基于自适应卷积粒子滤波器(CPF)的无人机(UAVs)识别和跟踪研究（Matlab代码实现）

本文链接：https://blog.csdn.net/weixin_67304359/article/details/137912272

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

💥1 概述

摘要：

自主系统，如无人机（UAVs），需要能够识别和跟踪人群，例如用于救援和监视。大型群体会产生多个具有不确定起源的测量值。此外，传感器噪声特性通常是未知的，但测量值限制在某些区间内。在这项工作中，我们提出了两种解决人群跟踪问题的方法——一种是使用盒子粒子滤波方法，另一种是使用卷积粒子滤波方法。开发的滤波器可以以优雅的方式处理测量起源的不确定性，即解决数据关联问题。对于盒子粒子滤波器（PF），我们推导了在存在杂波的情况下的广义似然函数的理论表达式。还开发了一种自适应卷积粒子滤波器（CPF），并将两种滤波器的性能与标准的顺序重要性重采样（SIR）PF进行了比较。通过一个真实场景（代表体育场中人群运动）对两种滤波器的优缺点进行了说明，用于大量行人的大型群体。实现了准确的估计结果。

引言
跟踪大量对象需要可扩展的算法，能够处理大量数据，其特点是存在杂乱。尽管群体由许多个体组成，但它们通常保持某些运动模式，例如行人群（Ali & Dailey, 2009）的情况。当群体中的对象数量巨大时，例如数百或数千个，跟踪它们每一个是不切实际的（也是不可能的）。与其跟踪每个单独的组件，不如将群体视为一个整体实体。大群体技术识别和跟踪浓度，通常是群体的运动状态和其范围参数（Koch, 2008）。

最近的研究结果涉及群体的建模、模拟和视觉分析，以计算机视觉、交通系统和监视的角度来自Ali、Nishino、Manocha和Shah（2014）。社会力模型（Ali等人，2014年；Helbing和Molnár，1995年；Mazzon和Cavallaro，2013年）已被用来模拟行人的行为，包括通过瓶颈疏散人群。社会力模型还与一些过滤技术结合，用于Pellegrini、Ess、Schindler和Van Gool（2009）中的多目标跟踪。

有大量方法被开发用于跟踪大规模人群的运动状态（例如人群的中心）和它们的大小（范围参数）。最近的一项调查（Mihaylova等人，2014）介绍了该领域的关键趋势。尽管文献中关于跟踪大群体的问题已受到关注，但由于存在的各种挑战，这个问题远未得到解决。其中一些挑战涉及模拟人群实体之间的相互作用、数据关联和人群的动态形状变化。一些提出的方法包括高斯分量混合（Carmi、Septier和Godsill，2012年）和丰富的随机有限集（RFS）方法，例如Grandström（2012）、Granström、Lundquist和Orguner（2011）、Mahler（2007）、Mahler（2009）、Mahler（2013）和Mahler和Zajic（2002）。

本文提出了基于最近开发的箱粒子滤波器（PF）（Gning、Ristic、Mihaylova和Abdallah，2013）和卷积粒子滤波器（CPF）（Angelova等，2013；Campillo和Rossi，2009；Rossi和Vila，2006）框架的两种新型解决方案，用于人群跟踪问题。

箱PF（Abdallah等人，2008年；Gning、Mihaylova等人，2012年；Gning等人，2013年）依赖于箱粒子的概念，该粒子占据在状态空间中具有非零体积的小型可控矩形区域。箱PF能够解决由人群产生的多个测量所引起的数据关联问题。当一架无人机飞越一个区域并收集数据时，从上方看到这个区域时，这是一个常见情况。

与我们以前的作品（例如Petrov、Gning、Mihaylova和Angelova，2012年；Petrov、Ulmke等人，2012年；Petrov、Mihaylova、de Freitas和Gning，2014年）相比，本文具有几个新的贡献：(i) 当状态向量由运动状态和范围参数组成时，导出了箱PF的广义似然函数；(ii) 根据优化，计算了箱PF的似然性，通过解决具有多个测量的约束满足问题（CSP）；(iii) 对人群和杂波测量率进行了在线估计；(iv) 提出了自适应CPF。开发的CPF能够处理多个测量，包括高水平的杂波。它能够解决数据关联问题，而不需要人群和杂波测量率。自适应CPF可以估计动态运动状态和动态参数，这是与Angelova等人（2013年）、Campillo和Rossi（2009年）以及Rossi和Vila（2006年）提出的基于CPF的静态参数方法不同的解决方案。

这两种滤波器在解决非线性估计问题方面具有非常吸引人的特性。这两种滤波器都在不确定和不完美的观测条件下操作：传感器报告的数量波动。

对于两种不同情况评估了箱PF和CPF的性能。首先，在完全匹配的情况下，滤波器使用的模型直接匹配模拟器使用的模型；其次，在通过瓶颈的现实人群的不匹配场景中。将箱PF和CPF与标准的顺序重要性重采样PF（SIR PF）（Doucet、De Freitas和Gordon，2001）在滤波器准确性和计算复杂性方面进行比较。

📚2 运行结果

主函数代码：

%% PURPOSE :
%% Group tracking by means of Convolution Particle Filtering
%% rectangular approximation of the group size
%% group center state = [x_pos, x_speed, y_pos, y_speed]'
%% extent parameters = [a, b]';
clear all
close all

global dt_s N nx nz nv R_sqrt clut clutterRo ones_N

%*******************************************************************
% INITIAL CONDITIONS:
% ==============================
clut = 1; % 0 - no clutter. 1 - clutter added.
clutterRo = 1e-2;

%------ sensor data
%
nz = 2; % dimension of the measurement vector (x, y)
nv = 2; % dimension of the measurement noise vector
std_x = 0.1; %[m] measurement error standard deviations
std_y = 0.1; %[m]

% measurement error covariance matrix ;
R_sqrt = [ std_x 0 ; 0 std_y];
R = [ std_x^2 0 ; 0 std_y^2];

% ------ dynamic model data
%
nx = 6; % dimension of the filter state vector
ne = 2; % dimension of the extent parameters vector

state = [100,0,100,0,40,40]; % initial state
t_max_s = 40; % simulation time
dt_s = 0.125; % sampling time
kmax = ceil(t_max_s/dt_s); % maximum number of time steps (final time step)
N = 1000; % Number of particles
MC_runs = 1; % number of Monte Carlo runs

x_est_all = zeros(MC_runs,nx-ne,kmax);
tita_est_all = zeros(MC_runs,ne,kmax);

%----- initial state
%
std_x0 =[50,10,50,10,30,30]';

%
% ----- CPF constant parameters
%
ones_N = ones(1,N);

if MC_runs > 1
try
load MCRuns
start = length(time_pf)+1;
catch
start = 1;
end
else
start = 1;
end
% ===== Begin the Monte Carlo runs =====
for m = start:MC_runs

rand('state',sum(500*clock)); % Shuffle the pack!
randn('state',sum(800*clock)); % Shuffle the pack! Bernoulli
fprintf('run = %i / %i : \r',m,MC_runs);

crowdInitialise; % Generate ground truth data and measurements
[grState.true_state] = state(1,1:4)';
[grState.true_extent] = state(1,5:6)';
x_0 = [grState.true_state;grState.true_extent];
[xParticle_pf, w] = init_group_state(x_0,std_x0);
tic; % Initialise timer for benchmarking
%
% / ========= Evolution in time =========//
for k = 3:kmax
%
fprintf('run = %i / %i : PF : k = %i / %i \r',m,MC_runs,k,kmax);
%
% ----- prediction step
%
[xParticle_pred, c, ...
]= PF_prediction(xParticle_pf);

clust.measurements= measurements(k).m';
[grState.true_state] = state(k,1:4)';
[grState.true_extent] = state(k,5:6)';

% ===== EVALUATE IMPORTANCE WEIGHTS =====
[w]= CPF_likelihood(xParticle_pred,...
c, clust.measurements, w);
% output estimate
x_est_k = xParticle_pred * w';
% resampling
[xParticle_pf,w]= resampling(xParticle_pred',...
w');

x_est_all(m,:,k) = x_est_k(1:4);
tita_est_all(m,:,k) = x_est_k(5:6);
perf.est(k,:,m) = x_est_k;
perf.state(k,:,m) = [grState.true_state;grState.true_extent];
end

time_pf(m) = toc; % How long did this take?
%
save('MCRuns','perf','time_pf')
end;

mean_time_pf = mean(time_pf);
%
% display final results
disp(' ');
disp('Mean Execution time (seconds)');
disp('-------------------------');
disp(' ');
disp(['PF = ' num2str(mean_time_pf)]);
%************************************************************
plot_crowd