MM-CBMeMBer滤波器跟踪多机动目标
多模型(Multiple Model, MM)概率假设密度(Probability Hypothesis Density, PHD)滤波器能同时估计机动目标个数及状态,但其序贯蒙特卡罗(Sequential Monte Carlo, SMC)实现运用粒子聚类算法提取目标状态,不仅引入额外计算量,且可能导致目标丢失.针对这一问题,该文提出一种基于多模型的势平衡无偏多目标多伯努利(Multiple Model Cardinality Balanced Multiple target Multi-Bernoulli, MM-CBMeMBer)滤波器,在每次扫描杂波数低于20,检测概率大于0.9的环境中,该方法利用一组伯努利参数近似机动目标状态的后验概率,并通过对伯努利参数的简单运算估计出目标状态,有效地避免了常规聚类算法.仿真结果表明,该方法与多模型概率假设密度滤波器相比,表征估计误差的最优子模型分配距离明显降低.
TN911.7
2012-10-30（万方平台首次上网日期，不代表论文的发表时间）
共8页
238-245
