基于带幅度信息的δ-GLMB滤波器的多目标跟踪

在多目标跟踪领域，多目标跟踪的目的是从通常不完美的测量数据中联合估计未知且随时间变化的目标数量及其相应的多目标状态。多目标跟踪面临的一个关键挑战是，与目标相比，杂波通常会产生较弱的回波信号。信号的幅度信息可以被用来增强跟踪性能，通过建立更准确的杂波和目标可能性。传统的多目标跟踪技术，如Viterbi数据关联和多重假设跟踪（MHT），利用幅度信息以改善跟踪性能。然而，当测量数量和目标数量增加时，上述技术的计算负荷呈指数级增长，原因在于必须进行的关联过程。 近年来，马勒提出了随机有限集（Random Finite Set, RFS）的方法，以避免关联过程。概率假设密度（PHD）滤波器、基数概率假设密度（CPHD）滤波器和多伯努利（MB）滤波器的发展已经展示了这种方法的效率和实用性。特别是，δ-广义标记多伯努利（δ-GLMB）滤波器基于RFS理论，能够输出目标轨迹。 本论文提出了一种将幅度信息纳入δ-GLMB滤波器的方法。δ-GLMB滤波器使用幅度似然函数来更新，这在跟踪多个目标时可以提高性能。模拟结果显示，在线性多目标跟踪场景中，这种方法的性能更好。本论文的创新之处在于，它不仅利用了信号的幅度信息，还通过新颖的δ-GLMB滤波器更新方程，进一步提高了多目标跟踪的性能。 关键词包括随机有限集（RFS），多目标跟踪，δ-GLMB滤波器，幅度信息以及贝叶斯滤波。在论文的引言部分，作者提出了问题，并介绍了在多目标跟踪中信号幅度信息的潜在用途。作者提出了一种新的方法，该方法通过考虑信号幅度信息来提高多目标跟踪性能。本文还提到了贝叶斯滤波的重要性，以及它在多目标跟踪中的应用，因为贝叶斯滤波能够为每个时间步提供目标状态的后验分布。 引言部分强调，尽管在传统方法中已经利用了幅度信息，但由于需要进行关联，这些技术的计算复杂度会随着测量数量和目标数量的增加而急剧增加。相比之下，通过RFS方法可以避免这种复杂性，因为它们不需要关联过程。 本研究中所提出的δ-GLMB滤波器方法，通过引入幅度信息，改进了传统滤波器的设计。具体来说，利用幅度似然函数来改进滤波器的更新过程，这在确定信号是来自目标还是杂波时提供了有价值的信息。这种改进使得跟踪算法能够更准确地区分目标和杂波，从而提高跟踪性能。 本论文的模拟结果显示，在线性多目标场景中，基于δ-GLMB滤波器与幅度信息相结合的多目标跟踪方法具有更好的性能。这是通过与现有跟踪技术进行比较得出的，强调了本研究方法在实际应用中的潜在优势。通过对模拟数据的分析，证实了该方法的优越性，为未来在实际环境中实现提供了理论基础和技术支持。