粒子滤波技术的发展现状综述

1收稿日期:2009-06-10基金项目:国家自然科学基金项目10872125、上海市自然科学基金项目06ZR14042、高等学校学科创新引智计划资助项目B06012、教育部留学回国人员科研启动基金项目作者简介:张瑞华(1985-),女,硕士,目前从事非线性动力学、信号处理与识别研究。

E m ai:lzhangrh @s j tu 文章编号:1006 1355(2010)02 0001 04粒子滤波技术的发展现状综述张瑞华,雷 敏(上海交通大学机械系统与振动国家重点实验室,上海 200240)摘 要:对粒子滤技术的近几年研究发展进行回顾,介绍四大类粒子滤波改进算法,总结目前目标跟踪、导航与定位中存在的问题,展望粒子滤波技术的方法研究及实际应用前景。

关键词:振动与波;粒子滤波;非线性系统;信号处理;目标识别中图分类号:TP27;TN 713;V 2 文献标识码:ADO I 编码:10.3969/.j issn .1006-1355.2010.02.001Review of State of The A rt of Particle Filtering TechniqueZHANG Rui hua,LEI M in(S tate Key Laboratory ofM echanical Syste m and V ibration ,Shangha i Jiao tong Un i v ersity ,Shangha i 200240,China)Abstract :Th is paper rev ie w s the state of the art of particle filtering techn i q ue .The novelm ethods for particle filtering ca lculati o n o f four k i n ds of particles are i n troduced .The prob l e m s i n tar get track i n g ,nav i g ation and orientation are summ ar ized.A t las,t t h e further study and practica l app li c ations of particle filtering techn ique are prospected .Key w ords :v i b ra ti o n and wave ;particle filtering ;nonlinear syste m s ;si g na l pr ocess ;target recog niti o n粒子滤波(Partic le Filter ,PF )技术是一种用于非线性、非高斯系统的滤波方法。

在其发展过程中有很多表述方法,如Bootstrap filter ,C ondensati o n M onte Carlo filter ,Particle filter 等,目前使用最多的是英文 Particle filter 中文 粒子滤波 。

粒子滤波思想最早可以追溯到上一世纪50年代末H e mm ers ley 等人[1]提出的基于贝叶斯采样估计的顺序重要采样(SI S)滤波思想。

60年代以后粒子滤波技术得到了一定的发展,但研究中一直存在粒子退化、重采样可能减少正确的粒子数和计算量制约等致命问题,从而没有引起人们足够的重视。

直到上个世纪90年代初,Go r dan 等人[2]提出在递推过程中重新抽样的思想,奠定了粒子滤波实用性的基础,随后许多改进算法相继被提出,使得粒子滤波技术得到迅速发展。

目前该技术已被广泛地应用到诸多领域里,如目标跟踪及导航与制导、状态监视和故障诊断、参数估计与系统辨识、人手臂运动识别、计算机视觉、金融领域等[3-9]。

1 粒子滤波技术发展现状根据SC I 数据库的检索报告,从1990年至今共有482篇SC I 的 粒子滤波(Parti c le F ilteri n g) 标题文章,而近5年的标题文章就有336篇,占全部标题文章的69.7%,并且 粒子滤波(Partic le F iltering) 的主题文章近5年就有将近1500篇之多,可以说粒子滤波技术已受到学者和科研人员的高度关注,成为当今一个非常活跃的研究领域。

粒子滤波是针对所有可能的观测值,通过状态空间随机生成一些粒子,每个粒子利用贝叶斯准则进行加权修正,然后递归构造状态变量的条件概率密度,以近似估计实际的系统状态。

Gordan 等人[2]粒子滤波技术的发展现状综述利用重新采样方法实现粒子滤波思想,但从离散近似的后验概率密度中重新采样粒子通常会导致粒子退化现象出现,即出现粒子匮乏问题。

随着计算机技术和信号处理技术的发展,出现了许多粒子滤波算法,这些算法大致可分为四类:(1)基于观测数据的改进算法1999年P itt等人[10]提出辅助粒子滤波(APF),即根据k步的观测,重新采样k-1步的粒子以使k 步的粒子逼近实际状态。

这种方法在低噪声情况下很有效。

Storv i k等人[11]提出基于充分统计量的粒子滤波方法,即假定在观测z1:k确定时,利用充分统计量代替重采样过程更新每一个时刻的参数粒子集合。

随后侯代文等人[12]利用给予充分统计量和双重估计方法,提出双重粒子滤波方法(DPF),对存在未知参数的非线性系统进行状态和参数联合估计。

H ayk i n等人[13]2004年利用多输入多输出的通道状态信息提出梯度算法的粒子滤波(GPF)。

还有利用确定的点产生粒子的扩展卡尔曼粒子滤波(EKPF)[14]、无迹粒子滤波(UPF)[15]和平方根无迹粒子滤波算法(SRUPF)[16]。

Abda llah等人[17]2007年针对非白色有偏观测情况,利用间隔数据分析提出盒子粒子滤波(BPG)。

Liang等人[18]通过平滑前一状态和滤波当前状态的思想获得了在出现双峰可能性时比上述方法更精确的状态估计,但该方法始终需要平滑处理致使算法非常耗时。

随后L iang 等人[19]利用观测通道的相似性改进了算法的耗时性。

Godsill等人[3]根据具体的观测情况提出变采样率粒子滤波。

此外,还有利用观测信息的多类型特性或多尺度特性提出的分层采样滤波算法。

(2)基于核密度估计器的改进算法Ko techa等人[20]利用单一高斯函数近似状态的后验密度,提出高斯粒子滤波,在高斯假设下,保证了粒子的数目最优。

同时,Ko techa等人[21]又提出高斯和粒子滤波(GSPF),即利用一组高斯粒子滤波混合相加或平行运算来近似后概率分布,该方法适合于具有高斯或非高斯噪声的非线性动态状态空间模型的估计。

同类的方法还有核粒子滤波(KPF)[8]、Parzen粒子滤波(PPF)[22]和规则化粒子滤波(RPF)[23]。

袁泽剑等人[24]2003年通过引入一簇高斯-厄米特滤波器(GH F),提出高斯-厄米特粒子滤波器(GHPF),其性能明显优于标准的粒子滤波、扩展的卡尔曼滤波、GHF。

(3)对于特殊系统的改进算法针对有限集统计的多目标跟踪框架,V iho la引进Rao B lackw ellisati o n Partic le F ilteri n g,提出基于有限集统计量多目标跟踪框架的Rao B lack w ellised 粒子滤波器(RBPF)[25]。

随后有人又引入了准高斯粒子滤波(Q GPF)算法[26],提出准高斯R ao B lack w ellized粒子滤波器(Q GRBPF),改进R ao B lack w ellized粒子滤波器(RBPF),在同等估计精度下,大大降低了计算时间。

Khan等人[27]通过引入一步附加的马尔科夫链蒙特卡罗过程,提出基于M C M C粒子滤波算法。

Thrun等人[28]利用实际自变量和一个特殊风险函数使得更多的粒子在状态空间的风险区域中生成,进而降低粒子退化。

随后O rguner等人[29]从理论上研究广义风险函数粒子滤波,进一步扩宽了风险敏感粒子滤波的思路。

H ong等人[30]利用剩余重采样定点策略,提出一种高速粒子滤波(H SPF),通过使用简单有效定点粒子标记方法保证了重采样后的粒子数目与采样前相等。

(4)基于优化算法的改进算法优化算法在处理组合优化问题时具有独特的优势。

近几年来,已有很多学者利用一些优化算法来减缓重采样之后的粒子耗尽问题,使得粒子集更加逼近状态真值的后验分布。

如Oshm an等人[31]将遗传算法与粒子滤波器相结合从矢量观测中进行姿态估计。

遗传粒子滤波方法已被用于人手运动跟踪和移动物体跟踪中[32,33]。

随后Car m i等人[4]又扩展了基于遗传算法的粒子滤波,提出自适应粒子滤波方法。

W u等人[34]针对含模糊噪声的动力系统状态在线估计,提出模糊粒子滤波(FPF)。

该方法利用顺序模糊模拟来逼近状态空间的状态间隔可能性,并根据模糊期望值运算来估计状态。

C lapp[35]通过引入模拟退火思想,提出模拟退火粒子滤波,改善重新采样策略的性能。

G an等人[36]将人工免疫方法引入粒子滤波中,提出的免疫粒子滤波性能优于退火粒子滤波方法。

陆陶荣等人[37]将鱼群算法应用于粒子滤波,提出集群智能粒子滤波算法,其性能优于扩展卡尔曼滤波和常规粒子滤波。

方正等[38]利用粒子群优化算法,提出粒子群优化粒子滤波方法(PSOPF)。

2 目标跟踪中的粒子滤波研究目标跟踪主要涉及运动中捕捉、物体识别、监视、定位、绘图、导航、跟踪等研究内容,根据探测距离的远近可分为三大类:(1)航空航天方面的目标跟踪,如深空探测器、太空船、飞行器等运动跟踪[4,12,39];(2)近地面的目标跟踪,如飞机、导弹、机器人、个人跟踪、人手臂运动、车辆运动、说话人定位、动物跟踪等轨迹监控和识别,以及多目标跟踪,目前在这方面的研究比较多;3(3)水下目标跟踪,如潜艇等导航探测[40]。

这些领域的目标跟踪通常是在非常复杂情况进行目标识别定位和环境参数估计,其相关系统通常是非线性非高斯的,而粒子滤波技术正好适应这种条件,可以给出高精度的目标估计和环境参数估计,因此已被广泛地应用于这些领域的研究中。

尽管目标跟踪领域中的科研人员和工程人员已越来越关注粒子滤波技术的应用研究,但由于这些领域的复杂环境影响,使得基于粒子滤波技术的目标跟踪研究才刚刚起步,如在太空中运动控制和导航、目标与背景对比度差、地形复杂遮盖多以及目标出现的变形、运动非线性和遮挡等,尤其是在水下环境中的目标定位和环境参数估计研究。

而且同时进行目标定位和环境参数估计的研究一直是目标跟踪研究中的难点问题之一。