摘要:在数据关联不确定,检测不确定和噪声的环境下,传感器检测不到所有目标,并且因为杂波的存在,还会出现虚假测量。为了联合估计时变目标数及其状态,传统的方法是将目标和观测进行精确的关联。比如:NN,MHT,JPDA,PMHT等。但由于组合性质,其计算量很大。而现在的解决方法是对称测量方程(symmetric measurement equations)和随机有限集RFS(random finit sets)。RFS主要将目标和观测分别作为一个随机有限集,再利用线性高斯模型来求得PHD递归方程的解,从而得到其后验强度。最后,论文使用扩展卡尔曼滤波器 EK filters(the extended Kalman filters)和无迹卡尔曼滤波器 UK filters(the unscented Kalman filters)将算法拓展到非线性目标运动。
本篇博客将分为四部分来讲解。第一部分为问题制定;第二部分为线性高斯模型的PHD递推;第三部分非线性高斯模型的PHD递推;第四部分为总结与展望。
一、提出问题
这部分提出了一个问题,在由单目标贝叶斯滤波器到多目标贝叶斯滤波器再到PHD滤波器的推理中,最后,如何解决PHD递归方程无封闭解的问题,即:数值积分有维数之灾。
1. 单目标贝叶斯滤波器
转移概率密度:
似然函数:
后验概率密度:
单目标贝叶斯递归方程:
k时刻先验密度:
k时刻后验密度:
k时刻目标状态获得方法:一是最小均方误差MMSE(the minimum mean squared error criterion),二是最大后验准则MAP(the maximum a posteriori criterion)
2.基于RFS的多目标贝叶斯滤波器
状态集:
观测集:
其中,为k时刻目标个数,