EI / SCOPUS / CSCD 收录

中文核心期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法

王燕 李想 齐滨 梁国龙

王燕, 李想, 齐滨, 梁国龙. 无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法[J]. 声学学报, 2023, 48(2): 277-290. doi: 10.15949/j.cnki.0371-0025.2023.02.015
引用本文: 王燕, 李想, 齐滨, 梁国龙. 无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法[J]. 声学学报, 2023, 48(2): 277-290. doi: 10.15949/j.cnki.0371-0025.2023.02.015
WANG Yan, LI Xiang, QI Bin, LIANG Guolong. A track-before-detect method for neighboring targets based on auxiliary particle filter in passive sonar scenarios[J]. ACTA ACUSTICA, 2023, 48(2): 277-290. doi: 10.15949/j.cnki.0371-0025.2023.02.015
Citation: WANG Yan, LI Xiang, QI Bin, LIANG Guolong. A track-before-detect method for neighboring targets based on auxiliary particle filter in passive sonar scenarios[J]. ACTA ACUSTICA, 2023, 48(2): 277-290. doi: 10.15949/j.cnki.0371-0025.2023.02.015

无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法

doi: 10.15949/j.cnki.0371-0025.2023.02.015
基金项目: 国家重点研发计划项目(2017YFC0306900)、国家自然科学基金项目(62101153)、国防基础科研计划项目(JCKY2019604B001)和水声技术重点实验室稳定支持课题项目(JCKYS2021604SSJS003)资助
详细信息
    通讯作者:

    齐滨, qibin@hrbeu.edu.cn

  • 中图分类号: 43.30, 43.60

A track-before-detect method for neighboring targets based on auxiliary particle filter in passive sonar scenarios

  • 摘要:

    针对无源声呐多目标方位跟踪问题, 研究了一种基于粒子滤波的检测前跟踪方法, 关注于改善邻近目标和机动目标的跟踪性能。首先, 提出了一种考虑了邻近目标影响的似然函数; 其次, 采用辅助变量利用量测信息优化粒子采样, 当算法运动模型与目标实际运动状态失配时, 这种策略具有很大优势。结合以上两点, 提出了一种检测前跟踪算法, 该算法将邻近目标划分为一组, 使用邻近目标的预测状态计算目标的似然, 计算效率较高。利用仿真生成的数据和海上采集的实际数据分别验证了该算法的性能, 并与其他多目标粒子滤波检测前跟踪算法进行比较, 证明了该算法具有良好的跟踪性能。在目标邻近和目标机动的情况下, 该算法的优势更加明显。

     

  • 图 1  目标真实航迹及前19 s跟踪结果 (a) 目标真实位置; (b) 目标真实方位及前19 s跟踪结果

    图 2  量测信息及第20秒空间谱 (a) 量测信息; (b) 第20秒空间谱

    图 3  算法主要步骤及粒子分布

    图 4  海上实测数据与估计目标响应 (a)无邻近目标; (b) 有邻近目标

    图 5  性能评估数据集 (a) 仿真数据1; (b) 仿真数据2

    图 6  仿真场景1目标轨迹 (a) 目标相对观测者方位; (b) 目标航迹

    图 7  OSPA 误差随时间变化曲线 (a) OSPA误差; (b) OSPA误差放大图

    图 8  观测极坐标系下跟踪结果 (a) APP-TBD; (b) PP-TBD; (c) CE-TBD; (d) CEG-TBD; (e) FIT-TBD; (f) OGRAPF-TBD

    图 9  仿真场景2目标轨迹 (a) 目标相对观测者方位; (b) 目标航迹

    图 10  OSPA 误差随时间变化曲线 (a) OSPA误差; (b) OSPA误差放大图

    图 11  观测极坐标系下跟踪结果 (a) APP-TBD; (b) PP-TBD; (c) CE-TBD; (d) CEG-TBD; (e) FIT-TBD; (f) OGRAPF-TBD

    图 12  海上实测数据

    图 13  海上实测数据跟踪结果 (a) APP-TBD算法跟踪结果; (b) PP-TBD算法跟踪结果; (c) FIT-TBD算法跟踪结果; (d) CE-TBD算法跟踪结果; (e) CEG-TBD算法跟踪结果; (f) OGRAPF-TBD算法跟踪结果

    图 14  群组数目及各目标所属群组随时间变化情况

    表  1  仿真实验具体结果

    目标真实方位 (°)预测方位 (°)估计方位 (°)
    IPPPAPF
    1165.1163.6163.8164.9165.0
    2162.2162.9162.8162.6162.5
    下载: 导出CSV

    表  2  APP-TBD算法流程

    输入(${ {{z} }_1},{ {{z} }_2}, \cdots ,{ {{z} }_K}$), K为总帧数
    输出(${ {{\hat x} }_1},{ {{\hat x} }_2}, \cdots ,{ {{\hat x} }_K}$)
    1. 初始化粒子及其权值
    2. 使用式(15)对目标进行分群, 将邻近目标划分为一个群组
    3. $j = 1\thicksim r$, $r$表示目标数目, 循环:
    4. $n = 1\thicksim {n_p}$, ${n_p}$表示粒子总数, 循环:
    5. 采样辅助变量${{{\boldsymbol{u}}} }_{k,j}^n = f\left( { {{{\boldsymbol{x}}} }_{k - 1,j}^n,{{{\boldsymbol{w}}} }_{k - 1,j}^n} \right)$
    6. 计算辅助变量的一阶权值$p({ {{{\boldsymbol{z}}} }_k}|{{{\boldsymbol{u}}} }_{k,j}^n,\widehat C_{k|k - 1}^{g - \{ j\} })$
    7. 结束循环, 归一化一阶权值
    8. 根据一阶权值筛选优质粒子的编号$ {a_{j,1}},{a_{j,2}}, \cdots ,{a_{j,{n_p}}} $
    9. $n = 1\thicksim{n_p}$,循环:
    10. 回溯到$k - 1$时刻, 采样优质粒子状态${{{\boldsymbol{x}}} }_{k,j}^n = f\left( { {{{\boldsymbol{x}}} }_{k - 1,j}^{ {a_{j,n} } },{{{\boldsymbol{w}}} }_{k - 1,j}^n} \right)$
    11. 计算粒子的一阶权值$p({ {{{\boldsymbol{z}}} }_k}|{{{\boldsymbol{x}}} }_{k,j}^n,\widehat C_{k|k - 1}^{g - \{ j\} })$
    12. 结束循环, 归一化一阶权值
    13. 若有效粒子数目小于$0.8{n_p}$, 则进行重采样
    14. 结束循环
    15. 使用式(22)计算粒子的权值
    16. 使用式(35)估计目标状态;返回步骤2, 开始下一帧
    下载: 导出CSV

    表  3  算法属性对比

    算法似然函数考虑邻近
    目标
    考虑量测
    信息
    使用遗传
    算子
    FIT-TBDFIT
    CE-TBDCE
    CEG-TBDCE
    OGRAPF-TBDCE
    PP-TBDPSF
    APP-TBDPSF
    下载: 导出CSV
  • [1] 孙旭, 李然威, 胡鹏. 目标机动未知下的有源声呐跟踪滤波方法. 声学学报, 2016; 41(3): 371—378 doi: 10.15949/j.cnki.0371-0025.2016.03.012
    [2] 李晓花, 李亚安, 鲁晓锋, 等. 强干扰环境下水下纯方位PMHT多目标跟踪. 西北工业大学学报, 2020; 38(2): 359—365 doi: 10.3969/j.issn.1000-2758.2020.02.017
    [3] 马艳, 刘小东. 状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用. 兵工学报, 2019; 40(2): 361—368 doi: 10.3969/j.issn.1000-1093.2019.02.016
    [4] 石桂欣, 鄢社锋, 刘宇. 水下目标跟踪的改进非线性滤波快速算法. 应用声学, 2020; 39(1): 89—96 doi: 10.11684/j.issn.1000-310X.2020.01.011
    [5] 张程振, 丁元明, 杨阳. 水下目标跟踪粒子滤波算法性能分析. 火力与指挥控制, 2022; 47(2): 18—24 doi: 10.3969/j.issn.1002-0640.2022.02.004
    [6] Hou X H, Yang L, Yang Y X, et al. Bearing-only underwater uncooperative target tracking for non-Gaussian environment using fast particle filter. IET Radar Sonar Navig., 2022; 16(3): 501—514 doi: 10.1049/rsn2.12198
    [7] 李瑨瑶, 王海斌, 徐鹏, 等. 联合方位−径向速度的粒子滤波目标运动分析. 声学学报, 2019; 44(4): 523—533 doi: 10.15949/j.cnki.0371-0025.2019.04.013
    [8] Fortmann T, Bar-Shalom Y, Scheffe M. Sonar tracking of multiple targets using joint probabilistic data association. IEEE J. Oceanic Eng., 1983; 8(3): 173—184 doi: 10.1109/JOE.1983.1145560
    [9] Stone L D, Streit R L, Corwin T L, et al. Bayesian multiple target tracking. Artech House, 1999
    [10] Salmond D J, Birch H. A particle filter for track-before-detect. Proceedings of the 2001 American Control Conference, 2001; 5: 3755—3760
    [11] Morelande M, Ristic B. Signal-to-noise ratio threshold effect in track before detect. IET Radar Sonar Navig., 2009; 3(6): 601—608 doi: 10.1049/iet-rsn.2009.0017
    [12] Northardt T, Nardone S C. Track-before-detect bearings-only localization performance in complex passive sonar scenarios: a case study. IEEE J. Oceanic Eng., 2019; 44(2): 482—491 doi: 10.1109/JOE.2018.2811419
    [13] 金盛龙, 李宇, 黄海宁. 水下多目标方位的联合检测与跟踪. 声学学报, 2019; 44(4): 503—512 doi: 10.15949/j.cnki.0371-0025.2019.04.011
    [14] 张春景, 柳晓鸣. 基于优化遗传重采样的辅助粒子滤波检测前跟踪方法. 电光与控制, 2022; 29(1): 23—27 doi: 10.3969/j.issn.1671-637X.2022.01.005
    [15] Xu L X, Liu C Y, Wei Y, et al. A particle filter based track-before-detect procedure for towed passive array sonar system. IEEE Radar Conference, 2017: 1460—1465
    [16] Pitt M K, Shephard N. Filtering via simulation: auxiliary particle filters. J. Am. Stat. Assoc., 1999; 94(446): 590—599 doi: 10.1080/01621459.1999.10474153
    [17] Daum F, Huang J. Curse of dimensionality and particle filters. IEEE Aerospace Conference Proceedings. 2003; 4: 1979—1993
    [18] Orton M, Fitzgerald W. A bayesian approach to tracking multiple targets using sensor arrays and particle filters. IEEE Trans. Signal Process., 2002; 50(2): 216—223 doi: 10.1109/78.978377
    [19] Kreucher C, Kastella K, Hero A. Multitarget tracking using the joint multitarget probability density. IEEE Trans. Aerosp. Electron. Syst., 2005; 41(4): 1396—1414 doi: 10.1109/TAES.2005.1561892
    [20] 徐超. 传感器点扩散函数对混合像元分解影响模拟研究. 博士学位论文, 长春: 中国科学院研究生院(东北地理与农业生态研究所), 2016
    [21] Doucet A, Godsill S, Andrieu C. On sequential Monte Carlo sampling methods for Bayesian filtering. Stat. Comput., 2000; 10(3): 197—208 doi: 10.1023/A:1008935410038
    [22] Arulampalam M S, Maskell S, Gordon N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking. IEEE Trans. Signal Process., 2002; 50(2): 174—188 doi: 10.1109/78.978374
    [23] Schuhmacher D, Vo B T, Vo B N. A consistent metric for performance evaluation of multi-object filters. IEEE Trans. Signal Process., 2008; 56(8): 3447—3457 doi: 10.1109/TSP.2008.920469
  • 加载中
计量
  • 文章访问数:  395
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-04-11
  • 修回日期:  2022-08-11
  • 网络出版日期:  2023-03-13
  • 刊出日期:  2023-03-11

目录

    /

    返回文章
    返回