内容主要提取自 edX 平台上Chalmers的micromaster项目:Emerging Automotive Technologies: Sensor Fusion and Non-linear Filtering for Automotive Systems。
对于单目标跟踪,我们主要想解决以下问题:
如图所示,在初始时刻,我们有关于状态的估计 ;在随后的每个时刻,我们有多个测量,记做 ,但每个时刻测量个数不定,因为是单目标跟踪,所以对目标的测量为1个(这里我们假设点目标,即一个目标产生一个点观测)或0个(miss detection,图中用 o 表示),其余的为杂波(clutter,用 x 表示);我们希望连续估计目标的状态 。
1、一般形式
我们希望能够通过递归的方式来求解问题。根据贝叶斯滤波,我们分预测和更新两步进行求解。
预测步:
更新步:
这里我们假设过程为马尔可夫过程。
上式中, 仍有由运动方程给出; 为由当前状态产生观测,包括对目标的观测和杂波。这里需要重新建立对目标和杂波的总的观测方程。
2、包含杂波的观测方程
我们记任意时刻的观测 或 ,即观测值矩阵 的每一列代表一个观测。这里强调 可位于 的任意一列,放在第一列只是为了方便书写。当 非空,即观测到目标时,有 个杂波 ,共有 个观测,;当 为空时, 个观测均为杂波。我们假设杂波的观测与目标的状态和观测均无关,观测到目标的概率为 , 则总的观测方程可写成:
上式共有 项,其中前 表示目标观测是 的其中一列, 表示 的第 列为目标观测 ;最后一项表示未观测的目标。
因此,现在我们需要建模观测到 个杂波的情况,即 。
考虑如下传感器视域,
其中,每个小格代表传感器的最小分辨率。假设每个小格出现杂波的概率为 ,则:
即总视域中出现杂波的个数服从二项分布。我们假设传感器的分辨率无穷小,即 ,此时二项分布收敛于泊松分布,即:
其中, 为泊松分布的参数,有 ,即观测到的杂波数量均值。关于泊松分布,可参考如何通俗理解泊松分布?
因此,我们有:
; 已包含信息 m , 因此相等
;出现m个杂波的概率x杂波出现在观测点
;假设杂波之间相互独立同分布
其中 表示在视域内存在杂波时,杂波是 的概率密度,有:
我们记 为空间概率密度(spatial pdf),则
我们记 为强度函数(intensity function)。
因此,总的观测方程可写成:
上式的化简用到了:
上式表示将观测矩阵的每一列代入 后并求积。
3、完整的更新步
将完整的观测方程代入更新步,可得:
观察上式,其具有如下形式:
且
我们希望将上式变换成:
其中:
因为此时:
我们可以通过归一化 前的系数直接求得 。
不妨令:
则:
与完整观测方程对照,有:
则:
至此,实际上我们已经完成了所有理论推导,得到:
预测步:
更新步:
式中每一项都已知或可通过计算求得。
4、让模型更实用
虽然我们通过理论推导,得到了完整的预测和更新步骤用于进行单目标跟踪,但是通过观察可发现,理论公式中含有大量的积分运算,同时每推进一个时间单位,概率密度的项数增大 倍(当我们有 1 项 时, 有 项)。因此在实际工程中很难直接运用。我们需要对模型进行适当的假设和简化。
1)我们首先假设 与 无关,记做 , 则:
此时 相当于对测量矩阵 的每一列做更新;当 时,保持预测不变,然后求加权和。
2)进一步,对线性高斯模型:
预测步:
即:
更新步:
即:
同时:
是关于 的边缘分布。
经过上述简化后,我们可以很方便地计算推进一个时间步时的预测和更新过程。同时,对于非线性的运动方程和目标观测方程,我们可以使用诸如扩展卡尔曼滤波器等求近似高斯分布的均值和协方差矩阵。
我们指出,经过一个时间步后, 的项数仍较上一个时刻增加 倍,我们可以采用不同的算法来解决此问题。可参见:单目标跟踪小结(2):算法