[发明专利]一种基于简化容积粒子滤波的目标定位方法

说明书

本发明公开了一种基于简化容积粒子滤波的目标定位方法，所述方法包括：步骤1)建立k时刻的目标运动的状态空间模型；利用状态空间模型对k时刻目标状态进行预测得到第一次滤波结果和协方差矩阵步骤2)记为产生粒子集合的“种子”，以为中心，为半径生成k时刻的粒子集，并为粒子集中的每个粒子计算权值并归一化权值；步骤3)从步骤2)的粒子集中选取“优质粒子”，并将“优质粒子”的权值进行归一化；这些“优质粒子”组成新粒子集；步骤4)对步骤3)得到的新粒子集进行重采样，得到重采样粒子集；步骤5)计算重采样粒子集中粒子的均值为和是k时刻的目标状态向量的输出。

技术领域

本发明涉及目标定位领域，具体涉及一种基于简化容积粒子滤波的目标定位方法。

背景技术

众多经典的滤波算法已经被广泛应用于目标跟踪导航和即时定位与地图构建(simultaneous localization and mapping,SLAM)等系统中，诸如卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)、粒子滤波(PF)等算法。针对上述各算法的不足之处，一系列修正算法陆续被提出。经典的滤波算法可以分为两大类：基于KF框架和基于PF框架的滤波算法。前者是针对高斯噪声条件下高精度算法，而后者是非高斯条件下的最优解决方案。粒子滤波的精度在很大程度上取决于粒子的数目和重要性函数的选取。粒子的数目较多时，计算量的急剧增长为系统带来“维数灾难”。另外，如果重要性函数选择不好，常常会导致滤波发散或者极差的滤波效果。因此，重要性函数对于粒子滤波器的设计是至关重要的。判断重要性函数好坏的一个非常最后那要的标准就是看它能否最大程度地利用最新的量测值，使得采样粒子能体现最新的量测值信息。标准粒子滤波算法的一个潜在缺点就是：基于的一组无法确切地描述真是后验概率密度函数的尾部，这一现象在量测值出现于估计函数之外时更为明显。主要原因就是采用了确定的混合估计函数来估计时变的真实后验分布，即重要性密度函数选取的不理想。

在PF的优化法中，寻找合适的建议密度分布函数是一个比较可行的思路，也一直是学者们的研究热点。如果可以找到最优建议密度分布函数，并引导重采样做正确的采样分布，就可以保证样本集合的有效性，也能够保证PF的估计性能。近些年，有些学者提出将两种方案集成起来的思路，用基于KF的滤波算法改进PF，即用前者产生建议密度分布，指导后续PF过程中的“采样”。比较有代表性的算法有EKF与 PF结合的扩展粒子滤波(EPF)算法，UKF与PF结合得到的无迹粒子滤波(UPF)算法以及比较新的容积粒子滤波(CPF)算法—CKF与PF结合所得。由于CKF的滤波精度优于EKF和UKF，因此CPF的精度也优于EPF和UPF。与PF、EPF、UPF算法相比，CPF大幅度提升了滤波精度，是目前滤波精度最高的算法之一。但是由于PF本身计算量比较大，而且容易出现粒子退化现象，引入CKF算法后又增加了产生每一个粒子的计算量，使计算量成倍增加，“维数灾难”更加严峻。因此，基于CPF算法的目标定位算法虽然能够取得较高的估计精度，但是对定位系统的硬件要求很高，每一次对目标进行位置更新的过程，都需要付出昂贵的计算代价。尤其对于水下作业的定位系统而言，充电、更换电池是非常困难甚至是不可能的事情，所以系统的功耗直接决定其工作寿命。使用几十倍甚至上百倍的功耗去换取精度上几个百分点的上升，对于水下定位系统，尤其是实时定位系统，显然不是一个很明智的选择。总之，巨大的计算量是基于CPF算法的目标定位系统的最大缺点。综上，如何改进定位系统的滤波算法，取得精度与效率的折中具有重大的意义。

发明内容

本发明的目的在于克服上述技术缺陷，提出了一种基于简化容积粒子滤波的目标定位方法，能够显著降低运算量。

为了实现上述目的，本发明的技术方案为：

一种基于简化容积粒子滤波的目标定位方法，所述方法包括：

步骤1)建立k时刻的目标运动的状态空间模型；利用状态空间模型对k时刻目标状态进行预测得到第一次滤波结果和协方差矩阵