[发明专利]一种基于GPU架构的改进的粒子滤波方法

说明书

技术领域

本发明属于粒子滤波技术领域，特别涉及一种基于GPU架构的改进的粒子滤波方法。

背景技术

非线性滤波问题广泛存在于信号处理、数据通信、雷达探测、目标跟踪、卫星导航等诸多领域，这类问题可归纳为存在观测噪声时，非线性系统的状态估计问题。粒子滤波方法是一种较为通用的滤波方法，其采用一系列带有权值的样本点对状态的后验概率分布进行近似，这种方法实质上基于状态搜索进行的。由于在状态逼近的过程中使用了大量的粒子，因此该方法的计算复杂度很高。而且在粒子滤波中存在着两个主要的问题：第一，当粒子采样不准确时，如采样得到的粒子位于实际后验分布的拖尾区域，经过状态搜索后，绝大部分的粒子权值都会趋于0。这会为后验分布的近似带来很大的误差，甚至有可能引起滤波发散。第二，在对状态进行迭代估计的过程中，会出现粒子退化以及粒子贫化的现象，降低了状态估计可用粒子的数量和种类，增大了状态估计误差。

发明内容

本发明的目的在于提出一种基于GPU(图形处理器)架构的改进的粒子滤波方法。本发明，对粒子的重采样进行了改进，提出一种基于二次采样的粒子滤波方法，改善了状态估计的精度。同时，针对粒子滤波方法计算复杂度高的问题，提出了一种基于GPU架构的实现方法，使得运算时间大大降低，提高了算法处理的实时性，可以满足实时处理的需要。

本发明的技术思路是：在标准粒子滤波基础上，通过最大化似然函数引入当前时刻的观测信息，进行二次采样，并使用似然函数计算新粒子的权值，最后通过粒子加权对当前的状态进行估计。并且将计算复杂度高的部分在GPU架构上进行实现，提高了算法的实时性。

为实现上述技术目的，本发明采用如下技术方案予以实现。

一种基于GPU架构的改进的粒子滤波方法包括以下步骤：

S1：利用CPU将粒子个数设定为N，利用CPU设定M个观测时刻，N和M均为大于1的自然数，所述M个观测时刻依次表示为1时刻至M时刻；利用GPU生成N个1时刻初始粒子；设置观测时刻参数k，k＝1,2,3,...M；

S2：利用CPU加载每个观测时刻非线性系统的观测向量，CPU将每个观测时刻非线性系统的观测向量传输至GPU显存；当k＝1时，执行步骤S3；

S3：在GPU中，根据重要性密度函数对k时刻的每个初始粒子进行重要性采样，得出k时刻的多个重要性采样粒子；

S4：在GPU中，根据非线性系统的观测模型，建立似然函数；然后，通过最大化似然函数，对k时刻的每个重要性采样粒子进行二次采样，产生k时刻的多个最大似然采样粒子；

S5：利用GPU得出k时刻每个最大似然采样粒子的接受概率；

S6：在GPU中，根据k时刻每个最大似然采样粒子，得出k时刻非线性系统的状态向量的估计值；

S7：GPU将k时刻每个最大似然采样粒子的接受概率传输至CPU；在CPU中，根据所述k时刻每个最大似然采样粒子的接受概率，得出k时刻每个最大似然采样粒子的重采样索引；然后，CPU将k时刻每个最大似然采样粒子的重采样索引传输至GPU；在GPU中，根据k时刻每个最大似然采样粒子的重采样索引，对k时刻每个最大似然采样粒子进行重采样，得出k+1时刻的多个初始粒子；令k值自增1，然后返回至步骤S3；

S8：将步骤S3至步骤S7重复执行M次，得出M个观测时刻的非线性系统的状态向量的估计值。

本发明的特点和进一步改进在于：

在步骤S1中，建立非线性系统的状态模型和观测模型，非线性系统的状态模型和观测模型表示如下：