[发明专利]一种基于PHD滤波的群体机器人分布式多目标跟踪方法

说明书

本发明涉及一种基于PHD滤波的群体机器人分布式多目标跟踪方法，包括S1：在初始状态下，群机器人在给定的约束边界内随机分布，根据多机器人位置坐标和权重，构造Power图，划分搜索区域；S2：求解每个机器人对应的Power单元的加权质心；S3：所有的机器人开始由当前位置X移动至对应的h_i(0)，收集相关量测信息，计算归一化常数，更新Power图；S4：根据量测数据，更新PHD并将新PHD作为权值，执行S2，获得新的质心位置坐标；S5：重复S3和S4，直至机器人视野里出现目标；S6：机器人发现目标后，观测目标的运动状态，利用当前雷达测量信息与加速度之间的函数关系，实时估算出加速度扰动量，进行加速度方差自适应调整，保持对该目标的同步追踪。

技术领域

本发明属于机器人跟踪技术领域，涉及一种基于PHD滤波的群体机器人分布式多目标跟踪方法。

背景技术

近年来，随着工业化和信息化的迅速发展，机器人技术已经成为国内外众多学者与专家的研究热点。其中，群体智能算法方向的研究尤为深入，诸如滤波算法、遗传算法、蚁群算法、粒子群算法等等，一些群体智能算法已经运用在了实际的机器人系统中，并发挥了很大作用，例如：国外文献《Study of Formation Control and Obstacle Avoidance ofSwarm Robots using Evolutionary Algorithms》将细菌觅食(BFOA)和粒子群优化(PSO)算法用于群体机器人的编队控制和避障上，国内文献《一种适用于多机器人搜索动态目标的改进粒子群算法》提出了一种改进的粒子群算法，可以更为有效地寻找并跟踪动态目标。

对目标进行搜索跟踪是机器人技术中的一项常规任务，在国防、军事、环境监控、智能交通、灾后救援等领域都有着极为广泛的应用价值。多目标跟踪是指利用机器人的传感器量测数据对其搜索范围内的多个目标的位置、速度等运动状态进行估计的方法，这个过程可以看成一个典型的滤波问题。然而，在很多实际的应用场景中，由于往往会存在目标个数未知、分布复杂，杂波密集、传感器观测误差等问题，干扰因素很多，如何有效准确地估计目标的数目和运动状态，提高对目标的识别和跟踪性能成为当前多目标跟踪问题的关键难点。

传统的多目标跟踪方法主要有联合概率数据互联(JPDA)和多假设跟踪(MHT)，前者建立数据关联的基础上，将多目标的跟踪问题转化为多个单目标状态的估计问题，在目标个数固定、杂波数量较少、观测信息误差小的简单环境中跟踪效果较好，受到了广泛研究，但是面对多目标、杂波密集和观测数据误差较大的环境，计算复杂，易产生组合爆炸，鲁棒性和跟踪精度也严重降低，这就大大限制了它的实际应用。基于随机有限集(RFS)的多目标跟踪概率假设密度(PHD)滤波方法有效避免了数据关联问题，利用一阶统计矩近似多目标后验概率密度分布函数，即PHD，PHD峰值对应目标状态，求PHD积分得到多目标强度，同时将多目标状态集的后验PHD解耦，投影在多个单目标状态空间上，避免了多目标贝叶斯滤波器在RFS空间上进行递推，降低了计算难度，为多目标跟踪问题提供了一种新的解决方案。

在PHD滤波方法中，通常是假设杂波在搜索区域呈均匀分布，且数量满足泊松分布，根据传感器得到的所有量测信息对当前目标的运动状态进行估计，获取最优估计值，而利用持续的后续量测信息对某一时刻状态估计进行平滑，从而得到更加精确的估计结果。运用PHD滤波方法，虽然从一定程度上改善了复杂环境下多个目标的跟踪性能，但是没有充分利用目标的观测信息，造成有用量测数据的丢失，虽然能较为准确地对目标运动状态进行估计，但是并没有从机器人的运动上解决如何实现同步跟踪，此外对于多机器人的路径规划问题也还存在着很大的局限性。