自適應(yīng)網(wǎng)格交互多模型不敏粒子濾波算法

許江湖，劉 忠，黨 玲

(1.海軍工程大學(xué) 電子工程學(xué)院，湖北 武漢430033;2.海軍大連艦艇學(xué)院，遼寧 大連116018)

0 引 言

多模型(MM)算法是機動目標(biāo)跟蹤算法中一個很受歡迎的方法。其主要思想是:設(shè)計一系列的模型來代表可能的系統(tǒng)行為方式或結(jié)構(gòu)(稱為系統(tǒng)模式)，基于每個模型的濾波器并行地工作，系統(tǒng)的整體估計則是各模型濾波器所做估計的數(shù)據(jù)融合。大多數(shù)現(xiàn)存的MM 估計算法，包括交互多模型(IMM)算法，在所有的時刻均使用預(yù)先確定的固定模型集合，在這個意義上是具有固定結(jié)構(gòu)(FS)的。固定結(jié)構(gòu)多模型(FSMM)算法存在的缺陷是［1］:為了覆蓋現(xiàn)實環(huán)境中的大范圍的可能的機動，算法所選的模型集合應(yīng)該盡可能大。然而，增加模型的數(shù)量不但會引起計算量的增加，而且由于在當(dāng)前時刻所使用的模型之間存在不一致會引起模型之間不必要的競爭，因此未必能保證跟蹤性能的提高。變結(jié)構(gòu)多模型(VSMM)算法是近年來發(fā)展起來的最有效的機動目標(biāo)跟蹤濾波算法，該算法能克服FSMM 算法的缺陷，且具有較高的費效比(即算法達到的性能和花費的計算量之比)。因此該算法從提出到目前，其在機動目標(biāo)跟蹤應(yīng)用方面一直倍受關(guān)注。然而，目前的MM 算法包括VSMM，各模型濾波算法通常采用卡爾曼濾波或者擴展卡爾曼濾波算法，對非線性、非高斯系統(tǒng)模型，其濾波性能將大大降低。

近年來，粒子濾波(PF)被應(yīng)用于目標(biāo)跟蹤，以解決其中的非線性、非高斯問題［2］?？紤]到MM 算法和PF 算法二者之間的互補性，文獻［3-5］將IMM 與PF 相結(jié)合，提出了交互多模型粒子濾波算法(IMMPF)。IMMPF 由于既能跟蹤目標(biāo)的機動，又不受非線性、非高斯的限制，因此該算法一經(jīng)提出，國內(nèi)外學(xué)者對其進行了相當(dāng)多的研究和改進［6-8］。

由于上述文獻對IMMPF 的改進都沒有涉及到IMM 算法，也就是這些算法在多模型這個意義上都是具有固定結(jié)構(gòu)的，因此，F(xiàn)SMM 算法存在的缺陷，這些算法都不可避免地存在。另外，由于標(biāo)準(zhǔn)粒子濾波算法是用系統(tǒng)狀態(tài)的轉(zhuǎn)移概率作為重要性密度函數(shù)，沒有利用最新量測信息，使得產(chǎn)生的粒子樣本經(jīng)常集中在后驗概率分布的尾部，從而導(dǎo)致粒子選擇的盲目性，降低了濾波精度。為此，本文將一種變結(jié)構(gòu)多模型算法——自適應(yīng)網(wǎng)格交互多模型(AGIMM)算法和UPF 算法相結(jié)合，提出了自適應(yīng)網(wǎng)格交互多模型不敏粒子濾波算法(AGIMMUPF)。該算法通過自適應(yīng)網(wǎng)格實現(xiàn)了模型自適應(yīng)，從而以較小的模型集合覆蓋了目標(biāo)大范圍的機動，并以此來克服固定結(jié)構(gòu)IMMPF 存在的缺陷，同時各模型濾波算法采用不敏粒子濾波(UPF)，使重要性密度函數(shù)融合了最新量測信息，更好地逼近真實狀態(tài)的后驗概率分布。通過計算機仿真證明，提出的算法可以有效提高IMMPF 的費效比。

1 跟蹤模型

考慮如下的隨機混合系統(tǒng):

FSMM 算法(包括IMM)在每個時刻k 使用1 個預(yù)先確定的系統(tǒng)模型集合Mf。該模型集合要選擇等于或接近所有可能的系統(tǒng)模式集合M。而變結(jié)構(gòu)方法建議在每個時刻k 使用根據(jù)包含在量測序列中的所有可能信息來選擇的一個時變模型集合Mk?M。其基本思想是通過使用當(dāng)前起作用的模式信息來選擇包含在M 中在當(dāng)前時刻可能的系統(tǒng)模型Mk。

2 自適應(yīng)網(wǎng)格交互多模型不敏粒子濾波算法

2.1 AGIMM 算法簡介

AGIMM 算法［9］從1 個粗略的網(wǎng)格開始，然后在每個遞歸時間步根據(jù)1 個自適應(yīng)邏輯對網(wǎng)格進行調(diào)整，從而實現(xiàn)模型集合自適應(yīng)調(diào)整。在協(xié)同轉(zhuǎn)彎機動模型的框架內(nèi)，描述模型集合的網(wǎng)格設(shè)為轉(zhuǎn)彎速率的連續(xù)間隔。AGIMM 算法無需事先確定候選模型集合，特別適合系統(tǒng)可能的模型集合很大的情況。

2.2 AGIMMUPF 算法步驟

AGIMMUPF 算法在k 時刻進行濾波之前，首先要進行網(wǎng)格自適應(yīng)調(diào)整:根據(jù)k-1 時刻的模型概率和使用的網(wǎng)格(模型集合)Mk-1，計算k 時刻的網(wǎng)格Mk。由此可見，AGIMMUPF 算法和固定結(jié)構(gòu)IMMUPF 算法最根本的區(qū)別是在AGIMMUPF 算法中，不同時刻使用的模型集合有可能不相同。由此也產(chǎn)生了如何為新模型分配粒子并確定其協(xié)方差的問題。解決方法是基于文獻［1］中建立起來的系統(tǒng)模式集合的狀態(tài)相關(guān)性的概念。簡單地講，這個概念就是給定當(dāng)前系統(tǒng)模式，下一時刻的可能系統(tǒng)模式集合為由馬爾可夫規(guī)律確定的整個模式集合的1 個子集。當(dāng)應(yīng)用到這里的粒子分配并確定其協(xié)方差時，為新的模型最優(yōu)分配粒子，僅考慮那些允許從其他模型切換到這些新模型的模型的粒子及其協(xié)方差。

具體講，新模型mj的粒子(N 為粒子數(shù))可按如下方法得到:為得到粒子，僅使用基于模型集合Ej的粒子這里Ej為Mk-1允許切換到mj中的模型集合，其定義為:

Ej={ml:ml∈Mk-1，plj≠0}。這樣，k 時刻基于模型mj的粒子可以用類似于IMMPF 的交互步驟來完成［10］:

混合權(quán)重為

AGIMMUPF 算法的詳細步驟如下:

1)初始化，k=0

?mj∈M1，抽取符合先驗概率密度的N個粒子及其協(xié)方差。

2)交互運算

由于k 時刻使用的模型集合和k-1 時刻的模型有可能不同，對于新模型可以利用式(3)為其分配粒子，并利用式(4)確定協(xié)方差，而對于原有的舊模型則仍用文獻［10］中的交互步驟進行粒子的輸入交互。

3)UKF 濾波，k=1，2，…

?mj∈Mk，首先計算Sigma 點:

式中:na=nx+nv+nw，λ=α2(na+κ)-na，α 為正值的比例縮放因子，κ 為一個比例參數(shù)。并令:

時間更新:

式中:

量測更新:

采樣粒子:

式中:N(·)表示高斯函數(shù)。

計算權(quán)重:

重采樣:

輸出融合結(jié)果:

4)模型概率更新

模型mj∈Mk預(yù)測量測的均值和協(xié)方差分別為:

粒子的殘差為

模型mj的似然函數(shù)

各模型概率更新:

5)融合輸出

3 仿真結(jié)果與分析

為了比較本文提出的AGIMMUPF 算法和固定結(jié)構(gòu)IMMUPF 算法的性能，考慮3 種固定結(jié)構(gòu)IMMUPF算法:FGIMM3UPF，F(xiàn)GIMM5UPF 和FGIMM7UPF。這里FGIMMn(n=3，5，7)表示使用由n 個固定模型組成的模型集合的固定網(wǎng)格IMM 算法。

這里的仿真情況考慮對一個強機動目標(biāo)的跟蹤。仿真中采用的機動模型為協(xié)同轉(zhuǎn)彎模型［11］。系統(tǒng)狀態(tài)方程和量測方程如下:

式中:

目標(biāo)初始狀態(tài)為［50000，-72，55000，-46］′;機動想定為:在1 ～60 s，156 ～200 s，265 ～310 s，343 ～374 s，414 ～450 s 目標(biāo)1 做勻速直線運動;在61 ～155 s，201 ～264，311 ～342 s，375 ～413 s，目標(biāo)1 分別做了4 個180°轉(zhuǎn)彎，轉(zhuǎn)彎速率分別為1.87%，-2.8%，5.6%，-4.68°/s。

FGIMM3UPF 使用的固定網(wǎng)格為{-1.87°/s，0°/s，1.87°/s}，F(xiàn)GIMM5UPF 使用的固定網(wǎng)格為{-3.74°/s，-1.87°/s，0°/s，1.87°/s，3.74°/s}，F(xiàn)GIMM7UPF 使用的固定網(wǎng)格為{-5.6°/s，-3.74°/s，-1.87°/s，0°/s，1.87°/s，3.74°/s，5.6°/s}。AGIMMUPF 算法的初始網(wǎng)格為{-1.87°/s，0°/s，1.87°/s}。系統(tǒng)過程噪聲和量測噪聲均為零均值0，方差分別為Q=diag{［3，3］}和R=diag{［200，0.005］}的加性高斯白噪聲。采樣周期T=1 s。蒙特卡羅仿真次數(shù)為50 次。粒子數(shù)目為800。

圖1 和圖2 分別為AGIMMUPF，F(xiàn)GIMM3UPF，F(xiàn)GIMM5UPF 和FGIMM7UPF 算法對目標(biāo)濾波的位置均方根誤差(RMSE)。表1 給出了4 種濾波算法對目標(biāo)的濾波平均RMSE。平均RMSE 定義為［12］

式中:MC 為仿真次數(shù);L 為仿真長度;x(k)為真實值;為估計值。算法1 ～4 分別代表AGIMMUPF，F(xiàn)GIMM3UPF，F(xiàn)GIMM5UPF 和FGIMM7UPF。表2 為50 次Monte Carlo 各算法所用的時間。

表1 4 種濾波算法的位置平均均方根誤差/mTab.1 The mean comparison of RMSE in position for different algorithms size/m

圖1 X 軸方向位置RMSE 曲線Fig.1 RMSE in position on X axis

從圖1 和圖2 可以看出，在對目標(biāo)的跟蹤過程中，F(xiàn)GIMM3UPF 在第3、4 轉(zhuǎn)彎處(轉(zhuǎn)彎率分別為5.6°/s 和-4.68°/s)出現(xiàn)了非常大的誤差，這是由于這2 處的轉(zhuǎn)彎率已經(jīng)大大超出FGIMM3UPF 所使用網(wǎng)格的覆蓋范圍;FGIMM5UPF 在上述2 處也出現(xiàn)了較大的誤差，因為FGIMM5UPF 使用網(wǎng)格的覆蓋范圍雖然比FGIMM3UPF 大1 倍，但相比于上述2 處的轉(zhuǎn)彎率仍有較大的差距;而 AGIMMUPF 和FGIMM7UPF 的性能明顯優(yōu)于 FGIMM3UPF 和FGIMM5UPF。這是由于FGIMM7UPF 的模型集合完全覆蓋了目標(biāo)的機動方式，而AGIMMUPF 通過自適應(yīng)網(wǎng)格實現(xiàn)了模型集合自適應(yīng)調(diào)整，也可以完全覆蓋目標(biāo)的機動方式。從表1 可看出，AGIMMUPF 算法的性能稍優(yōu)于FGIMM7UPF，這說明對于固定結(jié)構(gòu)IMMUPF 而言，使用過多的模型會導(dǎo)致在當(dāng)前時刻所使用的模型之間存在不一致，從而引起模型之間不必要的競爭，因此未必能保證跟蹤性能的提高。從表2還可看出，AGIMMUPF 計算量比FGIMM3UPF 高約12%，只有FGIMM7UPF 的40%。綜合上面分析可知，AGIMMUPF 可以提高IMMPF 算法的費效比。

圖2 Y 軸方向位置RMSE 曲線Fig.2 RMSE in position on Y axis

表2 50 次Monte Carlo 仿真各算法所用時間Tab.2 Computation time of 50 Monte Carlo simulation used by the algorithms

4 結(jié) 語

本文將一種變結(jié)構(gòu)多模型算法——自適應(yīng)網(wǎng)格交互多模型(AGIMM)算法和UPF 算法相結(jié)合，提出了自適應(yīng)網(wǎng)格交互多模型不敏粒子濾波算法(AGIMMUPF)。該算法通過自適應(yīng)網(wǎng)格實現(xiàn)了模型自適應(yīng)，從而以較小的模型集合覆蓋了目標(biāo)大范圍的機動，并以此來克服固定結(jié)構(gòu)IMMPF 存在的缺陷，同時各模型濾波算法采用不敏粒子濾波(UPF)，使重要性密度函數(shù)融合了最新量測信息，更好地逼近真實狀態(tài)的后驗概率分布。通過計算機仿真證明，提出的算法可以有效提高IMMPF 的費效比。

［1］LI X R，BAR-SHALOM Y.Multiple-model estimation with variable structure［J］.IEEE transactions on automatic control，1996，41(4):478-493.

［2］CAPPE O，GODSILL S J，et al.An overview of existing methods and recent advances in sequential Monte Carlo［J］.Proceedings of the IEEE，2007，95(5):899-924.

［3］BOERS Y，DRIESSEN J N.Interacting multiple model particle filter［J］.IEE Proceedings-Radar Sonar Navigation，2003，150(5):344-349.

［4］DRIESSEN H，BOERS Y.Efficient particle filter for jump Markov nonlinear systems［J］.IEE Proceedings-Radar Sonar Navigation，2005，152(5):323-326.

［5］MORELANDE M R，CHALLA S.Maneuvering target tracking in clutter using particle filters［J］.IEEE Transactions on Aerospace and Electronic Systems，2005，41(1):252-270.

［6］劉貴喜，等.改進的交互式多模型粒子濾波跟蹤算法［J］.電子與信息學(xué)報，2007，29(12):2810-2813.

LIU Gui-xi，et al.Tracking algorithms based on improved interacting multiple model particle filter［J］.Journal of Electronics ＆ Information Technology，2007，29(12):2810-2813.

［7］張俊根，等.IMM 迭代擴展卡爾曼粒子濾波跟蹤算法［J］.電子與信息學(xué)報，2010，32(5):1116-1120.

ZHANG Jun-gen，et al.IMM iterated extended Kalman particle filter based target tracking［J］.Journal of Electronics ＆ Information Technology，2010，32(5):1116-1120.

［8］FOO P H，et al.Combining the interacting multiple model method with particle filters for manoeuvring target tracking［J］.IET Radar Sonar Navig.，2011，5(3):234-255.

［9］黨玲，許江湖，王永斌.自適應(yīng)網(wǎng)格交互多模型算法［J］.火力與指揮控制，2004，29(4):51-54.

DANG Ling，XU Jiang-hu，WANG Yong-bin.Adaptive grid interacting multiple model algorithm［J］.Fire Control and Command Control，2004，29(4):51-54.

［10］朱志宇.粒子濾波算法及其應(yīng)用［M］.北京:科學(xué)出版社，2010.

［11］LI X R，et al.Design of an interacting multiple model algorithm for tracking in air traffic control systems.IEEE Transactions on Control Systems Technology，1993，1(3):186-194.

［12］胡士強，敬忠良.粒子濾波原理及其應(yīng)用［M］.北京:科學(xué)出版社，2010.