ations of particle filtering techn ique are prospected .Key w ords :v i b ra ti o n and wave ;particle filtering ;nonlinear syste m s ;si g na l pr ocess ;target recog niti o n粒子滤波(Partic le Filter ,PF )技术是一种用于非线性、非高斯系统的滤波方法。
自动驾驶中的粒子滤波算法研究及应用
自动驾驶中的粒子滤波算法研究及应用随着自动驾驶技术的不断发展，粒子滤波算法已成为其中不可或缺的一部分。
本文将从粒子滤波算法的基本原理、研究现状与应用场景等方面，详细论述粒子滤波算法在自动驾驶中的研究及应用。
一、粒子滤波算法基本原理粒子滤波算法（Particle Filter），又称为蒙特卡罗滤波（Monte Carlo Filter）或者贝叶斯滤波（Bayesian Filter），是一种基于贝叶斯滤波理论的非线性滤波算法。
其基本思路是通过采样、重采样、预测和更新四个步骤来逼近目标状态概率分布，从而实现状态估计，是目前精度和效果最好的非线性滤波算法之一。
具体而言，粒子滤波算法的实现步骤为：1. 采样：根据先验概率密度函数，采样出一组粒子（Particle）作为当前状态的估计值。
2. 预测：利用运动模型对当前粒子位置进行预测，并引入高斯噪声，得到下一时刻的状态。
3. 更新：根据观测值对当前状态进行更新，并利用贝叶斯定理进行权重分配。
4. 重采样：根据每个粒子的权重进行重采样，得到新一批粒子群。
通过以上四个步骤的迭代，逐渐缩小状态估计的误差，最终实现对目标状态的估计。
二、粒子滤波算法在自动驾驶中的研究现状随着自动驾驶技术的不断发展，粒子滤波算法在其中的应用也日益广泛。
目前，主要研究方向包括以下几个方面：1. 车辆状态估计：针对车辆定位、速度估计、姿态估计等问题，利用粒子滤波算法进行状态预测与更新。
这些信息对于自动驾驶系统的决策和控制具有重要作用。
2. 静态与动态障碍物检测：利用粒子滤波算法结合激光雷达、摄像头等传感器实现车辆周围环境的感知，对障碍物进行识别和分析，从而为自动驾驶的路径规划和决策提供基础数据。
3. 车辆控制与路径规划：基于粒子滤波算法的定位和环境感知，结合预设的规划路径，最终得出实时的控制指令，实现自动驾驶系统的实时控制。
4. 传感器融合和多模态感知：将不同类型的传感器信息进行融合，以提高感知精度和鲁棒性，并利用粒子滤波算法进行状态估计和控制。
粒子滤波技术的发展现状综述
（ ｔｔ Ｋ ｙＬ ｂ ｒ ｏｙｏ Ｍｅｈｎｃｌ ｙｔ ｎ ｉｒｔ ｎ Ｓａ ｅ ａ ｏａ ｒ ｆ ｃ ａ ｉ ｓ ｍ ａ ｄＶｂａ ｏ ， ｅ ｔ ａＳ ｅ ｉ Ｓ ａ ｇ ａ Ｊ ｏ ｎ ｎｖｒ ｔ，Ｓ ａｇ ａ ２ ０ ４ ，Ｃ ｉａ ｈ ｎｈ ｉ ｉ ｔ ｇＵ ｉ ｓｙ ｈ ｎ ｈ ｉ ０ ２ ０ ｈｎ ） ａ ｏ ｅｉ
ｎｔ ｎ ｉｉ ｏ
粒子 滤 波 （ ａ ｉ ｅＦｌ ｒＰ ） 术 是 一 种 用 于 Ｐｒｃ ｉｅ ， Ｆ 技 ｔ ｌ ｔ 非线 性 、 高斯 系 统 的 滤波 方 法 。在 其 发 展过 程 中 非 有 很 多 表 述 方 法 ， Ｂ ｏ ｔ ｐ ｆｔ ，Ｃ ｎ ｅｓｔ ｎ 如 ｏｔ ｒ ｌ ｒ ｏ ｄｎａｉ ｓａ ｉ ｅ ｏ
障诊 断 、 参数 估计 与 系 统 辨识 、 人手 臂 运 动 识别 、 计
算 机视 觉 、 融领 域等 Ｊ 金 。
ｌ ｅ ｙ等人 ¨ 提 出的基 于 贝 叶斯 采 样 估 计 的顺 序 重 要
采样 （ Ｉ） ＳＳ 滤波 思想 。６ ０年代 以后 粒子 滤 波技 术 得
１ 粒 子 滤 波 技 术 发 展 现 状
Ａｂｓｒ ｃ ｔ ａ ｔ：Ｔｈ ｓ ｐ ｐ ｒｒ ｖ ｅ ｈ ｔｔ ｆｔ ｅ ａｔｏ ａｔｃ ｅ ｆｌ ｒｎ ｅ ｈ ｉ ｕ ．Ｔｈ ｏ ｅ ｔ ｏ ｓ ｉ ａ ｅ ｅ ｉｗｓ ｔ ｅ ｓａｅ ｏ ｈ ｒ ｆｐ ｒｉｌ ｔ ｉｇ ｔ ｃ ｎ ｑ ｅ ｉ ｅ ｅ ｎ ｖ ｌｍｅｈ ｄ ｆｒｐａ ｉ ｌ ｌｅ ｉ ｇ ｃ ｌ ｕ ａｉｎ ｏ ｕ ｉ ｄ ｆｐ ｒｉｌ ｓａ ｅ ｉ ｒ ｄ ｅ ｏ ｒ ｃｅ ｆ ｔｒｎ ａｃ ｌｔｏ ｆｆ ｒｋ ｎ ｓｏ ａ ｔｃｅ ｒ ｎｔｏ ｕｃ ｄ．Ｔｈ ｒ ｂ ｅ ｎ ｔｒ ｅ ｒ ｃ ｉ ｇ， ｔ ｉ ｏ ｅ ｐ ｏ ｌ ｍｓｉ ａ ｇ ｔｔａ ｋ ｎ ｎ ｖｇ ｔｏ ｎ ｒｅ ｔ ｔ ｎ ａｅ ｓ ｍｍａ ｉｅ ａ ｉ ａｉｎ ａ ｄ ｏ ｉｎ ａ ｉ ｒ ｕ ｏ ｒｚ ｄ．Ａｔｌ ｓ ，ｔ ｅ ｆ ｒｈ ｒｓｕ ｙ ａ ｄ ｐ ａ ｔｃ ｌａ ｐ ｉ ａｉｎｓｏ ａ ｉｌ ａ ｔ ｈ ｕ ｔ ｅ ｔ ｄ ｎ ｒ ｃ ｉａ ｐ ｌｃ ｔｏ ｆｐ ｒ ｃｅ ｔ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1收稿日期:2009-06-10基金项目:国家自然科学基金项目10872125、上海市自然科学基金项目06ZR14042、高等学校学科创新引智计划资助项目B06012、教育部留学回国人员科研启动基金项目作者简介:张瑞华(1985-),女,硕士,目前从事非线性动力学、信号处理与识别研究。
E m ai:lzhangrh @s j tu 文章编号:1006 1355(2010)02 0001 04粒子滤波技术的发展现状综述张瑞华,雷 敏(上海交通大学机械系统与振动国家重点实验室,上海 200240)摘 要:对粒子滤技术的近几年研究发展进行回顾,介绍四大类粒子滤波改进算法,总结目前目标跟踪、导航与定位中存在的问题,展望粒子滤波技术的方法研究及实际应用前景。
关键词:振动与波;粒子滤波;非线性系统;信号处理;目标识别中图分类号:TP27;TN 713;V 2 文献标识码:ADO I 编码:10.3969/.j issn .1006-1355.2010.02.001Review of State of The A rt of Particle Filtering TechniqueZHANG Rui hua,LEI M in(S tate Key Laboratory ofM echanical Syste m and V ibration ,Shangha i Jiao tong Un i v ersity ,Shangha i 200240,China)Abstract :Th is paper rev ie w s the state of the art of particle filtering techn i q ue .The novelm ethods for particle filtering ca lculati o n o f four k i n ds of particles are i n troduced .The prob l e m s i n tar get track i n g ,nav i g ation and orientation are summ ar ized.A t las,t t h e further study and practica l app li c ations of particle filtering techn ique are prospected .Key w ords :v i b ra ti o n and wave ;particle filtering ;nonlinear syste m s ;si g na l pr ocess ;target recog niti o n粒子滤波(Partic le Filter ,PF )技术是一种用于非线性、非高斯系统的滤波方法。
在其发展过程中有很多表述方法,如Bootstrap filter ,C ondensati o n M onte Carlo filter ,Particle filter 等,目前使用最多的是英文 Particle filter 中文 粒子滤波 。
粒子滤波思想最早可以追溯到上一世纪50年代末H e mm ers ley 等人[1]提出的基于贝叶斯采样估计的顺序重要采样(SI S)滤波思想。
60年代以后粒子滤波技术得到了一定的发展,但研究中一直存在粒子退化、重采样可能减少正确的粒子数和计算量制约等致命问题,从而没有引起人们足够的重视。
直到上个世纪90年代初,Go r dan 等人[2]提出在递推过程中重新抽样的思想,奠定了粒子滤波实用性的基础,随后许多改进算法相继被提出,使得粒子滤波技术得到迅速发展。
目前该技术已被广泛地应用到诸多领域里,如目标跟踪及导航与制导、状态监视和故障诊断、参数估计与系统辨识、人手臂运动识别、计算机视觉、金融领域等[3-9]。
1 粒子滤波技术发展现状根据SC I 数据库的检索报告,从1990年至今共有482篇SC I 的 粒子滤波(Parti c le F ilteri n g) 标题文章,而近5年的标题文章就有336篇,占全部标题文章的69.7%,并且 粒子滤波(Partic le F iltering) 的主题文章近5年就有将近1500篇之多,可以说粒子滤波技术已受到学者和科研人员的高度关注,成为当今一个非常活跃的研究领域。
粒子滤波是针对所有可能的观测值,通过状态空间随机生成一些粒子,每个粒子利用贝叶斯准则进行加权修正,然后递归构造状态变量的条件概率密度,以近似估计实际的系统状态。
Gordan 等人[2]粒子滤波技术的发展现状综述利用重新采样方法实现粒子滤波思想,但从离散近似的后验概率密度中重新采样粒子通常会导致粒子退化现象出现,即出现粒子匮乏问题。
随着计算机技术和信号处理技术的发展,出现了许多粒子滤波算法,这些算法大致可分为四类:(1)基于观测数据的改进算法1999年P itt等人[10]提出辅助粒子滤波(APF),即根据k步的观测,重新采样k-1步的粒子以使k 步的粒子逼近实际状态。
这种方法在低噪声情况下很有效。
Storv i k等人[11]提出基于充分统计量的粒子滤波方法,即假定在观测z1:k确定时,利用充分统计量代替重采样过程更新每一个时刻的参数粒子集合。
随后侯代文等人[12]利用给予充分统计量和双重估计方法,提出双重粒子滤波方法(DPF),对存在未知参数的非线性系统进行状态和参数联合估计。
H ayk i n等人[13]2004年利用多输入多输出的通道状态信息提出梯度算法的粒子滤波(GPF)。
还有利用确定的点产生粒子的扩展卡尔曼粒子滤波(EKPF)[14]、无迹粒子滤波(UPF)[15]和平方根无迹粒子滤波算法(SRUPF)[16]。
Abda llah等人[17]2007年针对非白色有偏观测情况,利用间隔数据分析提出盒子粒子滤波(BPG)。
Liang等人[18]通过平滑前一状态和滤波当前状态的思想获得了在出现双峰可能性时比上述方法更精确的状态估计,但该方法始终需要平滑处理致使算法非常耗时。
随后L iang 等人[19]利用观测通道的相似性改进了算法的耗时性。
Godsill等人[3]根据具体的观测情况提出变采样率粒子滤波。
此外,还有利用观测信息的多类型特性或多尺度特性提出的分层采样滤波算法。
(2)基于核密度估计器的改进算法Ko techa等人[20]利用单一高斯函数近似状态的后验密度,提出高斯粒子滤波,在高斯假设下,保证了粒子的数目最优。
同时,Ko techa等人[21]又提出高斯和粒子滤波(GSPF),即利用一组高斯粒子滤波混合相加或平行运算来近似后概率分布,该方法适合于具有高斯或非高斯噪声的非线性动态状态空间模型的估计。
同类的方法还有核粒子滤波(KPF)[8]、Parzen粒子滤波(PPF)[22]和规则化粒子滤波(RPF)[23]。
袁泽剑等人[24]2003年通过引入一簇高斯-厄米特滤波器(GH F),提出高斯-厄米特粒子滤波器(GHPF),其性能明显优于标准的粒子滤波、扩展的卡尔曼滤波、GHF。
(3)对于特殊系统的改进算法针对有限集统计的多目标跟踪框架,V iho la引进Rao B lackw ellisati o n Partic le F ilteri n g,提出基于有限集统计量多目标跟踪框架的Rao B lack w ellised 粒子滤波器(RBPF)[25]。
随后有人又引入了准高斯粒子滤波(Q GPF)算法[26],提出准高斯R ao B lack w ellized粒子滤波器(Q GRBPF),改进R ao B lack w ellized粒子滤波器(RBPF),在同等估计精度下,大大降低了计算时间。
Khan等人[27]通过引入一步附加的马尔科夫链蒙特卡罗过程,提出基于M C M C粒子滤波算法。
Thrun等人[28]利用实际自变量和一个特殊风险函数使得更多的粒子在状态空间的风险区域中生成,进而降低粒子退化。
随后O rguner等人[29]从理论上研究广义风险函数粒子滤波,进一步扩宽了风险敏感粒子滤波的思路。
H ong等人[30]利用剩余重采样定点策略,提出一种高速粒子滤波(H SPF),通过使用简单有效定点粒子标记方法保证了重采样后的粒子数目与采样前相等。
(4)基于优化算法的改进算法优化算法在处理组合优化问题时具有独特的优势。
近几年来,已有很多学者利用一些优化算法来减缓重采样之后的粒子耗尽问题,使得粒子集更加逼近状态真值的后验分布。
如Oshm an等人[31]将遗传算法与粒子滤波器相结合从矢量观测中进行姿态估计。
遗传粒子滤波方法已被用于人手运动跟踪和移动物体跟踪中[32,33]。
随后Car m i等人[4]又扩展了基于遗传算法的粒子滤波,提出自适应粒子滤波方法。
W u等人[34]针对含模糊噪声的动力系统状态在线估计,提出模糊粒子滤波(FPF)。
该方法利用顺序模糊模拟来逼近状态空间的状态间隔可能性,并根据模糊期望值运算来估计状态。
C lapp[35]通过引入模拟退火思想,提出模拟退火粒子滤波,改善重新采样策略的性能。
G an等人[36]将人工免疫方法引入粒子滤波中,提出的免疫粒子滤波性能优于退火粒子滤波方法。
陆陶荣等人[37]将鱼群算法应用于粒子滤波,提出集群智能粒子滤波算法,其性能优于扩展卡尔曼滤波和常规粒子滤波。
方正等[38]利用粒子群优化算法,提出粒子群优化粒子滤波方法(PSOPF)。
2 目标跟踪中的粒子滤波研究目标跟踪主要涉及运动中捕捉、物体识别、监视、定位、绘图、导航、跟踪等研究内容,根据探测距离的远近可分为三大类:(1)航空航天方面的目标跟踪,如深空探测器、太空船、飞行器等运动跟踪[4,12,39];(2)近地面的目标跟踪,如飞机、导弹、机器人、个人跟踪、人手臂运动、车辆运动、说话人定位、动物跟踪等轨迹监控和识别,以及多目标跟踪,目前在这方面的研究比较多;3(3)水下目标跟踪,如潜艇等导航探测[40]。
这些领域的目标跟踪通常是在非常复杂情况进行目标识别定位和环境参数估计,其相关系统通常是非线性非高斯的,而粒子滤波技术正好适应这种条件,可以给出高精度的目标估计和环境参数估计,因此已被广泛地应用于这些领域的研究中。
尽管目标跟踪领域中的科研人员和工程人员已越来越关注粒子滤波技术的应用研究,但由于这些领域的复杂环境影响,使得基于粒子滤波技术的目标跟踪研究才刚刚起步,如在太空中运动控制和导航、目标与背景对比度差、地形复杂遮盖多以及目标出现的变形、运动非线性和遮挡等,尤其是在水下环境中的目标定位和环境参数估计研究。
而且同时进行目标定位和环境参数估计的研究一直是目标跟踪研究中的难点问题之一。