目标跟踪常用算法——EPF、UPF篇

目录

1.扩展粒子滤波算法

1.1 扩展粒子滤波算法简单介绍

1.2 扩展粒子滤波算法流程

2.无迹粒子滤波算法

2.1 无迹粒子滤波算法简单介绍

2.2 无迹粒子滤波算法流程

3.仿真分析

4.参考文献

---

1.扩展粒子滤波算法

1.1 扩展粒子滤波算法简单介绍

结合EKF的粒子滤波称为EPF(Extended Particle Filter, EPF)。

1.2 扩展粒子滤波算法流程

2.无迹粒子滤波算法

2.1 无迹粒子滤波算法简单介绍

粒子滤波的核心是合理选择推荐概率密度，推荐密度选择得与真实密度越接近，滤波效果越好，反之越差，甚至发散。如果粒子滤波与UPF结合起来，推荐密度由UKF确定，则可以解决粒子退化问题，又能使粒子更新时获得量测量的最新后验信息，有利于粒子移向似然比高的区域。结合UKF的粒子滤波称为UPF(Unscented Particle Filter, UPF)。

2.2 无迹粒子滤波算法流程

3.仿真分析

假设一目标在二维平面内做匀速直线运动，观测站处于原点且保持静止，无站址误差。观测站可以实时测量到目标与观测站之间的距离以及方位角(北偏东)。PF、EPF与UPF采用500个粒子，蒙特卡洛仿真10次，滤波状态初值状态为(0m,0m,0m/s,0m/s)。，并将RMSE与CRLB进行对比。

	目标初始状态	量测误差	过程噪声
二维	(-1000m,1000m,20m/s,-8m/s)	100m，1°	1e-4m/s2

4.参考文献

秦永元，张洪钺，汪叔华. 卡尔曼滤波与组合导航原理 [M]. 西北工业大学出版社, 2015.

张程振, 丁元明, 杨阳. 水下目标跟踪粒子滤波算法性能分析 [J]. 火力与指挥控制, 2022, 47(02): 18-24.