粒子濾波器的優(yōu)化及在純方位跟蹤中的應用

許立太

(蘭州石化職業(yè)技術學院,甘肅蘭州 730060)

0 引言

在目標定位跟蹤過程中,觀測站僅能獲得包含噪聲的目標方位信息,造成了觀測方程的非線性,不能直接利用線性濾波方法獲得目標的運動狀態(tài),是目標跟蹤[1-2]、機器視覺及傳感器網絡定位研究領域的共同難題。擴展卡爾曼濾波器(Extended Kalman Filter,EKF)等傳統(tǒng)濾波器試圖使用線性化方法解決該難題,但圍繞狀態(tài)預測估計的一階展開方法往往近似程度不高,造成EKF等濾波器在純方位跟蹤應用中跟蹤效果不理想,甚至出現濾波發(fā)散的現象。最近,研究人員提出一種新的用于解決非線性濾波問題的濾波器,它是基于這樣一種考慮:近似一種高斯分布要比近似任何一種非線性方程容易的多。他們將這種濾波器稱為無跡卡爾曼濾波器(Unscented Kalman Filter,UKF)[3-5]。實驗證明UKF給出的估計結果比EKF更準確,尤其是它能給出更精確的系統(tǒng)狀態(tài)方差估計。然而,UKF的使用具有一定的限制,它不適用于一般的非高斯分布的模型。解決非線性濾波問題的一種更新的方法是粒子濾波器(particle filter,PF)[6-9],其基本思想是用一組帶有權值的粒子集合來表示解決問題時需要的后驗概率密度[10],然后用這一近似的表示來計算系統(tǒng)的狀態(tài)估計。然而,粒子濾波器主要的問題在于粒子退化問題,由于“退化”會產生粒子數減少,進而會導致失去狀態(tài)的多樣性并最終產生“失真”問題。導致退化的主要原因在于第一,建議分布函數的選擇;第二,粒子數的確定(由此要用到重采樣的方法)。針對以上問題本文提出通過選擇新的建議分布函數的方法來減少粒子濾波的“退化”問題。新算法稱之為改進建議分布的混合粒子濾波算法(UEKF)。

1 非線性濾波算法

1.1 EKF濾波算法

擴展卡爾曼濾波器中系統(tǒng)的狀態(tài)分布用高斯隨機變量(GRV)來表示。在某一時刻,EKF方法將系統(tǒng)的非線性方程在當前關于系統(tǒng)狀態(tài)X的估計處,展開成一階泰勒展式。EKF的具體算法見參考文獻[11-12]。不失一般性,非線性系統(tǒng)可表示如下:

式中,x k∈Rn表示系統(tǒng)狀態(tài)量,vk∈Rq表示系統(tǒng)過程噪聲,y k∈Rp表示系統(tǒng)輸出,w k∈Rr表示系統(tǒng)觀測噪聲。以EKF為建議分布就得到了擴展卡爾曼粒子濾波器。

1.2 UKF濾波算法

對于UKF,這里仍采用如式(1)所示系統(tǒng)狀態(tài)描述,其濾波算法如下:

1.2.1 UT變換

UT變換是計算進行非線性傳遞的隨機向量概率的一種方法,它是基于這樣考慮:近似一種概率分布比近似一種任意的非線性方程或者非線性變換要容易的多,設x是nx維的隨機向量,f:nx→nz是一非線性函數z=f(x),考慮將x通過非線性函數f傳遞,假定x的均值和協方差分別為^x和p x,為了計算關于z的統(tǒng)計量,我們首先選擇2nx+1個帶有權值的樣本點(也稱Sigma點),使其能夠完全獲取隨機變量x的真實的均值和協方差。

1.2.2 UKF

UKF是UT的直接擴展,系統(tǒng)的狀態(tài)分布仍然用一個高斯隨機變量來表示,用一個經過選擇的Sigma點的集合來具體表示,但是狀態(tài)隨機變量被重新定義為原始狀態(tài)和噪聲變量的擴張向量=上標T表示轉秩。通常,UKF使用高斯近似來表示先驗及后驗密度,同樣能夠獲得先驗及后驗密度上的離散度。關于UKF算法的具體實現,參看文獻[3-5]。

1.3 粒子濾波算法

但是,粒子濾波算法的一個主要問題是退化問題,即經過幾步迭代以后,除了極少數粒子外,其他的粒子權值小到可以忽略不計的程度。減少退化現象影響的方法一般有兩種:一是選擇好的重要密度函數,即選擇較好的建議分布;另一種是使用再采樣技術[3,11-13]。再采樣方法就是去除那些權值較小的粒子,而復制權值較大的粒子,即采集更多的權值較大的粒子;但會失去狀態(tài)信息的多樣性。

2 改進建議分布的混合粒子濾波算法

針對上述濾波方法在純方位跟蹤中的缺點,這里采用EKF與UKF混合濾波器作為建議分布,新算法簡稱為改進建議分布的混合粒子濾波算法(UEPF),新算法通過改進粒子濾波的建議分布進而改進粒子濾波的“退化”問題,而且通過新的建議分布函數進而改進其跟蹤精度。具體過程為:在時刻k首先用UKF更新粒子,采用表達式UKF算法的更新步驟獲得狀態(tài)估值^x k,然后計算系統(tǒng)模型與測量模型的雅克比矩陣,利用EKF更新粒子,此時采用所獲得的狀態(tài)估值^xk作為k-1時刻的粒子濾波的狀態(tài)估計,經過計算得到k時刻最終的狀態(tài)及其相應的協方差估計值ˉxik和^Pik。從而可以從建議分布中抽取粒子。假設k-1時刻的狀態(tài)及使用UKF更新粒子。Sigma點的選擇依據UT變換。此后Sigma點分別通過系統(tǒng)模型與測量模型向前傳遞,得到狀態(tài)與協方差的預測值,其均值可按表達式UKF預測步驟計算得到,得到新的測量值y k后,預測狀態(tài)估計量^xk|k-1按照表達式UKF的更新步驟計算得到,其中Kk=為卡爾曼增益,亦可按照表達式UKF的更新步驟來計算,由此可獲得狀態(tài)估計量^x k。然后利用EKF執(zhí)行粒子更新過程。首先預測狀態(tài)及協方差,據此求取卡爾曼增益,修正預測量得到最終所需的估計量。

通過第一小節(jié)的分析可以得出EKF算法通過泰勒展式將系統(tǒng)非線性化進行局部線性化,因此系統(tǒng)非線性性質得不到好的描述,并且在計算中要計算雅克比矩陣,因此大大增加了計算量,故在純方位跟蹤中與其所需的實時性相悖,另外該算法只能達到一階的精度。UKF算法是用確定的采樣來近似狀態(tài)的后驗概率密度函數,可以有效解決由系統(tǒng)非線性的加劇而引起的濾波發(fā)散問題。但UKF仍是用高斯分布來近似逼近系統(tǒng)狀態(tài)的后驗概率密度函數,所以在系統(tǒng)狀態(tài)的后驗概率密度函數是非高斯的情況下,濾波結果將有極大的誤差。粒子濾波算法較簡單,但在采樣過程中有時會出現比較嚴重的退化現象。抑制粒子濾波算法退化的主要手段就是增加粒子數和重采樣。但是,重采樣會降低粒子的多樣性;而大量增加粒子數,將大大增加計算量。因此,主要依賴選擇好的重要密度函數,而本文的濾波算法就是基于這種思想的一種PF改進算法。在粒子濾波中選取狀態(tài)轉移概率密度作為重要函數沒有考慮最新觀測到的數據,使得粒子嚴重依賴于系統(tǒng)狀態(tài)轉移模型,如果模型不準確,從重要性函數抽取的樣本與真實的后驗概率密度函數產生的樣本存在較大的偏差,特別是當似然函數出現轉移概率密度函數的尾部或者似然函數與轉移概率密度函數相比過于集中(呈尖峰)時,這種情況在高精度測量場合經常遇到,此時偏差尤為明顯。本文算法就是針對上述問題加以改進,通過混合建議分布產生的重要密度函數與真實狀態(tài)概率密度函數的支集重疊部分更大,估計精度高,即便在非高斯情況下其誤差也較小,通過對算法的實驗仿真驗證了該算法的優(yōu)越性。

3 仿真分析

將UEPF應用于純方位跟蹤問題中與其他方法相比較來驗證此方法的有效性。這里通過勻速直線運動和勻速轉彎機動目標兩個純方位跟蹤仿真實例,與其他濾波器進行了仿真對比,分析了跟蹤性能和誤差,本文首先用該算法對一個xy平面上作勻速直線運動和轉彎機動目標進行了跟蹤仿真。同時,本文也對擴展卡爾曼濾波(EKF),無跡卡爾曼濾波(UKF),以及一般的粒子濾波(PF)作了仿真實驗并對仿真結果進行了比較,其狀態(tài)轉移方程為:

狀態(tài)轉移方程表示的是一機動目標在 xy平面上作非線性運動,其中 ωk+1=ωk+wω,k為轉彎速度模型,(x,y)為目標位置,(˙x,˙y)為目標速度,T為采樣間隔,wk,wω,k為系統(tǒng)噪聲。量測方程為:

式中,r為目標的斜距,θ為目標的方位角,˙r為距離變化率。vk=(vk,r,vk,θ,vk,r)為量測噪聲。由于本文僅考慮對狀態(tài)的濾波跟蹤問題,因此假設系統(tǒng)狀態(tài)服從一階馬爾可夫過程,且觀測量獨立于已知的狀態(tài)量,即由概率密度描述:

這里Unscented變換參數分別設定為α=1,β=2,k=0。對模型和算法在如下背景和參數下進行仿真:首先跟蹤勻速直線運動目標,仿真時長200 s,采樣頻率1 Hz,粒子數為1 000,單觀測站位于原點開始勻速直線運動,初始航向為30°(以逆時針方向為正),速度為10 m/s。在時刻100 s時進行轉向機動,保持速度大小不變,航向角為60°。接下來目標勻速直線運動,初始距離為10 000 m,速度為15 m/s,目標的初始方位為60°,航向角為150°。這里系統(tǒng)噪聲和觀測噪聲均為獨立的零均值高斯白噪聲,系統(tǒng)噪聲均方差0.01 m,速度為0.000 1 m/s,觀測方位噪聲均方差為1°。仿真初始階段采用偽線性法獲得粒子濾波器的估計初值x 0,用于產生先驗概率p(x0)。進行100次仿真,得到4種濾波算法對目標的軌跡跟蹤曲線以及RMSE對比,如圖1、圖2所示。

圖1 勻速直線運動軌跡跟蹤Fig.1 Constant speed linear motion trajectory tracking

圖2 RM SE對比Fig.2 RMSE compare

從仿真結果可以看出,在觀察站機動前,EKF與UKF有較大的偏差,呈現發(fā)散的特征;在觀測站機動后EKF與UKF緩慢收斂,但仍然有偏差,跟蹤效果較差。由 PF及 UEPF曲線變化可看出,與EKF和UKF相比,以粒子為基礎的濾波器對目標跟蹤具有較好的效果,在觀測站機動前,雖然沒有收斂,但其收斂性能要好于EKF與UKF;但當觀測站機動時,由于粒子濾波器對于傳感器觀測值的突變非常敏感,所以用先驗概率作為建議分布的PF濾波在觀測站機動后誤差增大很明顯,而UEPF使用UKF與EKF產生建議分布,能夠適應觀測值的突變,快速地減小 RMES。

以下為跟蹤勻速轉彎機動目標。仿真初始條件為測量點在坐標原點,機動目標轉彎角速率為3°/s,初始位置與速度為x0=[0,0,0,100]T,系統(tǒng)噪聲協方差陣為diag([5,0.1,5,0.1]),觀測噪聲協方差陣為diag([200,0.1])采樣時間為60 s,采樣間隔為1 s,圖3為幾種算法的仿真結果。

圖3 目標在轉彎過程中的位置誤差Fig.3 The position error of the target in the process of turning

由于其軌跡近似相同,難以看出較大變化,故這里只給出其在坐標平面上每個采樣時刻估計航跡的位置和實際航跡的位置的距離偏差,從圖3中可清晰看出:EKF由于線性化損失的影響,具有較大的跟蹤誤差,PF則由于在觀測更新過程中,建議分布未能包含新的觀測信息,所以跟蹤性能不夠理想,UEPF算法明顯好于EKF、UKF及PF算法,主要由于UEPF充分利用了每次測量的信息,故優(yōu)于一般的濾波算法。在實際應用當中由于使用EKF及UKF產生建議分布,UEPF在提高純方位性能的時候,由于要處理多個粒子及多次計算雅克比矩陣,故也增加了濾波所需的時間,但UEPF在每個采樣點狀態(tài)估計平均時間約為0.2 s相對與觀測頻率(1～3 s),約占觀察時間的7%～20%,可以滿足實際應用中在線式跟蹤的實時性要求,其次針對其運算復雜性的增加,隨著計算機技術發(fā)展,多核多任務的出現,計算機完全能滿足其復雜性的增加。

4 結論

通過對UEPF的分析及在純方位跟蹤中的實驗仿真可得出:傳統(tǒng)的粒子濾波方法由于其“退化”問題,不能很好地應用于純方位跟蹤問題中。采用EKF、UKF混合作為建議分布應用于粒子濾波中可以很好的減少粒子退化問題,并且增加粒子的多樣性以及提高濾波精度。該算法在每次遞推產生新的粒子時充分考慮了當前時刻的量測,使得該算法能很好的利用量測帶來的信息,通過仿真實驗證明了UEPF在純方位跟蹤應用中具有良好的跟蹤性能。

[1]DENG Xiaolong,XIE Jianying,GUO Weizhong.Bayesian target tracking based on particle filter[J].Journal of Systems Engineering and Electronics,2005,16(3):545-549.[2]CHANG Cheng,Ansari Rashid.Kernel particle filter for visual tracking[J].IEEE Signal Processing Letters,2005,12(3):242-245.

[3]Merwe R,Doucet A,Freitas Nando de,et al.Theunscented particle filter[R].Cambridge University,engineering department:Technical report,CUED/F-INFENG/TR 380,2000.

[4]Julier SJ,Uhlmann J K.Unscented filtering and nonlinear estimation[J].Proceedings of the IEEE,2004,92(3):401-422.

[5]Wan Eric A,Merwe R.The unscented kalman filter for nonlinear estimation[C]//Proceedings of International Symposium on Adaptive Systems for Signal Processing,Communications and Control.Canada:Alberta,2000:153-158.

[6]Pitt M K,Shephard N.Filtering via simulation:auxiliary particle filters[J].Journal of the American Statistical Association,1999,94(2):590-599.

[7]Kotecha Jayesh H,Djuric Petar M.Gaussian particlefiltering[J].IEEE Transactions on signal processing,2003,51(10):2 592-2 601.

[8]Jayesh H Kotecha,Petar M Djuric.Gaussian sum particle filtering[J].IEEE Transactions on signal processing,2003,51(10):2 602-2 611.

[9]Lehn Schiler T,Erdogmus D,Principe J C.Parzen particle filters[C]//Proceedings of International Conference on Acoustics,Speech,and Signal Processing.Montreal,Canada:2004(V):781-784.

[10]袁澤劍,鄭南寧,賈新春.高斯-厄米特粒子濾波器[J].電子學報,2003,31(7):970-973.YUAN Zejian,ZHENG Nanning,JIA Xinchun.The Gauss-Hermite Particle Filter[J].Acta Electronica Sinica,2003,31(7):970-973.

[11]Anderson B D O,Moore J B.Optimal Filtering.Englewood Cliffs[M].New Jersey:Prentice-Hail,1979.

[12]Welch G,Bishop G.An introduction to the Kalman filter[R].University of North Carolina at Chapel Hill:Technical Report TR 95-014,2004.

[13]Arulampalam M S,Maskell S,Gordon N,Clapp T.A tutorial on particle filters for on-linenonlinear/non-gaussian bayesian tracking[J].IEEE Transactions on Signal Processing,2002,50(2):174-188.