粒子滤波算法改进策略研究

第２９卷第２期
２１０２年２月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｏｕｅｓｐｉｔｓａｃｆＣｍｐｔｒｃｏ
Ｖｏ．９Ｎｏ２１２．Ｆｂ２１ｅ．０２
粒子滤波算法改进策略研究
ｔｎ；ｐａｉｌｉｏｔｒｃｅｍｕｔｔｏｏｅａｉｎａｉｎｐｒｔｏ
粒子滤波（Ｆ … 算法作为解决非线性、Ｐ）非高斯及多模分
布的递归Ｂｙｓｎ状态估计问题的研究热点，ａｅｉａ已经广泛应用于诸多领域。然而，由于基于序列重要性采样（ｅｕｎｉｏ— ｓｑｅｔｉｒｌａｍｐ
用退火参数控制状态转移先验分布函数与观测似然函数之间的比例。此外，由于频繁／过少重采样会出现负面效应，为保证能够有合适的重采样次数，于有效样本大小估计值执行自适基应重采样策略。同时，对重采样算法进行改进，方面利用针一部分系统重采样执行速度快的优点，另一方面利用权重优化的思想对其重采样前后权重计算的方法进行改进。而且，为了保证样本的多样性，重采样后执行粒子变异操作。通过单在
Ｒｅｅｒｈｏｍｐｏｅｔａｅｙｆｒｐｒｉｌｌｅｌｏｉｍｓａｃｎｉｒｖｄｓｒｔｇｏａｔｃｅｆｔｒａｇｒｔｉｈ
ＹＵＪｎｘａ，Ｔｉ—ｉＡＮＧＹｎ — ，ＸＵＪｎ — ｎｏｇｌｉｉｇｍｉ
（ｏｅｅｆＣｍｕｒｃｎ＆ＴｃｎｌｙＨｎｎｏｔｈｉＵｉｒｔ，ｉｚｅａ５０３Ｃｉ）ＣｌｇｐｔｉｃｌｏｏｅＳｅｅｅｏｇ，ｅａｌｅｎｎｅｉＪｏｕＨｎｎ４０，ｈａｈｏＰｙｃｃｖｓｙａｏ，４ｎ
处理．
・
４０・６
ｑ＝（ｐ）（ｐ一，ｆ】 ‘ １】“ ＿） ’
计算机应用研究
（）１
，
第２９卷
；，＝１ … ，＋。｝， Ⅳ』
其相应重要性权重计算公式为Ｗ＝ＷＰ（
一
）Ｐ（
一，。
ｍｉｅｄｐｉｅｒｓｍｐｉｇｔｒｓｏｄｂｆｃａｌｉｅｉｒｅｓｕｅｔｅａｐｏｒａｅｒｓｍｐｉｇｎｍｂｒｕｔｅｍｏｅ，ｎｄａａｔｅａｌｈｅｈｌｙｅｅｔｍｐｅｓｚｏｄｒｏａｓｒｐｒｐｉｔｅａｌｕｅ．Ｆｒｒｒｖｎｓｎｔｈｎｈ
ｇｓｅａｕａｅｎｔａｉｔｓｖｒｆｅＹｉｖｌｔｄａｄｉｖｌｄｉｉｅｉｄ．ｓｙｉ
ＫｙｗｒｓａｉｅｆｔｒＰ）ｈｂｉｐｏｏａｄｓｉｕｉ；ｄｐｉｅａｐｉｇＰＲａｇｒｈａｅｎｗｉｔｐｉｉ — ｅｏｄ：ｐｒｃｌ（Ｆ；ｙｒｒｐｓｌｉｒｔｎａａｔｅｒｍｌ；Ｓｌｏｔｍｂｓｄｏｅｈｏｔｚｔｌｉｅｄｔｂｏｖｓｎｉｇｍａ
中图分类号：Ｔ１Ｐ８文献标志码：Ａ文章编号：１０ — ６５２１）２０５ —４０１３９（０２０ —４９０
ｄｉ１．９９ｉｉｓ．０ — ６５２２０．１ｏ：０３６／．ｓｎ１０１３９．０１．２０４
１粒子滤波算法改进策略
１１混合建议分布选择机制．
中起着非常重要的作用。已经提出的四种基本重采样算法，尽管能够在一定程度上解决样本退化，不可避免地增但加了计算复杂度，而且引入了额外的重采样误差。因此，一种新的重采样算法即部分分层重采样算法被研究。
ｔｃａｐｎ，Ｉ）行采样，子滤波算法存在样本退化问ａｅｓｍｉｇＳＳ进ｎ粒
题。为了改进粒子滤波算法的性能，主要提出了两种改进策略：选择好的建议分布和执行重采样算法Ｊ。选择一个好的建议分布，能够有效地防止样本退化。因而许多策略被用于改进建议分布的选择机制Ｊ。其中，合建混议分布不仅考虑了状态转移概率密度函数Ｐ（且考虑了当前最新的观测似然概率密度函数Ｐ（一，一）而。，）因而重，
Ａｂｓｒｃｔａｔ：Ｉｒｒｔｍｐｏｅｔｅａｇｒｔｎｏｄｅｏｉｒｖｈｌｏｉｈｍｅｆｒａｅ，ｔｓｐｐｒｓｕｉｄｔｍｐｏｅｔａｅｙｆｒｐｒｉｌｌｅｌｏｉｈ．ｐｒｏｍｎｃｈｉａｅｔｄｅｈｅｉｒｖｄｓｒｔｇｏａｔｃｅｆｔｒａｇｒｔｍｉＴｍｐｏｅｔａｅｙｆｒｐｒｉｌｌｅｌｏｔｍｉｌｎｃｕｄｆｕｒｓｅ．Ｆｉｓｌｈｅｉｒｖｄｓｒｔｇａｃｅｆｔｒａｇｒｈｍａｎｙｉｌｄｅｏｔｐｓｏｔｉｉｒｔｙ，ｉｔｌｚｄａｈｙｒｄｒｐｓｌｄｓｒｂｔｏｔｕｉｉｅｂｉｐｏｏａｉｔｉｕｉｎｗｉｈａｅｌｎｒｍｅｅｏｃｎｉｅｕｒｅｎｏｍａｉｎｏｈａｅｔｏｅｖｄｍｅｓｒｍｅｔＭｏｒｏｅ，ｔｌｏｉｈｄｔｒｔｎｎａｉｇｐａａｔｒｔｏｓｄｒｃｒｎｔｉｆｒｔｏｆｔｅｌｔｓｂｓｒｅａｕｅｎ．ｅｖｒｈｅａｇｒｔｍｅｅ —
大小确定自适应重采样的阈值，以保证有合适的重采样次数；然后，于权重优化思想提出了一种改进的部分系基
统重采样算法，在利用算法执行速度快的同时优化部分系统重采样算法；最后，重采样后执行粒子变异操作，在以保证样本的多性。通过仿真实验，子滤波改进策略的性能和有效性均得以验证。样粒关键词：粒子滤波；混合建议分布；自适应重采样；于权重优化的部分系统重采样；子变异操作基粒
ｉｐｅｅｔｄａｐｏｅａｉｒｔｅｅａｐｉｇ（ＳｔｒｓｎｅｎｉｒｄｐｒａｓａｆｄｒｓｍｌｍｖｔｌｔｉｉｎＰＲ）ａｏｔｍｂｓｄｏｅｈｏｔｉｔｎｗｉｏｏｌｕｅｅｌｒｈａｅｎｗｉｔｐｉｚｉ，ｈｈｎｔｎｙｓｄｔｇｉｇｍａｏｃｈ
）而且考虑了当前最新的观测似然概率密度函数，
）。因而建议分布为
（略。对于建议分布的选择，用混合建议分布的优点，利同时采Ｐ
收稿日期：２１－８００１０ —３；修回日期：２１ —９１０１０ —６
基金项目：河南省高校科技创新人才支持计划项目（０９ＳＩ０１；南省高等学校２０ＨＡＴＴ２）河
在执行ＰＲ重采样后，Ｓ整个粒子集合的权重不再采用式（）３的方法计算，而是对于重新采样的权重较大和较小的部分
粒子以及权重适中的粒子，一采用归一化方法计算权重。统

１
）。
由于利用了当前最新的观测信息，因而重要性权重相对于以上两种建议分布具有较小的方差。同时，这里利用退火参数ｏ来控制状态转移先验分布函数ＰＬ（。ｕ），与观测似然ｐｚ（函数ｐｚ）间的比例。此时，议分布选择为ｑ＝ｌ（之建Ｐ（）。ｐｘ一，）则重要性权重计算公式为Ｗ＝。“ （。ｕ，
于金霞，汤永利，许景民
（河南理工大学计算机科学与技术学院，河南焦作４４０）５０３摘要：为了改进粒子滤波算法的性能，里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包这
括四部分：首先，采用了结合退火参数的混合建议分布，以考虑３前观测测量值的最新信息；－＂接着，基于有效样本
机动目标跟踪的仿真实验，验证了所提粒子滤波算法改进策略
的性能和有效性。
要性权重的计算具有较小的方差。此外，采样技术的引进是重为了解决基于ＳＳ行采样的样本退化问题，粒子滤波算法Ｉ进在
考虑状态转移先验分布以及观测似然分布这两种建议分布各自的优缺点，合建议分布被提出来。其实质思想是混设计建议分布时，仅考虑了状态转移概率密度函数Ｐ（Ｉ不
，
基于以上的分析，文提出了一种粒子滤波算法改进策本
ｉｌｍｅｔｔｎａｖｎａｅｏＳａｇｒｔｍｕｌｏｏｔｚｄｔｅＰＲａｇｒｔｍ．Ｌｓｙａｉｌｔｔｎｏｅａｉｎａｔｒｒ — ｍｐｅｎａｉｄａｔｇｆＲｌｏｉｏＰｈｂｔａｓｐｉｅｈＳｌｏｉｍｉｈａｔ，ｐｒｃｅｍｕａｉｐｒｔｆｅｌｔｏｏｅｓｍｐｉｇｗａｌｍｅｔｄｔｂａｎｔｅｓｍｐｅｄｖｒｉ．Ｗｉｈｉｌｔｎｐｏｒｍ，ｈｅｏｍａｃｆｔｅｐｏｏｅｔｔ — ａｌｓｉｅｎｅｏｔｉａｌｉｅｓｙｎｍｐｏｈｔｔｔｅｓｈｍｕａｉｒｇａｏｔｅｐｒｒｎｅｏｒｐｓｄｓａｅｆｈｒ

合集下载

粒子滤波器基本原理

基础。
采样阶段
1
采样阶段是粒子滤波器中最重要的步骤之一，其目的是从状态空间中生成一组样本，这些样本代表了系统状态的可能取值。
2
常用的采样方法包括随机采样、重要性采样等，根据具体问题和数据特性选择合适的采样方法。
3
在采样过程中，每个样本都会被赋予一个权重，用于表示该样本代表系统状态的可靠程度。
无人驾驶
无人驾驶是另一个重要的应用场景。在无人驾驶系统中，车辆需要实时感知周围环境并做出决策，以确保安全行驶。粒子滤波器在无人驾驶中主要用于传感器融合和定位。
通过将多个传感器（如GPS、IMU、轮速传感器等）的数据融合，粒子滤波器能够提供高精度的车辆位置和姿态信息。同时，粒子滤波器能够处理传感器数据的不确定性，提高车辆在复杂环境下的定位精度和鲁棒性。
粒子滤波器的参数需要手动调整，如粒子的数量、权重等，这可能会增加使用难度。
对初值敏感
粒子滤波器对初值的选择较为敏感，如果初值选择不当，可能会导致滤波器的性能下降。
粒子滤波器的改进方
06
向
权重更新策略的改进
重要性采样
在权重更新过程中，采用重要性采样技术，根据目标分布和观测数据之间的相似度，调整粒子的权重，以提高滤波器的性能。
机器人导航
机器人导航是粒子滤波器的另一个应用领域。在机器人导航中，粒子滤波器主要用于估计机器人的位置、速度和方向，以实现自主导航。
机器人通过传感器（如激光雷达、摄像头等）获取环境信息，并利用粒子滤波器进行数据融合和状态估计。粒子滤波器能够处理传感器数据的不确定性，并有效应对机器人运动过程中的噪声和干扰。通过不断更新粒子的权重和位置，粒子滤波器能够使机器人精确地跟踪实际环境变化，实现稳定导航。

一种改进的粒子滤波算法

Ａｎｅｗｍｏｄｉｉｅｆｄｕｎｓｃｅｎｔｅｄｐａｒｔｉｃｌｅｉｌｆｔｅｒ
ＮＩＣｈｕｎ－ｇｕａｎｇ
（Ｎｏ９１３８８ＵｉｎｔｏｆＰＬＡ，Ｚｈａｎｊｉａｎｇ５２４０２２，Ｃｈｉｎａ）
密度函数：ｑ（ｌ：一，Ｙ。：）＝Ｎ（，Ｐ），其中 Ⅳ （・）表示高斯函数。
令Ｗ（。）为重要性权值：
，
（５）
３一种新的ＵＰＦ滤波算法
称式（１）和式（２）为主模型，这里主要介绍一种
２ＵＰＦ原理
在粒子滤波器中，关键问题是对建议分布的选
最优的状态估计。对于非高斯非线性系统，如何快速计算积分是研究滤波算法的核心问题。
１．２粒子滤波算法
择。当ｑ（ｌ：一１，Ｙ）＝Ｐ（ｌ：一１，Ｙ０：）时，重要性权值条件方差最小，为最优重要性函数，但实际上很难对它进行采样。在应用中更常使用先验概率密度来作为建议分布：
ｇ（Ｉ：一１，Ｙ０：）Ｐ（Ｉ：一１）。
ＰＦ是通过蒙特卡罗方法实现贝叶斯递归估计。从待估计的后验分布Ｐ（。：ｌＹ。：）中抽样出 Ⅳ个独立
同分布的粒子和相应的归一化权值（），则分

一种改进的粒子滤波目标跟踪算法

期望的概率密度函数满足高斯分布。然而，际系统中的模型往往是非线性非高斯的，时，优估计很实此最
难实现。近年来提出的粒子滤波是一种基于蒙特卡罗仿真的最优回归贝叶斯滤波算法。它不受线性化误差和高斯噪声假定的限制，适用于任何状态转换或测量模型，在许多重要的实际情况下远远优于其他的滤
在目标跟踪的方法中，最常用的是卡尔曼滤波（Ｆ算法［。该算法系统的动态模型都是线性，Ｋ）２】且噪声是高斯的条件下是最优解。然而，目标跟踪中广泛存在着非线性问题，为此人们提出了大量的近似方法，中最经典并广泛使用的是扩展卡尔曼滤波（Ｉ）其Ｅ（算法［。该算法需要对模型进行线性化，：０９２—１２０ —０１修２０ —０６
基金项目：广东省自然科学基金项目，茂名市重点科技计划项目。
作者简介：高欢萍（９５）女，１一，山西吕梁人，８在读硕士，事无线传感器网络研究；从刘美（９７）女，１一，副教授，６博士，从事智能检测
第２卷ｏ
第１期
茂名学院学报
ＪＵＡＦＭＡＯＲＮＬＯＯＭＧＵ、ＮｒＲＳ ⅡＹ
ｖ１２Ｎ．ｏ．０ｏ１
Ｆｂ２０ｅｌ．ｏ９
２１００年２月
一
种改进的粒子滤波目标跟踪算法
高欢萍，刘美杜永贵‘ ，
Ｌ（，）Ｖ＝∑ ｃ：ｕ２／．１２ｉ口，（）１
ｄ＝ｌ一ｌｌｌ２
（）２
式中，＝｝ｉ，，凡为聚类中心；Ｖ（＝１２ …，）Ｕ：｛（＝ｌ２ …ｃｋ，，，）ｕ｝ｉ，，，＝１２ … 凡为隶属度矩阵； “ 表示样

粒子群优化算法的研究及改进

ｏｒ
ｏｐｔｉｍｉｚｅｄｆｕｎｃｔｉｏｎｉｓｄｉｆｆｅｒｅｎｔｉａｂｌｅ，ｄｅｒｉｖａｔｉｖｅ
ｃｏｎｔｉｎｕｏｕｓ．ＴｈｅＰＳＯ
ｉｓ
ｓｉｍｐｌｅｉｎｓｔｒｕｃｔｕｒｅ，ｆａｓｔｉｎ
ｃｏｎｖｅｒｇｅｎｃｅ，ｆｅｗ
ｉｎｐａｒａｍｅｔｅｒｓａｎｄｅａｓｙｉｎｐｒｏｇｒａｍｍｉｎｇ．
Ｓｏｉｔｈａｓａｔｔｒａｃｔｅｄｒｅｓｅａｒｃｈｅｒｓａｔｈｏｍｅａｎｄａｂｒｏａｄａｎｄａｐｐｌｙｅｄｉｎｍａｎｙａｒｅａｓｓｉｎｃｅｉｔｉｓ
ｓｙｓｔｅｍａｔｉｃ
ｓｔｕｄｙ
ＰＳＯ
ｏｎ
ｔｈｅａｓｐｅｃｔｓｏｆ
ａｌｇｏｒｉｔｈｍｍｏｄｉｆｉｃａｔｉｏｎ
ａｎｄｕｓｅｄ
ａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ．Ｔｈｅｍａｉｎ
ｃｏｎｔｅｎｔ
ｉｓ
ａｒｒａｎｇｅｄａｓ
（１）Ｕｐｏｎａｎａｌｙｓｉｎｇｔｈｅ
ｃａｐａｂｉｌｉｔｉｅｓｓｙｓｔｅｍｓｉｓ
１３ｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ．ＴｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔＧＰＳＯａｌｇｏｒｉｔｈｍｈａｖｅｉｍｐｒｏｖｅｄ
ｐｅｒｆｏｒｍａｎｃｅ
（３）Ｂａｓｅｄ
ｏｎ
ｏｆｔｈｅ
ｃｏｎｖｅｒｇｅｎｃｅ
ｓｐｅｅｄａｎｄｔｈｅｓｅａｒｃｈａｃｃｕｒａｃｙ．ｔｈｅ
ａｎｄｔｈｅａｌｇｏｒｉｔｈｍ
ｔｏ‘＇ｐｒｅｍａｔｕｒｅ
ｃｏｎｖｅｒｇｅｎｃｅ”．Ｆｉｎａｌｌｙ，ｔｈｅ
ＰＳＯａｌｇｏｒｉｔｈｍｉｓｎｏｔｓｔｒｏｎｇｉｎｏｆｔｈｅ
ａ
ｃｌｉｍｂｉｎｇａｂｉｌｉｔｙａｎｄｌａｃｋｏｆ

一种改进重采样的粒子滤波算法

ｕｅｓｌｉｎｅａｒｌｙａｎｄｒａｎｄｏｍｌｙｔｏｇｅｎｅｒａｔｅｎｅｗｐａｔｉｒｃｌｅｓｕｓｉｎｇＴｈｏｍｐｓｏｎ— Ｔａｙｌｏｒａｌｇｏｉｔｒｈｍ．Ｅｘｐｅｉｍｅｒｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍ—
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ — ３６９５．２０１３．０３．０２６
Ｐａｒｔｉｃｌｅｉｌｆｔｅｒａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｒｅｓａｍｐｌｉｎｇ
ＣＨＡＮＧＴｉａｎ・ｑｉｎｇ，ＬＩＹｏｎｇ，Ｌ１ＵＺｈｏｎｇ — ｒｅｎ，ＤＯＮＧＴｉａｎ — ｚｈａｏ
（Ｄｅｐｔ．ｏｆＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，ＡｃａｄｅｍｙｏｆＡｒｍｏｒｅｄＦｏｗｅＥｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ１０００７２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｌｏｓｓｏｆｐａｒｔｉｃｌｅｄｉｖｅｒｓｉｔｙｅｘｉｔｉｎｇｉｎｒｅｓａｍｐｌｉｎｇｐｒｏｃｅｓｓｏｆｐａｒｔｉｃｌｅｉｌｆｔｅｒ，ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｅｄａｐａｒｔｉｃｌｅｉｌｆｔｅｒａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｒｅｓａｍｐｌｉｎｇ．Ｉｔｃｌａｓｓｉｉｅｆｄｔｈｅｐａｔｉｒｃｌｅｓｔｏｄｉｆｆｅｒｅｎｔｇｒｏｕｐｓａｃｃｏｒｄｉｎｇｔｏｐａｒｔｉａｌｒｅｓａｍ—

粒子滤波算法研究现状与发展趋势

ｌ引言
在自动控制、信号处理、跟踪导航及工业生产等领域中，来越多地遇到 “ 计 ” 越估问题。由于对复杂系统认识的不断深化，以及估计乃至控制任
个数可能随时问呈指数增加。无味Ｋｌａａｎ滤波ｍ（Ｋ）ＵＦ方法，建立在初始状态分布和系统噪声是
ｃｕｔｒａｕｅｒｎａｙｅｏｎｅｍｅｓｒｓａｅａｌｚｄ．Ｆｒｈｒｏｅ，ｆｆｅｎｉｒｖｄｍｅｈｄｓｏａｔｌｌｒｎｌｏｔｍｓｕｅｔｍｒｉｔｅｍｐｏｅｔｏｆｐｒｉｅｆｔｉｇａｇｒｈｉｃｉｅｉｓｍｍｅｐ．Ｍｅｎｉｕｄｕａｗｈｌｅ，ａｐｉａｉｎｒｏｃｕｄ．Ｆｎｌｐｌｃｔｓａｅｃｎｌｄｅｏｉａｌｙ，ｔｅｐｏｐｃｆｐｒｉｌｌｒｎｓｐｅｈｒｓｅｔｏａｔｅｆｔｉｇｉｒ－ｃｉｅｓｎｅｅｔｄ．Ｋｅｒｓ：ｏｌｎａｓｉｔｎ；ｓｑｅｔａｎｅＣａｌｔｏｓｐｒｉｌｌｒｎｙｗｏｄｎｎｉｅｒｅｔｍａｉｏｅｕｎｉｌＭｏｔｒｏｍｅｈｄ；ａｔｃｅｆｔｉｇｉｅ
以及量测噪声分布均为Ｇｕｓ假设条件下进行ａｓ的
的Ｅ－］２４。为了有效地处理系统的非线性非高斯问
务要求的日益提高，得对复杂系统的估计越来使
越不能回避非线性和非高斯情况… 。传统的扩展Ｋｌａ滤波器（Ｋ）高阶ＥＦ迭代ＥＦ等方法ａｎｍＥＦ、Ｋ、Ｋ只能处理弱非线性系统及高斯噪声条件下的估计

基于动态调节粒子数目的粒子滤波改进算法

第８第１期２卷Ｏ
文章编号：０６—９４（０１１０００１０３８２１）０— ２８— ３
计
算
机
仿
真
２１Ｏ０年１月１
基于动态调节粒子数目的粒子滤波改进算法
李杰。赵，辉
（．中国科学院研究生院，１北京１０４；０００２．北华航天工业学院计算机科学与工程系，河北廊坊０５０）６００摘要：研究优化粒子滤波算法，针对传统的粒子滤波算法在实际的应用中，要求快速实时。但由于实际往往需要大量的粒子
ｏｒｉｌｌｅｍｐｏｅｇｒｔｍｆＰａｔｃｅＦｉｒＩｒｖｄＡｌｏｉｈｔ
Ｌｉ．ＨＡＯＨｕＩｅＺＪｉ’
（．ＧａｕｔＵｉｒｔｆｈｅｅＡａｅｙｏｃｅｃｓＢｉｎ０４０Ｃｉａ１ｒｄａｎｖｓｙｏｉｓｃｄｍｆｉｅ，ｅｉ１００，ｈｎ；ｅｅｉＣｎＳｎｊｇ
数据参与运算，而造成了算法运算耗时的问题。为解决上述问题，提出了一种改进的粒子滤波算法。改进后的算法可以根
据实际应用的情况动态计算参与运算需要的粒子数目，在不需要全部粒子参与运算的情况下，态减少粒子的数目，动减少
算法运算时间，使得改进后的算法运算速度大大加快。实验表明，改进后算法大幅度减少了运算时间，取得了良好的快速实

ｗｉｈｄｎｍｉａｌｅｕｅｈｕｅｆａｔｌｓａｄｔｅｔｒｏｎｉｇｈｘｅｍｅｔｓｏｈｔｔｅｉｒｖｄｈｃｙａｃｌｒｄｃｓｔｅｎｍｂｒｏｒｃｅｎｈｍｅｆｃｕｔ．Ｔｅｅｐｒｎｓｈｗｔａｈｍｐｏｅｙｐｉｉｏｎｉ

基于辅助模型的改进粒子滤波算法

ｓｓｅｗｈｓｒｃｓｎｉｏｉｈＴｈｉｓａｔｌｅｅａｅｙｔｅｍａｎｍｏｅ，ｎｈｅｉｉｇｐｒｉｌｓｙｔｍｏｅｐｅｉｉｓｎｔｈｇ．ｅｆｔｐｒｉｅｉｇｎｒｔｄｂｈｉｄｌａｄｔｅｒｍａｎｎａｔｅｏｒｃｓｃ
ｍａｅｕｌｎｆｅｔｅｕｅｏｂｅｖｄｉｆｒｔｏｆｔｅｐｒｉｌｓＳｈｔｔｅｐｏｌｍｆｐｒｉｌｅｒｄｔｎｋｓｆｌａｄｅｆｃｉｓｆｏｓｒｅｎｏｍａｉｎｏｈａｔｃｅ，Ｏｔａｈｒｂｅｏａｔｃｅｄｇａａｉｖｏ
Ｋｅｒｓ：ｏｌｅｒｅｔｔｎＰＳｙｗｏｄｎｎｉａｓｉｉ；Ｆ；ＲＵＫＦ；ＰＰｎｍａｏＳＦ
０引言
非线性系统的估计问题广泛存在于许多领域，
Ａ．ｎ在ＵＫＦ的基础上给出了ＳＷａＲＵＫＦ（ｑａｅＳｕｒ
（．１西北工业大学航海学院，陕西西安７０７；．１０２２西安邮电学院电信系，陕西西安７０６）１０１
摘要：针对非线性、非高斯系统的目标跟踪精度不太高这一问题，提出一种改进Ｓｍ粒子滤波算法（ＰｉａｇＭＳ —
Ｐ）Ｆ。该算法是由主模型产生第一个粒子，剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波（ＲＵ）递ＳＫＦ来归生成，辅助模型使粒子的观测信息得到充分有效地利用，解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明，提出的改进Ｓｇ粒子滤波算法（ＰＦ的估计性能要明显优于粒子滤波（Ｆ、迹粒子滤ｉｍａＭＳＰ）Ｐ）无

多普勒盲区条件下的改进粒子滤波跟踪算法

第３４卷第３期　２０１３年３月　宇航学报　

Ｊｏｕｒｎａｌ　ｏｆ　Ａｓｔｒｏｎａｕｔｉｃｓ　Ｖｏ１．３４　Ｎｏ

．３　

Ｍａｒｃｈ　２０１３　

多普勒盲区条件下的改进粒子滤波跟踪算法　韩伟，汤子跃，朱振波　（空军预警学院空天基预警监视装备系，武汉４３００１９）　

摘要：机载预警雷达采用脉冲多普勒体制，具有良好的低空探测性能，但其存在不可忽略的多普勒盲区问　题。在Ｅ１标跟踪的过程中，该盲区容易造成目标航迹中断和重起批。针对多普勒盲区条件下的目标连续跟踪问　题，提出了一种基于多假设运动模型的改进粒子滤波跟踪方法。该方法根据多普勒盲区对Ｌｔ标状态的约束形成多　个可能的运动模型，粒子在每个模型下再进行带有状态约束的更新，当新出现的量测值落人任何一个运动模型形　成的粒子云内，则航迹关联成功。仿真结果表明，该算法在不同盲区范围条件下，针对不同机动能力的目标均具有　较高的航迹关联率，能够实现目标的连续跟踪。　关键词：多普勒盲区；目标连续跟踪；多假设运动模型；粒子滤波；航迹关联　中图分类号：ＴＮ９５７　文献标识码：Ａ　文章编号：１０００—１３２８（２０１３）０３－０４１７－０９　ＤＯＩ：１０．３８７３／ｊ．ｉｓｓｎ．１０００—１３２８．２０１３．０３．０１８　

Ａｎ　Ｉｍｐｒｏｖｅｄ　Ｍｅｔｈｏｄ　ｆｏｒ　Ｔｒａｃｋｉｎｇ　Ｔａｒｇｅｔｓ　ｉｎ　Ｄｏｐｐｌｅｒ　Ｂｌｉｎｄ　Ｚｏｎｅ　Ｂａｓｅｄ　ｏｎ　Ｐａｒｔｉｃｌｅ　Ｆｉｌｔｅｒ　

ＨＡＮ　Ｗｅｉ，ＴＡＮＧ　Ｚｉ－ｙｕｅ，ＺＨＵ　Ｚｈｅｎ－ｂｏ　ｆ　Ｄｅｐｔ．Ａｉｒ／Ｓｐａｃｅ—Ｂａｓｅｄ　Ｅａｒｌｙ—Ｗａｒｎｉｎｇ＆Ｓｕｒｖｅｉｌｌａｎｃｅ　Ｅｑｕｉｐｍｅｎｔ　Ａｉｒ　Ｆｏｍｅ　Ｒａｄａｒ　Ａｃａｄｅｍｙ，Ｗｕｈａｎ　４３００１９，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａｉｒｂｏｒｎｅ　ｅａｒｌｙ　ｗａｒｎｉｎｇ　ｒａｄａｒ　ｗｉｔｈ　ｐｕｌｓｅ　Ｄｏｐｐｌｅｒ（ＰＤ）ｓｙｓｔｅｍ　ｈａｓ　ｇｏｏｄ　ｄｅｔｅｃｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　ｆｏｒ　ｌｏｗ　Ｍｔｉｔｕｄｅ　ｔａｒｇｅｔｓ，ｂｕｔ　ｔｈｅ　ｐｒｏｂｌｅｍ　ａｂｏｕｔ　Ｄｏｐｐｌｅｒ　ｂｌｉｎｄ　ｚｏｎｅ（ＤＢＺ）ｃａｎ’ｔ　ｂｅ　ｉｇｎｏｒｅｄ．Ｉｎ　ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｔｒａｃｋｉｎｇ　ｔａｒｇｅｔｓ，ｔｈｅ　ｂｌｉｎｄ　ｚｏｎｅ　ｃａｎ　ｃａｕｓｅ　ｉｎｔｅｒｒｕｐｔｉｏｎ　ｏｆ　ｔａｒｇｅｔ　ｕ＇ａｃｋｉｎｇ　ｔｅｒｍｉｎａｔｉｏｎ　ａｎｄ　ｎｅｗ　ｉｎｉｔｉａｔｉｏｎ　ｏｆ　ｔｒａｃｋ　ｅａｓｉｌｙ．Ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｃｏｎｔｉｎｕｏｕｓ　ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ　ｉｎ　ＤＢＺ，ａｎ　ｉｍＦ・ｒｏｖｅｄ　ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ（ＰＦ）ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉｐｌｅ－ｈｙｐｏｔｈｅｓｉｓ　ｍｏｔｉｏｎ　ｍｏｄｅｌｓ　（ＭＨＭＭ）ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｐｒｏｄｕｃｅｓ　ｍｕｌｔｉｐｌｅ　ｐｏｓｓｉｂｌｅ　ｍｏｔｉｏｎ　ｍｏｄｅｌｓ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔａｒｇｅｔ　ｓｔａｔｅ　ｃｏｎｓｔｒａｉｎｔ　ｄｅｃｉｄｅｄ　ｂｙ　Ｄｏｐｐｌｅｒ　ｂｌｉｎｄ　ｚｏｎｅ．Ｉｎ　ｅａｃｈ　ｍｏｔｉｏｎ　ｍｏｄｅｌ，ｔｈｅ　ｐａｒｔｉｃｌｅｓ　ａｒｅ　ｕｐｄａｔｅｄ　ｗｉｔｈｉｎ　ｓｔａｔｅ　ｃｏｎｓｔｒａｉｎｔ．Ｏｎｃｅ　ｔｈｅ　ｆｉｒｓｔ　ｍｅａｓｕｒｅｍｅｎｔ　ａｆｔｅｒ　ｔｈｅ　ｒｅａｐｐｅａｒａｎｃｅ　ｏｆ　ｔｈｅ　ｔａｒｇｅｔ　ｆｒｏｍ　ＤＢＺ　ｆａｌｌｓ　ｉｎｔｏ　ｐａｒｔｉｃｌｅ　ｃｌｏｕｄ　ｆｏｒｍｅｄ　ｂｙ　ａ　ｃｅｒｔａｉｎ　ｍｏｄｅｌ，ｔｈｅ　ｔｒａｃｋ　ａｓｓｏｃｉａｔｉｏｎ　ｉｓ　ｓｕｃｃｅｓｓｆｕ１．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｕｎｄｅｒ　ｔｈｅ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　Ｄｏｐｐｌｅｒ　ｂｌｉｎｄ　ｚｏｎｅ　ｒａｎｇｅｓ，ｈｉｇｈ　ｔｒａｃｋ　ａｓｓｏｃｉａｔｉｏｎ　ｒａｔｉｏ　ｃａｎ　ｂｅ　ｇｏｔ　ｉｎ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｔａｒｇｅｔｓ　ｗｉｔｈ　ｄｉｆｆｅｒｅｎｔ　ｍａｎｅｕｖｅｒａｂｉｌｉｔｙ．Ａｃｃｏｒｄｉｎｇｌｙ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｂｅ　ｉｍｐｌｅｍｅｎｔｅｄ　ｉｎ　ｃｏｎｔｉｎｕｏｕｓ　ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ．　Ｋｅｙ　ｗｏｒｄｓ：Ｄｏｐｐｌｅｒ　ｂｌｉｎｄ　ｚｏｎｅ；Ｃｏｎｔｉｎｕｏｕｓ　ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ；Ｍｕｌｔｉｐｌｅ—ｈｙｐｏｔｈｅｓｉｓ　ｍｏｔｉｏｎ　ｍｏｄｅｌｓ；Ｐａｒｔｉｃｌｅ　ｆｉｌｔｅｒ；　Ｔｒａｃｋ　ａｓｓｏｃｉａｔｉｏｎ　

基于粒子滤波的车辆自动定位与路径规划算法研究

基于粒子滤波的车辆自动定位与路径规划算法研究摘要：随着自动驾驶技术的发展，车辆的自动定位和路径规划成为了研究热点。

粒子滤波算法作为一种有效的解决方法，能够实现车辆的自动定位和路径规划。

本文基于粒子滤波算法研究了车辆的定位和路径规划问题，通过实验验证了粒子滤波算法在解决车辆定位和路径规划问题上的有效性和可行性。

引言：车辆的自动定位和路径规划是实现自动驾驶的关键技术之一。

通过精确定位和规划最优路径，车辆可以实现自主导航，从而实现自动驾驶。

粒子滤波算法是一种基于概率推理的非线性滤波方法，具有适应非线性系统的能力，在车辆自动定位和路径规划中具有广泛应用前景。

1. 粒子滤波算法的基本原理粒子滤波算法是一种基于贝叶斯滤波的非参数方法，通过一组粒子表示潜在的系统状态，并通过不断迭代更新、权衡粒子权重来实现对系统状态的估计和预测。

其基本原理可分为三个步骤：预测、更新和重采样。

在预测步骤中，根据系统的状态转移模型和控制输入，通过对每个粒子进行状态转移来预测下一时刻的状态。

在更新步骤中，通过观测数据对每个粒子进行权重更新，以反映当前观测数据与粒子状态的匹配程度。

在重采样步骤中，根据粒子的权重对粒子进行采样，以保留权重高的粒子，同时增加权重低的粒子的数量。

通过不断迭代上述步骤，可以获得对系统状态的估计，从而实现车辆自动定位和路径规划。

2. 车辆自动定位与路径规划问题车辆自动定位与路径规划问题是指根据车辆的传感器数据和地图信息，确定车辆在给定时刻的位置和规划最优的路径。

通过粒子滤波算法可以有效解决该问题。

首先，通过车载传感器获取车辆的定位信息，如GPS定位、惯性导航等。

然后，通过粒子滤波算法对定位误差进行修正，提高定位的准确性。

在路径规划方面，通过地图信息和车辆传感器数据，建立路径规划模型。

将车辆所在位置作为起点，目标位置作为终点，利用粒子滤波算法计算出最优路径。

3. 粒子滤波算法在车辆自动定位中的应用粒子滤波算法在车辆自动定位中有着广泛的应用。

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)。