基于变分贝叶斯的分布式融合目标跟踪

doi:10.12263/DZXB.20210043

电子学报 ›› 2022, Vol. 50 ›› Issue (5): 1058-1065.DOI: 10.12263/DZXB.20210043

基于变分贝叶斯的分布式融合目标跟踪

胡振涛¹, 杨诗博¹, 胡玉梅², 周林¹^,², 金勇¹, 杨琳琳¹

^1.河南大学人工智能学院, 河南郑州 450046
^2.西北工业大学自动化学院，陕西西安 710129

收稿日期:2020-12-29 修回日期:2021-02-08 出版日期:2022-05-25 发布日期:2022-06-18
通讯作者: 胡玉梅
作者简介:胡振涛　男，1979年6月出生，河南永城人，现为河南大学人工智能学院教授，主要研究方向为复杂系统建模与估计，运动目标跟踪.E‑mial: hzt@henu.edu.cn
杨诗博　男， 1997年9月出生，河南开封人，现为河南大学人工智能学院硕士研究生，主要研究方向为非线性估计，变分贝叶斯估计.E‑mail: ysb@vip.henu.edu.cn
胡玉梅　女， 1990年10月出生，河南永城人，现为西北工业大学自动化学院博士研究生，主要研究方向为变分贝叶斯估计，运动目标跟踪.E‑mail: hym@mail.nwpu.edu.cn
基金资助:
国家自然科学基金(61976080);河南省科技攻关重点项目(212102310298);河南省教育厅科学技术研究重点项目(19A413006);河南大学研究生教育创新与质量提升计划项目(SYL20010101)

Distributed Fusion Target Tracking Based on Variational Bayes

HU Zhen-tao¹, YANG Shi-bo¹, HU Yu-mei², ZHOU Lin¹^,², JIN Yong¹, YANG Lin-lin¹

^1.School of Artificial Intelligence, Henan University, Zhengzhou, Henan 450046, China
^2.School of Automation, Northwestern Polytechnical University, Xi'an, Shaanxi 710129, China

Received:2020-12-29 Revised:2021-02-08 Online:2022-05-25 Published:2022-06-18
Contact: HU Yu-mei

摘要/Abstract

摘要：

考虑目标跟踪系统中未知时变过程噪声和随机异常量测噪声对目标状态估计精度的影响，本文提出了一种基于变分贝叶斯的分布式融合目标跟踪算法.首先在分布式融合框架下，结合变分贝叶斯机理利用逆威沙特分布和学生t分布，分别对无迹卡尔曼滤波实现中的一步预测协方差矩阵和量测似然概率密度函数进行建模；进而采用平均场变分理论近似解耦噪声分布参数和状态的联合概率密度函数，并通过定点迭代方法更新状态估计和噪声分布参数；最后依据协方差交叉融合策略实现对局部状态估计融合与修正.仿真结果表明，新算法综合考虑系统非线性、过程噪声时变性和量测噪声异常性的综合影响，能够有效提高运动目标的状态估计精度，同时具有较好的自适应性和鲁棒性．

关键词: 变分贝叶斯, 学生t分布, 逆威沙特分布, 无迹卡尔曼滤波, 协方差交叉融合

Abstract:

Considering the influence of unknown time-varying process noise and random abnormal measurement noise in the target tracking system, a new distributed fusion target tracking algorithm based on variational Bayes is proposed. Firstly, on each local platform of the distributed fusion structure, inverse-Wishart distribution and the Student's t distribution are chosen to model the error covariance of one-step prediction estimation and measurement likelihood in the unscented Kalman filter framework according to variational Bayes. And then, the joint probability density function of noise distribution parameters and state are approximately decoupled by mean field variational Bayesian theory, so that state estimation and noise distribution parameters can be updated by fixed-point iteration. Finally, we use the covariance intersection fusion strategy to fuse and correct all local state estimations. The simulation results show that the proposed algorithm, in which system nonlinearity, time-varying process noise and abnormal measurement noise are comprehensively considered, can effectively improve state estimation accuracy of moving targets, and has better adaptivity and robustness.

Key words: variational Bayes, Student’s t distribution, inverse-Wishart distribution, unscented Kalman filter, covariance intersection fusion

中图分类号:

TP391

胡振涛, 杨诗博, 胡玉梅, 周林, 金勇, 杨琳琳. 基于变分贝叶斯的分布式融合目标跟踪[J]. 电子学报, 2022, 50(5): 1058-1065.

HU Zhen-tao, YANG Shi-bo, HU Yu-mei, ZHOU Lin, JIN Yong, YANG Lin-lin. Distributed Fusion Target Tracking Based on Variational Bayes[J]. Acta Electronica Sinica, 2022, 50(5): 1058-1065.

图/表 8

图1 DFUKF-VB算法结构图

表1 仿真参数选取

仿真参数	参数值	仿真参数	参数值
$ω$	-0.052 rad/s	$τ l$	10
$T$	1 s	$v l$	10
$q 1$	0.3 m²/s³	$t s$	100
$q 2$	1×10^-4/s³	M	1000
$q 3$	1 m²/s³	S	5
$q 4$	1×10^-3/s³	$N m$	10

表1 仿真参数选取

仿真参数	参数值	仿真参数	参数值
$ω$	-0.052 rad/s	$τ l$	10
$T$	1 s	$v l$	10
$q 1$	0.3 m²/s³	$t s$	100
$q 2$	1×10^-4/s³	M	1000
$q 3$	1 m²/s³	S	5
$q 4$	1×10^-3/s³	$N m$	10

图2 单次仿真各滤波器估计轨迹

图3 位置估计RMSE

表2 单次仿真条件下各滤波器的平均运行时长

算法	单次平均运行时长（s）
DFUKF‑FN	0.0206
DFEKF‑VB	0.1087
UKF‑VB	0.0563
CUKF‑VB	0.2338
DFUKF‑VB	0.1498
DFUKF‑TN	0.0209

图4 不同变分迭代次数下位置估计ARMSE

图5 不同调谐参数下位置估计RMSE

图6 不同异常概率位置估计RMSE

参考文献 16

1	韩崇昭, 朱红艳, 段战胜. 多源信息融合[M]. 北京: 清华大学出版社, 2010: 32‑36.
	HAN C Z, ZHU H Y, DUAN Z S. Multi-source Information Fusion[M]. Beijing: Tsinghua University Press, 2010: 32‑36. (in Chinese)
2	DAVEY S J, FABRIZIO G A, RUTTEN M G. Detection and tracking of multipath targets in over-the-horizon radar[J]. IEEE Transactions on Aerospace and Electronic Systems, 2018, 55(5): 2277‑2295.
3	YANG C, ZHENG J, REN X, et al. Multi-sensor Kalman filtering with intermittent measurements[J]. IEEE Transactions on Automatic Control, 2017, 63(3): 797‑804.
4	潘泉, 胡玉梅, 兰华,等. 信息融合理论研究进展:基于变分贝叶斯的联合优化[J]. 自动化学报, 2019, 45(7): 1207‑ 1223.
	PAN Q, HU Y M, LAN H, et al. Information fusion progress: joint optimization based on variational bayesian theory[J]. Acta Automatic Sinica,2019, 45(7): 1207‑1223. (in Chinese)
5	SHEN K, JING Z, DONG P. A consensus nonlinear filter with measurement uncertainty in distributed sensor networks[J]. IEEE Signal Processing Letters, 2017, 24(11): 1631‑ 1635.
6	DONG P, JING Z, LEUNG H, et al. Robust consensus nonlinear information filter for distributed sensor networks with measurement outliers[J]. IEEE Transactions on Cybernetics, 2018, 49(10): 3731‑3743.
7	殷旻佳. 雷达/红外分布式融合滤波算法研究[D]. 南京: 南京理工大学, 2017.
	YIN M J. Research on Radar/Infrared Distributed Fusion Filtering Algorithm[D]. Nanjing: Nanjing University of Science and Technology, 2017. (in Chinese)
8	SARKKA S, NUMMENMAA A. Recursive noise adaptive Kalman filtering by variational Bayesian approximations[J]. IEEE Transactions on Automatic Control, 2009, 54(3): 596‑600.
9	HUANG Y, ZHANG Y, WU Z, et al. A novel adaptive Kalman filter with inaccurate process and measurement noise covariance matrices[J]. IEEE Transactions on Automatic Control, 2017, 63(2): 594‑601.
10	SARKKA S, HARTIKAINEN J. Non-linear noise adaptive Kalman filtering via variational bayes[C]//IEEE International Workshop on Machine Learning for Signal Processing. Southampton, UK: IEEE, 2013.
11	HUANG Y, ZHANG Y, SHI P, et al. Robust Kalman filters based on Gaussian scale mixture distributions with application to target tracking[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2019, 40(9): 2082‑ 2096.
12	NURMINEN H, ARDESHIRI T, PICHE R, et al. Skew-t filter and smoother with improved covariance matrix approximation[J]. IEEE Transactions on Signal Processing, 2018, 66(21): 5618‑5633.
13	HUANG Y, ZHANG Y, Li N, et al. A novel robust student's t-based Kalman filter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2017, 53(3): 1545‑ 1554.
14	HUANG Y, ZHANG Y, ZHAO Y, et al. [J]. IEEE Transactions on Signal Processing, 2019, 67(13): 3606‑3620.
15	SUN C, ZHANG Y, WANG G, et al. A new variational Bayesian adaptive extended Kalman filter for cooperative navigation[J]. Sensors, 2018, 18(8): 2538.
16	DINI D H, MANDIC D P, JULIER S J. A widely linear complex unscented Kalman filter[J]. IEEE Signal Processing Letters, 2011, 18(11): 623‑626.

[1]	李淑慧, 邓志红, 冯肖雪, 潘峰. 强杂波背景下基于变分贝叶斯推理的机载雷达目标跟踪算法[J]. 电子学报, 2022, 50(5): 1089-1097.
[2]	侯利明, 连峰, 谭顺成, 徐从安. 闪烁噪声统计特性未知情况下的鲁棒广义标签多伯努利滤波器[J]. 电子学报, 2021, 49(7): 1346-1353.
[3]	徐哈宁, 肖慧, 邓居智. 基于SIMM-UKF和电阻率成像技术的滑坡体形变预测算法研究[J]. 电子学报, 2021, 49(2): 354-361.
[4]	王悦斌, 蒋景飞, 张建秋. 动态出现和/或消失时频信号的模型和分析[J]. 电子学报, 2019, 47(2): 495-501.
[5]	杨智博, 杨春山, 邓自立. 面向跟踪系统的多传感器信息融合鲁棒保性能协方差交叉Kalman估计方法[J]. 电子学报, 2017, 45(7): 1627-1636.
[6]	王磊, 程向红, 李双喜. 高斯和高阶无迹卡尔曼滤波算法[J]. 电子学报, 2017, 45(2): 424-430.
[7]	王天云, 陆新飞, 丁丽, 尹治平, 陈卫东. 基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像[J]. 电子学报, 2016, 44(6): 1314-1321.
[8]	张玲霞, 刘志仓, 王辉, 齐会云, 胡旦. 非线性系统故障诊断的粒子滤波方法[J]. 电子学报, 2015, 43(3): 615-619.
[9]	商临峰, 杨小军, 邢科义. 局域跟踪的测速雷达网量测融合弹道解算[J]. 电子学报, 2013, 41(3): 615-618.
[10]	曲彦文, 张二华, 杨静宇. 交互式多区域模型[J]. 电子学报, 2012, 40(6): 1235-1239.

基于变分贝叶斯的分布式融合目标跟踪

Distributed Fusion Target Tracking Based on Variational Bayes

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 16

相关文章 10

编辑推荐

Metrics