概率数据关联滤波器(PDAF)考虑了落入相关波门内的所有候选回波(确认量测),并根据不同的相关情况计算出各回波来自目标的概率,然后利用这些概率值对相关波门内不同回波进行加权,各个候选回波的加权和作为等效回波,并用等效回波来对目标的状态进行更新。概率数据关联算法是一种次优滤波方法,它只对最新的量测进行分解,主要用于解决杂波环境下的单传感器单目标跟踪问题。在单目标环境下,若落入相关波门内的回波多于一个,这些候选回波中只有一个是来自目标,其余均是由虚警或者杂波产生。利用概率数据关联算法对杂波环境下的单目标进行跟踪的优点是误跟和丢失目标的概率较小,而且计算量相对较小,概率数据关联算法是现代跟踪技术的发展方向之一。
状态更新与协方差更新
表示
时刻落入某个目标相关波门内的候选回波集合,
仍表示为直到
时刻的确认量测的累积集合,即
其中:
式中:是相关波门内的候选回波数。
定义事件:
,
以确认量测的累积集合为条件,第
个量测
源于目标的条件概率为:
是一个后验概率,描述了当已知所有时刻的有效量测(指关联门内的量测值)后,当前时刻每个有效量测起源于目标的概率。与此同时,假设无法通过过去的数据,推断出当前时刻关联门内部不正确的有效量测的个数(即无法从过去的经验推断出
时刻的
个量测中有多少个不起源于目标)。
由于这些事件是互斥的,并且是穷举的,所以(注:构成一个完备事件组首先需要各个事件是互斥的,然后是各个事件发生的概率之和为1.),则
时刻目标状态的条件均值可写为:
其中:是以事件
为条件的目标状态更新估计,即
式中:为与该量测值相对应的新息。新息向量
,
为所有
个量测中的第
个量测,
为预测的量测值
为预测状态值。
如果没有一个量测是源于目标的正确量测,即,则无法进行状态更新,此时的状态更新值要用预测值来近似表示,即
根据上式可得目标状态更新方程的表达式为:
由于,从而
其中
称为组合新息。与更新状态估计对应的误差协方差为:
其中:
其中:;
;
;
当无有效量测时,状态误差协方差矩阵可用预测状态误差协方差矩阵近似替代更新,而没有候选回波来源于目标的概率为
,所以无有效量测时状态误差协方差矩阵的更新情况可用
表示。候选回波中有属于目标的量测的概率为
,因此
可以表示在候选回波中有目标的真实量测情况下状态误差协方差矩阵的更新。由于不能确定哪一个候选回波来源于目标,因此用
表示量测来源的不确定性(每个候选回波存在多大的概率来源于目标),用来加以修正。
PDA算法由于全面考虑了相关波门内所有候选回波的作用,所以算法的跟踪精度较高,丢失目标的可能性较小,适用于杂波环境下的单目标及相关波门不相交的多目标跟踪问题。
关联概率计算
关联概率的计算按如下进行:首先把量测集合分为过去累积数据和最新数据,即
利用贝叶斯准则:
则
,则其概率密度函数为:
因为:
其中:是门概率,表示正确量测落入跟踪门的概率。
若是不源于目标的量测,则其概率密度函数为:
若不正确量测(量测不源于目标,即量测源于杂波或虚警)在确认区域内作为独立均匀分布的随机变量建模,则
其中:为相关波门的体积。
表示
个不正确量测的概率密度(仅有1个量测源于目标(也只允许一个量测源于目标),其概率密度为
)。
由参考文献已知事件的条件概率为:
由于当前时刻关联情况与之前的量测无关:
式中,是目标检测概率,也就是正确量测完全被检测的概率;即目标会被传感器检测到的概率,由传感器性能决定,是一个已知值。
是门概率,表示正确量测落入跟踪门的概率,即目标出现在关联门内的概率,与关联门的形式设计有关。
是虚假量测数(杂波点)的概率质量函数(PMF)。
概率质量函数有参数和非参数两种模型。
1)参数模型:该模型的概率质量函数为具有参数的泊松函数
其中:是虚假量测的空间密度(即单位面积的虚假量测数),
是确认区域的体积,则
是确认门内的虚假量测数也称为杂波数目的期望值。
2)非参数模型:此时该模型的概率质量函数为具有扩散的先验概率密度函数
,其中
为杂波数目的最大可能值
在上面式中使用泊松参数模型,可得
在上面式中使用扩散非参数先验模型,可得
用确认量测的样本空间密度代替泊松参数,非参数模型可直接从泊松模型中得到,即上式可通过令代入使用泊松参数模型的
直接获得。
通过将
与
代入
消去某些项后可得到具有泊松杂波模型的概率:
由于
从而
其中表示量测向量维数,
表示
个确认量测中第
个量测的新息向量,
为第
个量测新息向量的协方差,
是虚假量测的空间密度(即单位面积的虚假量测数)。
定义
则:
若式中的
用
代替,其他不变,则可获得非参数模型的概率
和
:
由于概率含指数项,所以
是高度非线性的。
概率数据关联算法处理流程:
PDAF算法有如下假设:
计算流程图:
算法完整公式:
参考资料:
1、https://zhuanlan.zhihu.com/p/176851546
2、《雷达数据处理及应用》 何友著