自适应多重渐消IEKF及其在目标跟踪中的应用
1 引言
目标跟踪的性能取决于所用滤波算法的性能,针对机动目标跟踪中的非线性估计问题,学者们先后提出了扩展卡尔曼滤波(EKF)[1]、无迹卡尔曼滤波(UKF)[2]和粒子滤波(PF)[3]等算法。EKF是机动目标跟踪领域里应用最广泛的滤波算法之一,其利用一阶Taylor级数将非线性函数围绕滤波值展开,线性化的同时也容易引入截断误差[4]。为了克服EKF算法的局限性,文献[ 5]提出一种迭代扩展卡尔曼滤波(IEKF)算法,该算法以EKF为基础,在先验统计特性已知和观测信息较为可靠的情况下,充分利用观测更新后的状态量,经迭代运算求取新的状态估计值,使之与观测量逐渐拟合,从而减小线性化误差的影响。
EKF和IEKF的估计精度都依赖于系统模型和噪声统计特性的准确性[6],然而在实际情况中,受内外不确定因素的影响,所建立的系统模型往往不能反映真实的物理过程,噪声统计特性也易发生变化。当目标发生机动、系统模型失配或者噪声时变的情况下,滤波算法的精度容易下降甚至发散[7]。为了提高算法的估计精度,通常有两种做法[8]:一是建立各种自适应算法,不仅估计状态向量,而且对过程噪声和量测噪声的统计特性也进行估计;二是建立各种对一步预测均方误差阵进行加权的算法,来达到提高滤波估计精度的目的。方法一能实时估计和修正系统状态及噪声统计特性,减小估计误差,但算法的复杂度有所增加,且噪声估值器容易处于临界稳定状态,也会出现滤波发散的情况;方法二引入渐消因子对状态估计的一步预测均方误差阵进行修正,进而扩大滤波增益,等价于增大了新近量测数据的利用权重,降低了陈旧量测数据对状态估计的影响,提升了滤波器的整体性能,算法简单且鲁棒性强。所以本文选择方法二。文献[ 9]在一步预测均方误差阵中引入单渐消因子,在线调节增益矩阵,使得输出残差序列保持正交,进而达到抑制滤波发散的目的。文献[ 10]针对单渐消因子对多变量状态估计跟踪精度不足的问题,提出了多重渐消因子,分别将一步预测均方误差阵中各数据通道结合不同的渐消速率,得到了更精确的估计结果,但该算法在使用时,需要已知系统的先验知识,并人为设定渐消因子间的比例关系,实用性受到一定程度的限制。文献[ 11]利用估计均方误差阵的特征引入多重渐消因子,这是由于估计均方误差阵中的对角元素表示相应状态变量的估计精度,并且每个状态变量的估计精度是不同的,以此特点引入多重渐消因子对各数据通道分别进行加权修正,从而达到自适应调整增益矩阵及提高滤波精度的目的。由于求取渐消因子时需要一个相对准确的新息协方差估计值,新息协方差没有理论上的解析解,只能通过输出新息向量的加权和近似获得[12]。常规的新息协方差估计值是通过开窗法[13]来确定的,其对滑动窗口内的历史数据进行算术平均,即对各新息向量赋予相同的权重因子。文献[ 14]根据负指数函数的规律,采用渐消记忆指数加权法计算新息协方差估计值,对陈旧的数据进行遗忘,提升新近数据的利用权重,得到了更准确的新息协方差估计值,进而提高了渐消因子的计算精度。传统的渐消滤波中,判断滤波发散的阈值设置较小,误判滤波发散的概率较大,在系统正常的情况下也易引入渐消因子,文献[ 15]构造了基于新息向量统计特性的卡方检验条件,通过假设检验原理判断系统是否出现异常,仅在系统异常时才引入渐消因子,解决了过度使用渐消因子而导致滤波增益过调节的问题,状态估计也更加平滑。文献[ 16]提出了一种自适应控制迭代次数的IEKF算法,其将状态估计值与量测值之间的相对误差设定为参变量,当参变量小于预先设定的门限值时,停止迭代运算,实现了IEKF算法迭代次数的自适应控制,收敛速度和跟踪精度得到了提高。
据此,本文提出一种自适应多重渐消IEKF算法。所提算法以IEKF算法为框架,首先,通过一个基于正态分布的组合赋权法来计算新息协方差估计值,对记忆长度为N的新息协方差向量分别赋予不同的加权系数,这既满足了一定的公平性原则,也考虑了各数据自身的特殊性,获得了更准确的新息协方差估计值;然后,根据估计均方误差阵中每个数据通道具备不同调节能力这一特性,引入多重渐消因子对各数据通道进行修正,提高滤波器的跟踪精度和鲁棒性;同时基于假设检验原理判断系统是否异常,仅在系统异常时引入多重渐消因子,这解决了过度使用渐消因子而导致滤波器增益过调节的问题;最后利用目标与观测站间的径向距离和方位角信息构造参变量,并根据相对定位误差的容忍度预先设定门限值,当所构参变量小于门限值时,终止迭代,实现了IEKF迭代次数的自适应控制。通过目标跟踪的数值仿真实验,结果表明所提算法在模型失配和噪声时变的情况下,具备较好的滤波精度和鲁棒性。
2 自适应IEKF算法
2.1 IEKF算法
系统的状态方程和量测方程分别为
式中:Xk∈Rn为状态向量;Zk∈Rm为量测向量;Φk/k-1∈Rn×n为状态转移矩阵;h(·)为关于量测的非线性函数;过程噪声Wk-1和量测噪声Vk分别是均值为零,协方差为Qk-1和Rk的不相关高斯白噪声;k为当前时刻。
标准的IEKF算法
式中:
IEKF算法的基本思想是,在滤波算法的测量更新环节进行多次迭代,多次对量测方程进行线性化处理,重复这一过程,使得状态估计误差进一步减小,从而达到提高滤波精度的目的。
2.2 自适应IEKF算法
由于传统IEKF算法需要人工设定迭代次数,无法根据工程实际自适应调整迭代次数,且随着迭代次数的增加,IEKF算法的计算负担也会加重。为了解决这个问题,利用目标与观测站之间的径向距离和方位角信息构造参变量α,并预先设定使IEKF算法终止迭代的门限值α0。在IEKF滤波的每次测量更新后,对比参变量与门限值之间的大小,当参变量α小于门限值α0时,终止迭代,实现了IEKF算法迭代次数的自适应控制。
IEKF算法的思想是进行多次迭代,使得状态估计值与目标真实状态值之间的偏差逐渐减小,进而提高非线性滤波精度,故参变量α的设置应与状态估计偏差呈正相关。但在实际情况中,目标的真实状态值又难以获取,故转为求解状态估计值与量测值之间的偏差,为此将状态估计值转换为目标与观测站之间的径向距离和方位角信息,即
参变量α代数式[16]为
式中:
表 1. 相对定位偏差与门限值的对应关系[16]
Table 1. Correspondence between relative positioning error and threshold[16]
|
首先进行常规IEKF滤波并实时计算参变量
3 基于多重渐消因子的自适应IEKF算法
IEKF算法迭代过程中,状态估计值
3.1 单渐消因子滤波
传统渐消滤波在(4)式处,即在一步预测均方误差阵中加入单渐消因子λk,得到[10]
由(11)式可知,当λk>1时,Pk/k-1增大,进而由(5)式知,增益Kk亦增大。这等价于当前量测值的利用率增加,陈旧量测值的利用率相对降低,即降低了陈旧量测值对状态估计
渐消因子λk由基于新息向量的统计特性确定。当滤波处于最优状态时,新息向量εk为高斯白噪声,且服从N
将(11)式代入(12)式,可得
但需要说明的是,新息协方差Ck没有理论上的解析解,只能通过输出新息向量的加权和近似获得[12]。通常由开窗法得到[13]
结合(11)~(14)式,即构成单渐消因子λk的求取方法,即
式中:tr(·)为矩阵求迹运算;
由(15)式可知,求取渐消因子需要一个相对准确的新息协方差估计值
3.2 基于正态分布的限定记忆新息协方差估值器
正态分布是统计学和概率论中最重要的分布之一,且在现实世界里,有许多物理量的分布规律服从正态分布或近似正态分布,文献[ 17]甚至指出实际问题中几乎所有的连续变量都大似呈正态分布。因此,为了综合利用专家经验和客观数据规律,改善新息协方差估计值的求取精度,提出了一种基于正态分布的组合赋权法来计算新息协方差估计值,在形式上表现为对记忆长度为N的新息协方差向量进行加权平均,即近N个时刻内的新息协方差向量分别乘以不同的加权系数,从而得到当前时刻的新息协方差估计值,这样既满足一定的公平性原则,也体现各数据自身的特殊性。
定义1 若随机变量x服从一个均值为μ、标准差为σ的概率分布,其概率密度函数[18]为
则这个随机变量服从正态分布。
考察限定记忆长度为N的新息协方差向量,并对近N个时刻内的新息协方差向量分别赋予不同的加权系数wg(g=1,2,…,N)。
依据(16)式可得
由于加权系数wg∈[0,1],且
那么,k时刻的新息协方差估计值
将(20)式代入(15)式,由一个基于正态分布的限定记忆新息协方差估值器来计算渐消因子,方法简单,便于计算机实现。
3.3 多重渐消因子滤波
单渐消因子λk对Pk/k-1各数据通道的调节能力相同,若在(4)式中引入多重渐消因子,各数据通道以不同速率渐消,则能得到更高性能的滤波器。由于估计均方误差阵Pk中的对角元素表示相应状态变量的估计精度,并且每个状态变量的估计精度不同,所以根据均方误差阵的这一特性引入多重渐消因子Sk对各数据通道进行修正,使每个数据通道具备不同的渐消能力,最终提高滤波器的跟踪精度和鲁棒性。则(4)式可写为
式中:Sk=diag
式中:λj为(15)式得到的渐消因子。cj为给渐消因子λj分配的权重因子,满足[11]
式中:Pk(j,j)为估计均方误差阵的第j个对角线元素,亦表示第j个状态变量的估计精度。
3.4 基于χ2检验的渐消滤波
文献[ 12]证明,传统的强跟踪滤波中,判断滤波发散的阈值设置过小,即便系统处于正常工作状态,也有远大于16%的概率判定系统异常,此时引入渐消因子会导致对滤波增益过度调节,也会使状态估计不够平滑。
针对传统算法对滤波发散的判断不够准确,从而导致渐消因子的引入时机不够合理的问题,文献[ 15]提出了一种基于新息向量统计特性的滤波状态χ2检验条件,只有在判定系统异常时,才引入渐消因子。
当滤波处于最优状态时,新息向量的统计特性满足[15]
式中:γk为服从自由度为m的χ2分布;m为量测维数。所以可利用χ2分布上侧分位点的性质来判定系统是否异常,当量测维数m=2时,可选取分位点ζ=9.210,即[19]
(25)式表明,在滤波正常工作的情况下,γk>ζ的概率只有1%。由假设检验原理可知,若γk>ζ,则在99%的置信度下可判定为系统异常,故以此作为渐消因子的引入条件。首先进行常规IEKF滤波并实时计算γk,若满足γk>ζ的检验条件,则引入渐消因子。
3.5 算法流程
至此,基于多重渐消因子的自适应IEKF算法流程为
①初始化状态估计值
②由(3)、(4)式完成时间更新环节,求得一步预测状态估计值
③按照(24)、(25)式判断系统是否异常,若系统异常则引入多重渐消因子,若系统正常,则直接进行步骤⑥;
④由(20)式计算新息协方差估计值;
⑤由(15)~(23)式得到多重渐消因子,并代入到Pk/k-1中;
⑥由(5)~(8)式完成测量更新环节,求得状态估计值
⑦按照(9)、(10)式进行IEKF算法迭代次数判据,若参变量
4 数值仿真及分析
为验证所提算法的有效性,根据文献[ 20]来设定实验中的数据,这些数据是完整可靠的,具备一定的说服力,并对文献[ 20]中的算例分三种情况进行仿真。一是模型失配情况下的仿真,二是过程噪声协方差不匹配情况下的仿真,三是量测噪声协方差不匹配情况下的仿真。
设定坐标位置为(x0,y0)的雷达对目标M进行跟踪,目标M在某一时刻k的位置、速度和加速度用矢量Xk=
目标跟踪的有效性通过算法的均方根误差(RMSE)和采样时间内平均估计误差(ME)来衡量,RMSE越小,表明状态估计值和真实值越接近,滤波算法的跟踪精度越高。
式中:
4.1 模型失配情况下的跟踪结果分析
设计滤波器时误以为目标高度不变,因而建立模型失配情况下的状态方程和量测方程:
式中:Fk/k-1=
在模型失配时,分别采用传统IEKF算法、文献[
16]提出的自适应IEKF算法(AIEKF)、文献[
11]提出的多重渐消因子的IEKF算法(MFIEKF)、所提算法进行仿真对比实验,各种滤波算法的位置、速度和加速度RMSE对比如
图 1. 模型失配时的跟踪结果。(a)位置RMSE;(b)速度RMSE;(c)加速度RMSE
Fig. 1. Tracking results under model mismatch. (a) RMSE of position; (b) RMSE of velocity; (c) RMSE of acceleration
由
表 2. 模型失配时不同算法的ME和运行时间
Table 2. ME and runtime of different algorithms under model mismatch
|
由
4.2 过程噪声协方差不匹配情况下的跟踪结果分析
过程噪声协方差不匹配的情况一般由元器件的误差产生,而元器件误差容易受到温度和湿度等外部条件的影响,因而过程噪声协方差是时变的。本实验设定真实的过程噪声协方差阵在20~22.5 s扩大5倍,即为5Q,而滤波算法中设定的过程噪声协方差不变,以检验各滤波算法在过程噪声协方差不匹配时的跟踪能力。仿真结果如
图 2. 过程噪声协方差不匹配时的跟踪结果。(a)位置RMSE;(b)速度RMSE;(c)加速度RMSE
Fig. 2. Tracking results under process noise covariance mismatch. (a) RMSE of position; (b) RMSE of velocity; (c) RMSE of acceleration
由
由
由
表 3. 过程噪声协方差不匹配时不同算法的ME及运行时间
Table 3. ME and runtime of different algorithms under process noise covariance mismatch
|
由
4.3 量测噪声协方差不匹配情况下的跟踪结果分析
量测噪声由于易受外界因素的干扰,其统计特性常常不是定值,而随时间发生变化,因而量测噪声的统计特性也是时变的。本实验设定真实的量测噪声协方差阵在20~22.5 s扩大10倍,即为10R,而滤波算法中设定的量测噪声协方差不变,以检验各滤波算法在量测噪声统计特性不匹配时的跟踪能力。仿真结果如
图 3. 量测噪声协方差不匹配时的跟踪结果。(a)位置RMSE;(b)速度RMSE;(c)加速度RMSE
Fig. 3. Tracking results under measurement noise covariance mismatch. (a) RMSE of position; (b) RMSE of velocity; (c) RMSE of acceleration
由
表 4. 量测噪声协方差不匹配时不同算法的ME及运行时间
Table 4. ME and runtime of different algorithms under measurement noise covariance mismatch
|
由
5 结论
为提高IEKF滤波器在模型失配和噪声时变情况下的滤波精度和鲁棒性,提出了一种基于多重渐消因子的自适应IEKF滤波算法。该算法通过一个基于正态分布的限定记忆新息协方差估值器获得更准确的新息协方差估计值,进而提高了多重渐消因子的求取精度,又利用径向距离和方位角信息设定参变量,对IEKF算法的迭代次数实现自适应控制。
将所提算法应用到目标跟踪的数值仿真实验。实验结果表明,所提算法的位置、速度和加速度平均估计误差在系统模型失配时分别为2.94 m、0.54 m/s和0.06 m/s2;在过程噪声时变时分别为1.59 m、0.61 m/s和0.07 m/s2;在量测噪声时变时分别为1.62 m、0.52 m/s和0.06 m/s2,具备较好的滤波精度。
[1] 穆绍硕, 乔川. 小型机载光电平台中基于扩展卡尔曼滤波的地面目标定位算法[J]. 光学学报, 2019, 39(5): 0528001.
[2] 李珂, 李醒飞, 杨帆. IMM-UKF算法在两坐标雷达-光电融合跟踪系统中的改进与应用[J]. 激光与光电子学进展, 2016, 53(12): 122501.
[3] 郭力仁, 胡以华, 王云鹏, 等. 基于粒子滤波的高阶运动目标激光探测微动参数估计[J]. 光学学报, 2018, 38(9): 0912006.
[4] 张天喜, 周军, 廖华丽, 等. 基于三维激光的图优化即时定位与建图策略[J]. 激光与光电子学进展, 2019, 56(20): 201502.
[5] Li LQ, Ji HB, Luo JH. The iterated extended Kalman particle filter[C] //IEEE International Symposium on Communicationsand Information Technology, October 12-14, 2005, Beijing, China.New York: IEEE Press, 2005: 1213- 1216.
[6] Xu Y, Chen X, Li Q. Adaptive iterated extended Kalman filter and its application to autonomous integrated navigation for indoor robot[J]. The Scientific World Journal, 2014, 2014: 138548.
[9] Liang Y P, Dai J H, Wang K Q, et al. A strong tracking SLAM algorithm based on the suboptimal fading factor[J]. Journal of Sensors, 2018, 2018: 1-14.
[10] 周东华, 席裕庚, 张钟俊. 一种带多重次优渐消因子的扩展卡尔曼滤波器[J]. 自动化学报, 1991, 17(6): 689-695, 758.
[11] 高伟, 李敬春, 奔粤阳, 等. 基于多重渐消因子的自适应卡尔曼滤波器[J]. 系统工程与电子技术, 2014, 36(7): 1405-1409.
[12] 钱华明, 葛磊, 黄蔚. 一种改进的强跟踪滤波算法[J]. 应用科学学报, 2015, 33(1): 32-40.
[13] Gao W, Li J C, Zhou G T, et al. Adaptive Kalman filtering with recursive noise estimator for integrated SINS/DVL systems[J]. Journal of Navigation, 2015, 68(1): 142-161.
[14] 薛海建, 郭晓松, 周召发. 基于自适应多重渐消因子卡尔曼滤波的SINS初始对准方法[J]. 系统工程与电子技术, 2017, 39(3): 620-626.
[15] 郭士荦, 吴苗, 许江宁, 等. 自适应渐消卡尔曼滤波及其在SINS初始对准中的应用[J]. 武汉大学学报·信息科学版, 2018, 43(11): 1667-1672, 1680.
[16] 关欣, 吕政君, 许小丰. 基于外辐射源的AIEKF定位算法[J]. 火力与指挥控制, 2018, 43(6): 37-40, 46.
[17] Jøsang A. A logic for uncertain probabilities[J]. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 2001, 9(3): 279-311.
[20] 黄小平, 王岩. 卡尔曼滤波原理及应用[M]. 北京: 电子工业出版社, 2015: 77- 118.
Huang XP, WangY. Kalman filtering principle and application[M]. Beijing: Publishing House of Electronics Industry, 2015: 77- 118.
Article Outline
严春满, 吴松伦, 胡志斌. 自适应多重渐消IEKF及其在目标跟踪中的应用[J]. 激光与光电子学进展, 2021, 58(6): 0628005. Yan Chunman, Wu Songlun, Hu Zhibin. Adaptive Multiple Fading IEKF and its Application in Target Tracking[J]. Laser & Optoelectronics Progress, 2021, 58(6): 0628005.