[发明专利]一种用于解决合并量测问题的Gibbs采样方法

说明书

本发明属于电子对抗技术领域，具体为一种用于解决合并量测问题的Gibbs采样方法。是为了解决在多目标跟踪应用场景中，多个目标可能只产生单个量测而引起的关联失配问题(称为合并量测问题)，保证在这种情况下依然能够跟踪上每一个目标。一种传统的解决方法是应用分组的思想，将可能产生合并量测的所有目标看作一个组进行处理。这种方法的缺点是，随着目标数的增加，可能会有计算爆炸问题。针对此，本发明提出将Gibbs采样的方法应用到标记多伯努利(LMB)滤波器中，并用高斯混合(GM)的方式实现，以缓解分组方法带来的计算负担。

技术领域

本发明属于电子对抗技术领域，是为了解决在多目标跟踪问题中，多个目标可能只产生单个量测而引起的关联失配问题，保证在这种情况下依然能够跟踪上每一个目标。

背景技术

在典型的多目标跟踪中，采用的观测模型为点量测模型，意思是目标和量测之间是一一对应的，连续多个时刻都没有和量测关联上的目标被认为消亡，没有和目标关联上的量测被认为是杂波/虚警。在理想的传感器观测环境下，每一个目标都以一定概率相应产生一个量测，这种观测模型比较适用。但是在实际的应用中，传感器的分辨率有限，两个或者更多目标产生的量测很有可能会在传感器的同一个分辨单元中，这就导致多个目标只会产生一个量测。例如，在距离传感器观测场景中，多个交会的目标在彼此靠近的过程中，由于空间位置接近，到传感器的距离也很接近，传感器可能只会产生一个距离信息，这是因为目标在运动状态空间接近所致。同时，目标在观测空间接近也可能导致这个问题。例如，在纯方位传感器中，多个目标在位置上相距甚远(甚至可以依靠肉眼分辨)，但是它们与传感器的夹角接近，也会只产生一个角度信息。这种现象被称为合并量测，如果依然采用点量测模型，可能会导致目标的丢失，影响跟踪效果。

一种直观的解决方法是，在两步跟踪法的预测步骤完成后，将所有的在观测空间上接近的目标划分为一组，这一组至多产生一个量测信息。把所有可能的分组全部列出，分别在每一种分组情况下，利用量测更新各组状态，最后进行融合得到目标的后验状态。但是，这种方法计算复杂度相当高，可能会随着目标数的增加而陡增，不适合用在目标数目较多的情况。

LMB(标记多伯努利)滤波器是GLMB(广义标记多伯努利)滤波器的一种特例，将多目标概率分布近似为多伯努利分布，每一个伯努利分量都带有一个独特标记，以区分彼此。它的计算过程大致为：已知先验LMB信息，首先进行预测得到预测LMB信息，它由存活LMB信息和新生LMB信息组成。然后，基于GLMB的思想，列出不同的假设，得到预测GLMB信息。接着，利用该时刻的量测信息，更新每一个预测假设，得到更新GLMB信息。最后，将GLMB转回LMB，得到更新LMB信息，从中提取状态估计即可。

发明内容

本发明针对分组方法引起的计算爆炸问题，提出将Gibbs采样的方法应用到LMB滤波器中，以减小运算时间。

为便于理解，对本发明采用的Gibbs采样进行如下说明：

这是一种从复杂多维分布中抽取多维样本点的采样方法。由于马尔科夫链的平稳性质，当抽样次数超过一定阈值时，采样点反映的多维分布不再变化，因此可以通过这种方法解决同时从复杂的高维分布中选取多维样本值的困难。对于一个n维的概率分布π(x₁,x₂,…,x_n)，Gibbs采样的思想是将多维采样转化为多次一维采样来实现。一种通用的步骤是，可以通过在n个坐标轴上轮换采样，来得到新的样本。对于轮换到的任意一个坐标轴x_i上的转移，马尔科夫链的状态转移概率为p(x_i|x₁,x₂,…,x_i-1,x_i+1…,x_n)，即固定n-1个坐标轴，在某一个坐标轴上移动。具体的实现流程如下：

(1)给定先验分布π(x₁,x₂,…,x_n)，设定需要的样本个数N；

(2)随机初始化一组初值