专利名称：一种粒子状态估计方法
技术领域：
本发明属于目标跟踪技术领域，具体涉及一种粒子状态估计方法。
背景技术：
在机动目标跟踪领域，粒子滤波得到了深入的研究，如果不考虑其它因素，目标跟踪就是单纯的滤波估计问题。粒子滤波由于适用于任何能用状态空间模型表示的非线性系统，以及传统卡尔曼滤波无法表示的非线性系统，精度可以逼近最优估计，所以被大量应用与目标跟踪领域。但是其本身也存在着一些问题。粒子滤波需要在一定的假设条件下，才能获得比较良好的滤波效果。首先，状态方程Xk+1 = fk(xk, Uk)(其中χ代表状态，k代表时刻，U代表过程噪声)和量测方程k = hk(Xk，Vk) (Ζ代表观测状态，V代表观测噪声)已知； 其次能够从过程噪声分布Uk和先验分布中进行采样；再者用于点估计的似然函数Pkbklxk) 已知。传统的粒子状态估计方法示意图如
图1所示，包括如下步骤初始化，从先验概率密度pog中随机抽取样本点<，采样初始粒子集 P(Xk)(右上角变量i代表粒子，粒子群总数为N)；重要性采样，从建议分布重要性密度函数中采样粒子《=q(Xk I X10-^Zu)；重要性加权，根据公式乂(Iftit) = 乂—!(^/(^[^^(、，-1)计算粒子重要性
N
加权，并且进行归一化； Wk， ；=1状态估计1丨=|；《#，由粒子权值及状态估计目标状态值；
1=\重采样步骤在迭代过程中，有效样本数会减小即出现粒子退化现象，当粒子退化到一定的程度时，粒子群就不能准确的用来对状态进行估值，所以增加重采样步骤来增加粒子数量来解决退化问题。根据权值种，分别复制高权值，丢弃低权值的粒子，得到N个新粒子，然后归一化。该步骤是一个可选择步骤。先验分布会受粒子滤波环境的随机性、跟踪目标的机动性及观测系统的偏差等条件的影响而很难获得准确的信息。在不准确的观察空间中采用权重加权的粒子重要性进行估计真实值，那么明显不会获得准确的估计。同样后验概率更加难以得到，所以考虑从重要性函数中抽样得到。在很多情况下，从最优重要密度函数抽样是比较困难的，一种比较简便而且易于实现的方法就是选择概率密度函数作为重要密度函数。即14^,1)=^( Κ—:)，很显然，将上式带入重要密度计算公式可得 ^=K-IPiyn IO。由于上式中的重要密度函数中未能利用最新的测量信息，以先验密度函数进行抽样得到权系数的方差比起最优密度函数树& I χ^—Ο作为重要密度得到的权系数其方差要大的多。因其形式更简单且易于实现，在粒子滤波算法中已经被广泛使用。但是这种替代对于跟踪系统而言并不适合，因为多维的运动状态参量难以测量以及跟踪探测系统难以实现同时刻大规模采样。
发明内容
本发明的目的是为了克服传统粒子滤波初始阶段由于先验信息不足而对粒子最初先验状态估计偏差较大甚至错误估计导致滤波不稳定甚至发散存在的问题，提出了一种粒子状态估计方法。本发明的技术方案是一种粒子状态估计方法，具体为对目标观测数据的状态进行估计，得到状态信息，将得到的状态信息用于粒子滤波中的重要性采样过程中，对粒子权值进行修正，得到估计状态的粒子群。进一步的，对目标观测数据的状态进行估计具体使用Kalman滤波器。本发明的有益效果本发明的方法通过对目标观测数据的状态进行估计，得到状态信息，将得到的状态信息用于粒子滤波中的重要性采样过程中，对粒子权值进行修正，进而能够克服了由于滤波初始阶段先验信息不足而对粒子最初先验状态进行错误估计进而导致滤波不稳定甚至发散的问题，提高了收敛的速度和目标估计的准确性。说明书附1为现有的粒子状态估计方法原理示意图。图2为本发明的粒子状态估计方法流程图。图3实验一中采用现有的粒子状态估计方法估计不准确形成的发散形态示意图。图4实验一中采用本发明的方法跟踪仿真结果示意图。图5实验二中采用现有的粒子状态估计方法估计不准确形成的发散形态示意图。图6实验二中采用本发明的方法跟踪仿真结果示意图。
具体实施例方式下面结合附图和具体的实施方式对本发明作进一步的阐述。本发明的粒子状态估计方法，具体为对目标观测数据的状态进行估计，得到状态信息，将得到的状态信息用于粒子滤波中的重要性采样过程中，对粒子权值进行修正，得到估计状态的粒子群。这里，对目标观测数据的状态进行估计具体可以使用Kalman滤波器。这里借助 Kalman滤波器，是基于最优估计理论的方法来对粒子最初先验状态进行估计，采用基于 Kalman滤波的参数估计方法，对粒子滤波中的粒子状态采样，使之能适用于实际滤波应用环境。这样就克服了由于滤波初始阶段先验信息不足而对粒子最初先验状态进行错误估计进而导致滤波不稳定甚至发散的弊端。可以看出，这里也可以采用其它形式的滤波器对目标观测数据的状态进行估计。这里，一方面根据已有信息建立初始的粒子种群，同时也开启一个Kalman滤波器。然后探测目标位置信息，以该信息进行粒子滤波器的重要性权值计算和Kalman滤波器的迭代估计，并在起始阶段采用Kalman滤波的估值作为最终的结果，然后对粒子滤波器重要性权值进行评估分析，如果重要性权值不能合理反应跟踪系统的先验情况，粒子都与观察值相差甚远，这时候继续采用Kalman滤波器的估计值对初始粒子进行全部更新。若能合理反应跟踪系统的先验情况，为了减少计算量就不需要Kalman滤波器而单独采用粒子滤波器独立滤波。通过相应几次迭代，当采用Kalman滤波器数据修正之后获得重要性权值比较符合运动目标探测系统随机性的时候，则粒子滤波可以实现较为稳定跟踪，此时就可以进行正常的粒子滤波器进行运动目标参数估计了。为了便于对本发明的理解，对本实施例的方法作更进一步详细的描述，具体如图2 所不Si.粒子滤波器(PF)初始化，开启一个基本粒子滤波器，进行取样粒子、重要性采样、权值归一化、重采样及状态估计，独立完成跟踪目标状态的滤波预测；S2.在粒子滤波器对目标状态进行估计的同时开启一个Kalman滤波器(KF)，同时对该目标进行跟踪滤波估计；S3.在滤波初始阶段，利用Kalman滤波器滤波得到的状态估计及状态协方差构造重要性密度函数，粒子滤波器利用该重要性密度函数进行重要性采样，计算粒子权值并归一化，完成对粒子参数的修正；这里的修正可以理解为采用Kalman滤波的状态估计及状态协方差构造重要性密度函数进行重要性采样得到的粒子权值与粒子滤波器只利用观测进行重要性采样得到的粒子权值进行比较，亦即是通过Kalman滤波器重新计算粒子权值并归一化，而不是使用粒子滤波器直接利用观测信息得到的重要性密度函数进行重要性采样。S4.对粒子滤波权值进行评估，当重要性权值符合运动目标探测系统随机性时，则粒子滤波可以实现较为稳定跟踪，撤销Kalman滤波器，使用粒子滤波器独立跟踪；这里，所述的重要性权值符合运动目标探测系统随机性可以采用如下过程进行判断，当有效采样大小Nrff < 0.9XN时，则重要性权值符合运动目标探测系统随机性，其中，
N # 二---，
V r./、2 为粒子权值，N为粒子群总数。
!=1 WkS5.重新采样粒子，进入下一时刻的滤波。本发明方法的设计思想是由于粒子滤波在粒子滤波开始阶段，先验信息很难精确获得，同时在跟踪系统中也不可能实现对系统初始的探测信息进行大规模的采样的缺点， 利用Kalman滤波器线性最优的特点对粒子滤波器的初值进行修正。本发明方法的实质是基于最优估计理论的方法来对粒子最初先验状态进行估计， 采用基于Kalman滤波器滤波的参数估计方法，对粒子滤波中的粒子状态采样，使之能适用于实际滤波应用环境。当粒子滤波系统进入稳定跟踪之后，则不再利用Kalman滤波器进行修正，这样就克服了由于滤波初始阶段先验信息不足而对粒子最初先验状态进行错误估计进而导致滤波不稳定甚至发散的问题。为评估本发明方法的性能，进行了不同条件下的仿真实验。假定目标在二维平面上运动，χ方向和y方向的观测互相独立，且观测噪声均方差相同，对观测的航迹信息进行滤波。仿真实验一采样周期0. 1秒，目标χ轴方向初始速度为515m/s，y轴方向初始速度为Om/s，χ轴加速度为Om/s2，y轴加速度为9. 8m/s2，量测的标准偏差为50m。采用基本粒子滤波方法，当目标初始状态估计不准确时候，采用前三次探测的值来进行初始估计，其滤波图像即二维运动目标仿真结果如图3所示，其中，纵轴表示目标运行的Y轴坐标，横轴表示目标运行的X轴坐标，单位为米。目标初始位置为(0，12100)，然后开始进行勻加速运动，该仿真用以模拟一个平抛运动，目标受到向下的引力，向下方运行。 其中，实线代表了目标运行的真实航迹，χ型曲线是加上了量测误差之后的系统观察值，而点线为滤波器对量测观察值获得之后滤波值。滤波曲线在观察不久就偏离了真实航迹，表明本次滤波不成功，目标跟踪出现了发散。从图3可以发现，初始阶段粒子滤波仅能根据探测的点迹来估计运动状态的初始情况，在这种情况下，估计值具有比较大偏差，因此随着偏差的增大，粒子状态愈来愈偏离真实目标航迹。这样就造成了跟踪丢失的结果，难以满足实际跟踪系统需求。同样在上述条件下，采用本发明所述的方法，首先同时启动Kalman滤波器和粒子滤波进行跟踪航迹的滤波。粒子滤波初始状态采用Kalman滤波器计算的结果来产生，当粒子滤波跟踪稳定之后，不再使用Kalman滤波的信息，而采用本身的跟踪来进行。二维运动目标仿真结果如图4所示，其中，纵轴表示目标运行的Y轴坐标，横轴表示目标运行的X轴坐标，单位为米。目标初始位置为(0，12100)，然后开始进行勻加速运动， 该仿真用以模拟一个平抛运动，目标受到向下的引力，向下方运行。其中，实线代表了目标运行的真实航迹，χ型曲线是加上了量测误差之后的系统观察值，而点线为滤波器对量测观察值获得之后滤波值。从图中可以看出滤波航迹在观察不久就开始比观测航迹更加接近于真实航迹，表明本次滤波成功的实现对目标进行跟踪，噪声得到了抑制。从图4可以看出，虽然开始阶段由于Kalman滤波器也不能很快的就检测出目标的初始状态，但是随后当检测出来的目标状态与真实数据比较接近的时候，粒子滤波就可以采用该数值作为粒子初始估计状态，然后开始生成分布粒子，从而在随后的跟踪中，慢慢收敛于真实航迹上，而不会出现跟踪航迹的发散。仿真实验二 采样周期0. 1秒，目标χ轴方向初始速度为515m/s，y轴方向初始速度为Om/s，χ轴加速度为-16m/s2，y轴加速度为9. 8m/s2，量测的标准偏差为50m。相对于仿真实验一，仿真实验二在两个方向都具有了加速度变化。依然分别采用传统粒子滤波方法和本发明的方法进行仿真。图5是采用基本粒子滤波方法的仿真结果，其中，纵轴表示目标运行的Y轴坐标， 横轴表示目标运行的X轴坐标，单位为米。目标初始位置为(0，0)，然后开始进行勻加速运动，该仿真用以模拟一个转弯运动，目标受到一个转弯的加速度，该加速度在X轴和Y轴上都有分量，引起目标的一个360度的转弯运动。其中，实线代表了目标运行的真实航迹，χ 型曲线是加上了量测误差之后的系统观察值，而点线为滤波器对量测观察值获得之后滤波值。滤波航迹在观察不久就开始落后与真实航迹，实际过程中，这样大的误差会导致预测不到目标位置，造成跟踪发散。在目标上述运动条件下，由于初始状态估计不准确，随着目标运动时间的不断延长，跟踪的误差积累愈大。最终目标将飞出监控探测预测范围，从而不利于实际监控过程中对目标的预测滤波。图6是采用本发明的方法的仿真结果，其中，纵轴表示目标运行的Y轴坐标，横轴表示目标运行的X轴坐标，单位为米。目标初始位置为(0，0)，然后开始进行勻加速运动，该仿真用以模拟一个转弯运动，目标受到一个转弯的加速度，该加速度在X轴和Y轴上都有分量，引起目标的一个360度的转弯运动。其中，实线代表了目标运行的真实航迹，χ型曲线是加上了量测误差之后的系统观察值，而点线为滤波器对量测观察值获得之后滤波值。从上图中可以看出滤波曲线在观察不久就开始比χ型曲线更加接近于真实航迹，表明本次滤波成功的实现对目标进行跟踪，噪声得到了抑制。从图6可以看出，本发明的方法可以实现对目标的精确跟踪，不会出现发散。本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
权利要求
1.一种粒子状态估计方法，具体为对目标观测数据的状态进行估计，得到状态信息， 将得到的状态信息用于粒子滤波中的重要性采样过程中，对粒子权值进行修正，得到估计状态的粒子群。
2.根据权利要求1所述的粒子状态估计方法，其特征在于，所述的对目标观测数据的状态进行估计具体使用Kalman滤波器。
3.根据权利要求2所述的粒子状态估计方法，其特征在于，具体包括如下步骤51.粒子滤波器初始化，开启一个基本粒子滤波器，进行取样粒子、重要性采样、权值归一化、重采样及状态估计，独立的完成跟踪目标状态的滤波预测；52.在粒子滤波器对目标状态进行估计的同时开启一个Kalman滤波器，同时对该目标进行跟踪滤波估计；53.在滤波初始阶段，利用Kalman滤波器滤波得到的状态估计及状态协方差构造重要性密度函数，粒子滤波器利用该重要性密度函数进行重要性采样，计算粒子权值并归一化， 完成对粒子参数的修正；54.对粒子滤波权值进行评估，当重要性权值符合运动目标探测系统随机性时，则粒子滤波可以实现较为稳定跟踪，撤销Kalman滤波器，使用粒子滤波器独立跟踪；55.重新采样粒子，进入下一时刻的滤波。
4.根据权利要求3所述的粒子状态估计方法，其特征在于，步骤S4所述的重要性权值符合运动目标探测系统随机性采用如下过程进行判断，当有效采样大小Nrff < 0. 9XN时，N # 二---，则重要性权值符合运动目标探测系统随机性，其中，eff为粒子权值，N为粒子t=l Wk群总数。
全文摘要
本发明公开了一种粒子状态估计方法。本发明是针对传统粒子滤波初始阶段由于先验信息不足而对粒子最初先验状态估计偏差较大甚至错误估计导致滤波不稳定甚至发散存在的问题而提出的。本发明的方法通过对目标观测数据的状态进行估计，得到状态信息，将得到的状态信息用于粒子滤波中的重要性采样过程中，对粒子权值进行修正，进而能够克服了由于滤波初始阶段先验信息不足而对粒子最初先验状态进行错误估计进而导致滤波不稳定甚至发散的问题，提高了收敛的速度和目标估计的准确性。
文档编号G06T7/20GK102542577SQ20111043563
公开日2012年7月4日 申请日期2011年12月22日 优先权日2011年12月22日
发明者周雪, 方庆, 沈振, 贾海涛, 陆逸, 鞠初旭 申请人:电子科技大学