内容主要提取自 edX 平台上Chalmers的micromaster項目:Emerging Automotive Technologies: Sensor Fusion and Non-linear Filtering for Automotive Systems。
本文主要設計選通機制(gating),最近鄰濾波(Nearest Neighbour Filtering),權重融合濾波(Probabilistic data association filtering),高斯疊加濾波(Gaussian Sum Filtering)。
在單目标跟蹤小結(1):理論推導中,經過推導,假設,簡化後,對線性高斯模型,我們得到如下單目标跟蹤算法:
已知:
預測:
更新:
進而:
我們發現,經過一個時間步後,
的項數較上一個時刻增加
倍,而我們希望
與
具有相同的形式,以友善遞歸計算。
1、選通機制(gating)
我們先介紹選通機制,此方法有助于我們減少
的項數。
考慮:
當
,即在雜波強度近似處處相等時,
可見,當:
越大時,
越小,其對應的
對
的貢獻就越小,這允許我們忽略其對
的影響,進而減少
的求和項數。
稱為馬氏距離(Mahalanobis Distance),在這裡實際上計算了實際測量的
與
間的距離,距離越大,表明
是對目标的測量的可能性就越小。
因為:
,是以:
,其中
為
的次元,這裡是卡方分布的自由度。我們可以選擇一個數值 G 作為 gate,則:
表示對目标的觀測落在
範圍内的機率。進而,當我們選擇
(有99.5%的把握認為
外的觀測是雜波雜波)時,我們可以得到所需的 G。我們首先使用此方法來排除一些雜波點。
2、最近鄰濾波(Nearest Neighbour Filtering)
最近鄰濾波的思路十分簡單,即保留
最大的
作為
的近似,此時更新之後,
也僅有一項。事實上,
最大的項,對應
最小,是以稱之為最近鄰。
此算法計算量小,速度快,在簡單場景下效果好;但容易跟丢目标,複雜場景誤差大。
具體算法如下:
3、權重融合濾波(Probabilistic data association filtering)
我們記:
由多個高斯分布
權重求和而得,在本算法中,我們用一個高斯分布來近似上述高斯權重和,近似後的均值和協方差計算如下:
此算法也比較容易實作,适用于簡單場景,且效果略好于最近鄰濾波;在複雜場景中同樣表現不佳。
具體算法如下:
4、高斯疊加濾波(Gaussian Sum Filtering)
此算法僅保留
中的若幹項,不超過上限
。設此時
是
項高斯分布之和,即已知:
預測:
即:相當于對每一項
進行預測,權重保持不變,計算權重和:
更新:
即:相當于對預測結果中每一項
進行更新,并計算權重和。由上述分析可見,當
由若幹項疊加而成時,可對每一項進行預測-更新,最後再求權重和。我們提醒,此時總項數由
變成
。
具體算法如下:
高斯疊加濾波可以根據算力資源調整複雜度,比最近鄰濾波和權重融合濾波更為精确;但算法實作比較複雜,相比後兩者對算力要求高,通常在較複雜場景中才能顯示其精度優越性。當使用場景十分複雜時,三種算法都有可能失效。
下面通過一個簡單案例,實作高斯疊加濾波算法,參見:單目标跟蹤小結(3):MATLAB實踐