Verfolgung erweiterter Ziele: Neuer TPMB-Filter, der durch Modell- und Datenkooperation betrieben wird

In den meisten Filteralgorithmen, die die Zuordnung von Messdaten betreffen, ist es notwendig, die komplexen Berechnungen aufgrund mehrerer Hypothesen zu behandeln. Dieses Papier stellt einen neuartigen Trajectory Poisson Multi-Bernoulli (TPMB) Filter zur Verfolgung erweiterter Ziele vor, der durch eine Synergie zwischen dem Modell und den Daten erleichtert wird. Dieser Filter kann erweiterte Ziele unter unbekanntem Prozess- und Messrauschen verfolgen. Zunächst berechnen wir auf der modellgetriebenen Seite die Übergangswahrscheinlichkeiten für mehrere Modelle anhand der posterioren Wahrscheinlichkeiten aus Modellen zu zwei aufeinanderfolgenden Zeitpunkten mit den Zielen im Zustand hoher Manövrierbarkeit. Die Genauigkeit des Verfolgungsalgorithmus wird verbessert, indem die verbesserte Interacting Multiple Model (IMM) Übergangswahrscheinlichkeit zu jedem Zeitpunkt berechnet wird. Für den datengestützten Aspekt wird die Gate-control Belief Propagation (GBP) im Nachrichtenweiterleitungsalgorithmus eingestellt, um die Laufzeit von falschen Hypothesenassoziationen zu reduzieren. Damit ist es nicht notwendig, alle Nachrichteninformationen bei der Berechnung der Likelihood-Matrix für Ziel-Messungsassoziationen zu berücksichtigen. Anschließend wird die posterioren Dichtefunktion des Adaptive Square Root Cubature Kalman Filter (ASCKF) konstruiert, um unbekannte Prozess- und Messrauschen adaptiv zu schätzen, während das importance sampling im aktuellen Partikelfilter die Partikeldegradation weiter mindert. Experimente zeigen, dass unser Algorithmus die Laufzeit von Datenassoziationen reduziert, die Partikeldegradation lindert und Manövrierung ziele unter nichtlinearen Bedingungen genauer verfolgt und ihre Zustände schätzt.