非线性量测下的自适应噪声协方差PHD滤波算法

"非线性量测下自适应噪声协方差PHD滤波是2017年发表在北京航空航天大学学报上的一篇研究论文，由袁常顺、王俊等人撰写。该论文探讨了在非线性量测条件下，如何通过自适应噪声协方差来改进多目标跟踪的PHD滤波算法。文章指出，传统的PHD滤波算法假设量测噪声协方差是已知的，但在实际应用中，这一假设往往不成立，量测噪声协方差可能是未知或随环境变化。因此，作者提出了一种新的自适应噪声协方差的多目标跟踪算法，特别适用于非线性量测模型。 该算法的核心是基于PHD滤波框架，利用容积卡尔曼（CK）技术处理非线性量测问题。CK技术能够有效地近似非线性函数，从而避免了线性化带来的误差。此外，算法采用逆威沙特（IW）分布来描述量测噪声协方差的分布，IW分布具有良好的灵活性，可以适应不同情况下的噪声特性。 为了估计量测噪声协方差和多目标状态的联合后验密度，论文采用了变分贝叶斯（VB）近似技术。VB是一种统计推断方法，通过迭代过程优化变量的后验分布，从而得到对未知参数的最佳估计。在多目标跟踪问题中，VB方法可以实现对噪声协方差和目标状态的同时估计，提高了跟踪的准确性和鲁棒性。 仿真结果显示，提出的自适应噪声协方差PHD滤波算法能有效地估计量测噪声协方差，从而改善了目标数的估计精度和目标状态的跟踪性能。这表明，该算法在面对动态环境和不确定性时，能提供更可靠和精确的多目标跟踪解决方案，具有重要的理论价值和实际应用前景。"