系统工程与电子技术

作者：齐美彬, 胡晶晶, 程佩琳, 靳学明

单位：1. 合肥工业大学计算机与信息学院, 安徽 合肥 230009；2. 中国电子科技集团第38研究所, 安徽 合肥 230088

关键词：δ-广义标签多伯努利算法,非线性模型,容积卡尔曼滤波,临近点算法,变分贝叶斯近似

基金：国家自然科学基金资助课题(61771180)

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。

来源：2021年第12期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2021年第12期