Improved Interacting Multiple Model Particle Filter Algorithm

Qiaoran Liu,Xun Yang

doi:10.1051/jnwpu/20183610169

Abstract

For the issue of limited filtering accuracy of interactive multiple model particle filter algorithm caused by the resampling particles don't contain the latest observation information, we made improvements on interactive multiple model particle filter algorithm in this paper based on mixed kalman particle filter algorithm. Interactive multiple model particle filter algorithm is proposed. In addition, the composed methods influence to tracking accuracy are discussed. In the new algorithm the system state estimation is generated with unscented kalman filter (UKF) first and then use the extended kalman filter (EKF) to get the proposal distribution of the particles, taking advantage of the measure information to update the particles' state. We compare and analyze the target tracking performance of the proposed algorithm of IMM-MKPF in this paper, IMM-UPF and IMM-EPF through the simulation experiment. The results show that the tracking accuracy of the proposed algorithm is superior to other two algorithms. Thus, the new method in this paper is effective. The method is of important to improve tracking accuracy further for maneuvering target tracking under the non-linear and non-Gaussian circumstances.

Highlights

The results show that the tracking accuracy of the proposed algorithm is superior to other two algorithms
大大下降。粒子滤波作为一种非线性、非高斯系统滤波方法,不受线性化误差和高斯噪声假定的限制, 适用于任何状态转换或测量模型,被广泛应用于复杂环境下机动目标跟踪中,因此,二者的结合能够进一步提高机动目标跟踪精度。然而,粒子滤波存在着“ 粒子退化” 问题,解决该问题的主要方法包括重采样及建议分布优选。本文从建议分布角度出发, 将 UKF 及 EKF 混合,作为建议分布,充分利用了当前量测信息, 与常规算法相比, 具有更高的跟踪精度;另外,本文研究了交互式多模型与粒子滤波算法的 3 种不同结合方式,由仿真实验及分析可知,组合方式 1 更优。

Summary

Introduction

目标跟踪就是运用雷达、红外等传感器得到目标的观测数据,通过合适的滤波算法来对目标每一时刻的运动状态进行精确的估计和跟踪。卡尔曼滤波算法是一种经典的滤波算法,是线性高斯系统中基于最小均方根误差准则对目标进行状态估计的最优滤波方法[1] ,但实际中往往遇到的是非线性、非高斯系统。目前,针对机动目标跟踪算法的研究大部分仍基于卡尔曼滤波器及其变种算法。在非线性系统的滤波中,扩展卡尔曼滤波器( EKF) 较为普遍, 但性能会随着非线性的增强而急速下降。为了解决这个问题, 无迹卡尔曼滤波 ( UKF ) [2] 被提出, 与 EKF 相比,UKF 具有更高的滤波精度,能够得到更精确的系统状态方差估计。然而,二者并不适用于一般的非高斯分布模型。粒子滤波算法( PF) [3] 用一组随机抽样的有相应权值的粒子群来表示后验概率密度,因不受线性误差和高斯噪声的影响,可以运用在任何状态转换模型或测量模型,其应用价值较高。基本粒子滤波算法存在着粒子退化问题,即经过几步迭代以后,除了极少数粒子权值较大外,其他粒子的权值由于较小可以忽略不计。减少粒子退化现象一般有 2 种方法,一种就是选择好的重要密度函数,另一种是使用重采样技术。目前存在多种重采样方法,例如残差采样、最小方差采样、多项式采样等。由于基本粒子滤波算法用系统状态转移概率作为重要性密度函数,没有利用最新观测信息,所以产生的粒子样本集中在后验概率分布的尾部,从而导致粒子选择没有目的性,降低了粒子滤波的精度。因此,为了增加粒子的有效性, 相关学者分别利用 EKF 或 UKF 作为粒子滤波的建议分布, 提出了 EKPF 或 UPF[4] 。除此之外的辅助粒子滤波器 ( auxiliary PF ) [5] 、高斯粒子滤波器 ( Gaussian PF) [6] 、高斯加和粒子滤波器( Gaussian sum PF) [7] 、 PARZEN 粒子滤波器[8] 以及李良群在文献[ 9] 中提出的迭代扩展卡尔曼粒子滤波器( IEKPF) ,这些改进的粒子滤波算法相继被提出。基于改进的交互式多模型粒子滤波算法将传统 IMM 算法的卡尔曼滤波器采用混合卡尔曼粒子滤波实现即交互多模型混合卡尔曼粒子滤波 ( IMM⁃ MKPF) 。下面重点介绍新算法中滤波的实现过程。根据粒子产生的先后及交互输出方式的不同,可以有 3 种不同组合方式,如图 2 所示,其中,j 表示第 j 个粒子,粒子总数为 N。不同组合方式下,该算法的跟踪精度会有所差异,为此,仿真实验中将对各种不同组合方式的性能进行分析。

Results

Conclusion