[发明专利]一种基于GM-PHD滤波的多传感器非顺序量测异步融合方法

权利要求书

1.一种基于GM-PHD滤波的多传感器非顺序量测异步融合方法，其特征在于包括如下步骤：

1)建立多传感器多目标跟踪模型，包括目标运动模型、量测模型、杂波模型，并初始化；

2)建立多传感器非顺序量测异步融合框架，融合中心当前最新的目标估计值对应的时刻为t_k，将其作为下一帧量测的比较基准，用T_k表示(T_k＝t_k)，当接收到一帧传感器的量测，融合中心将量测时间戳t_k+1与T_k比较，判断该量测属于顺序量测或到达滞后量测，然后采取如下融合策略：对于顺序量测，即t_k+1＞T_k，应用高斯混合PHD滤波器进行剪枝合并、预测、更新，得到新的估计结果；对于到达滞后量测，即t_k+1＜T_k，应用基于直接更新法的高斯混合PHD滤波器，先进行反向状态预测，然后借助滞后量测对当前估计结果二次滤波，具体为：

t_k时刻的目标主要分为两类：

第一项为未被检测到的目标，直接用先验高斯分量代替，并利用目标未被检测到的概率(1-P_D，k)对其权重进行修正，这里称为先验目标；第二项代表被检测到的目标，且每一个目标都用所有量测z∈Z_k对其先验高斯分量进行了更新，这里称为后验目标，两种目标分别进行反向状态预测及二次更新；

所述的两种目标分别进行反向状态预测及二次更新，具体为：

(a).t_k时刻未被检测到的目标，即先验目标

(a1).反向状态预测

未被检测到的目标，用先验值作为后验高斯分量，t_d时刻先验目标状态集合可简化表示为t_k时刻的所有目标：

所以，t_d时刻目标的先验强度可以为：

其中，p_S，d为目标存活概率，分别为j个高斯分量的权重、均值和协方差，可推得

其中，为从t_d到t_k的过程噪声v的协方差，为状态变量x和过程噪声v的互协方差；

(a2).滞后量测对最新目标状态的二次更新：

如(a1)中所述，t_d时刻目标的先验强度可以统一表示为高斯混合形式：

其中，分别为反向状态预测得到的第i个高斯分量的权重、均值和协方差；

得到t_d时刻多目标PHD的预测后，依照卡尔曼滤波算法，对于每一个由下式直接对PHD进行二次更新：

式中等号右面第一项代表t_d时刻未被检测到的目标，直接用原有后验高斯分量代替，P_D，d表示t_d时刻目标的检测概率，第二项代表对于每一个量测z∈Z_d，都有对应的更新高斯分量，即：

式中对单个高斯分量使用了卡尔曼滤波的更新方程，具体步骤如下：

依据线性估计基本方程，由反向预测结果可计算出t_d时刻量测的协方差t_k时刻状态x_k和t_d时刻量测zd的协方差更新增益

因此，更新后的高斯分量的均值和协方差为：

(b).t_k时刻被检测到的目标，即后验目标

(b1).反向状态预测

与(a1)中先验目标相似，t_d时刻后验目标状态集合可简化表示为t_k时刻的所有目标：

所以，t_d时刻目标的先验强度可以为：

其中，p_S，d为目标存活概率，分别为j个高斯分量的权重、均值和协方差，类似卡尔曼滤波中的预测步骤，有

其中，为从t_d到t_k的过程噪声v的协方差，为状态变量x和过程噪声v的互协方差，具体表达式如下：

(b2).滞后量测对最新目标状态的二次更新：

如(b1)中所述，t_d时刻目标的先验强度可以统一表示为高斯混合形式：

其中，分别为反向状态预测得到的第i个高斯分量的权重、均值和协方差；

得到t_d时刻多目标PHD的预测后，依照卡尔曼滤波算法，对于每一个由下式直接对PHD进行二次更新：

式中等号右面第一项代表t_d时刻未被检测到的目标，直接用原有后验高斯分量代替，P_D，d表示t_d时刻目标的检测概率，第二项代表对于每一个量测z∈Z_d，都有对应的更新高斯分量，即：

式中对单个高斯分量使用了卡尔曼滤波的更新方程，具体步骤如下：

依据线性估计基本方程，由反向预测结果计算出t_d时刻量测的协方差t_k时刻状态x_k和t_d时刻量测z_d的协方差更新增益

更新后的高斯分量的均值和协方差为：

3)在需要获得目标状态估计的时刻，融合中心对当前最新估计结果进行目标个数及状态提取并输出。