[发明专利]基于改进型自适应粒子滤波的多智能体网络目标跟踪方法

摘要

基于改进型自适应粒子滤波的多智能体网络目标跟踪方法,包括以下步骤：(1)通过将多智能体协同技术与传统的粒子滤波器结合起来，提出一种具有局部通信、感知和自学习能力的智能体粒子；(2)在状态空间中对智能体粒子某一特定维度值进行整理排序，当相邻粒子间距离低于预先设定的门限值时，保留两者间权值相对较大的粒子；(3)通过系统估计与预测的差值提供的新息知识，在重采样阶段在线自适应调整采样粒子数，归一化权值后对目标位置进行状态估计。

主权项

1.基于改进型自适应粒子滤波的多智能体网络目标跟踪方法，具体包括以下步骤：步骤1.粒子筛选：筛选的基本原则是当相邻智能体粒子间距离低于预先设定的门限值γ时，保留两者间权值相对较大的粒子，去除权值较小的粒子；具体先在状态空间中对于某一特定维度的智能体粒子进行整理排序；相对于随机采样集其中表示粒子i在t时刻的状态值，Nt表示在t时刻的采样粒子数，我们用表示粒子i的状态向量x经过第d维排序后的状态集；排序后相邻粒子根据欧氏距离公式进行对比筛选：上式条件成立下，比较这两个粒子的权值大小，如果其中表示第i个粒子t时刻的权值，为第i+1个粒子t时刻的权值，保留否则，保留如果上式条件不成立，则同时保留这两个粒子；用集合Kt表示已经消除的智能体粒子序标集合，以及St＝{1,...,Nt}\Kt表示保留下来的粒子序标集合；起初，Kt为空集，公式(1)中，序标i的值来自集合St；步骤2.Nt+1的选取：经过粒子筛检之后，为了确保滤波精度，引入新息误差估计，通过系统估计与预测的差值提供的新息知识，在重采样阶段在线自适应调整采样粒子数，在保证粒子采样高效性的同时，也很好地实现了算法的实时性；假设t时刻粒子的估计值为采用以下公式计算累积新息误差： ϵ t 2 ( n ) = ( z t - h t ( x ^ t ) ) T Σ n - 1 ( z t - h t ( x ^ t ) ) - - - ( 2 ) ]]>其中∑n表示观测噪声nt的协方差矩阵，zt表示t时刻的量测值，表示估计量测值，n表示用于估计状态的粒子个数；计算所需的粒子均来自集合St；采样粒子的数量和系统的新息误差相关，当误差较小时，用少量的采样粒子就可以高精度地逼近系统分布；当误差较大时，粒子的采样范围扩大，同时增加采样粒子数目，以保证采样的精度；下一时刻的粒子采样数由以下公式得出： N t + 1