扩展目标跟踪与基于GPR-AUKF的移动性

科学领域:

• 机器人和控制系统 机器人和控制系统
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 估计扩展目标的动力状态和范围是复杂的,特别是对于移动目标.
• 传统的扩展卡尔曼波器 (EKF) 可能会在高非线性和时间变化的噪声中扎.
• 准确的跟踪需要适应不断变化的测量噪声共变性.

研究的目的:

• 开发一种先进的过技术,用于高精度跟踪扩展目标.
• 通过结合高斯过程回归和适应能力来改进现有的卡尔曼波器方法.
• 在动态环境中解决恒定测量噪声共变性假设的局限性.

主要方法:

• 在高斯过程回归 (GPR) 中嵌入无气味卡尔曼波器 (UKF),以处理非线性.
• 开发一个与GPR (GPR-AUKF) 集成的自适应无气味卡尔曼波器 (AUKF).
• 在GPR-AUKF中使用预期最大化 (EM) 算法来实时更新测量噪声共变率和目标状态估计.

主要成果:

• 拟议的GPR-AUKF算法在追踪扩展目标方面表现出卓越的准确性.
• 实验结果证实了与传统方法相比,GPR-AUKF的稳定性.
• 由于GPR-AUKF的自适应性,可以有效地管理时间变化的测量噪声共变性.

结论:

• 在具有挑战性的环境中,GPR-AUKF算法为扩展目标跟踪提供了显著的进步.
• 该方法为具有非线性动态和不确定的噪声特征的场景提供了可靠的解决方案.
• 测量噪声共变率的实时调整是提高性能的关键.