Page 68 - 《应用声学》2023年第2期

256 2023 年 3 月

经过 100 次蒙特卡洛仿真实验后，得到最邻 仿真二：假定实际目标的运动模型也为匀速直
近关联 NN 算法、联合数据关联 JPDA 算法和本文 线运动 CV 模型和匀速转弯 CT 模型。目标数目也
GMPHD滤波算法的平均跟踪误差如表3所示。 为3 个，但运动目标被分时观测，且假设目标检测概
由表 3可知，在目标个数、运动条件已知和多普 率P d = 0.9。由于目标的出现和消失无法直接采用
勒频率求解速度下，JPDA关联跟踪效果最优，GM- 上述关联算法跟踪，仿真对基于 GMPHD 滤波的跟
PHD 滤波跟踪效果次之，NN 关联跟踪效果最差。 踪算法进行不同信噪比和反馈速度计算方法的分
目标 1 的跟踪效果中纵坐标跟踪误差都小于横坐标 析比较。
的跟踪误差，目标 2 二者误差差距不大，目标 3 则是 目标 1 和目标 2 都为匀速直线 CV 运动，目标
横坐标误差较大，也证明了跟踪算法在运动变化小 3 为匀速转弯 CT 运动，运动状态设置如表 4 所示，
的轴跟踪误差较小。目标 3 由于实际运动模型的非 GMPHD滤波的参数设置与仿真一相同。粒子群算

线性 (详见仿真一中 F ) 与预测矩阵 (1.2 节中 F k ) 法中粒子个数设置 500个，迭代次数设置 100次，惯
′
k
的不匹配，使得预测状态值相较于真实值有较大的 性因子设置0.8，控制群体和个体对迭代的影响因子
误差，跟踪效果较差。从表 3 也可知，JPDA 算法对 均设置0.5。
目标 3 跟踪，由于模型的不匹配使得跟踪误差相较 由于目标的跟踪可能跟丢的情况，采用平均
于目标 1 和目标 2 的跟踪效果，增长得更加快，得出 OSPA 距离的方法进行误差分析。蒙特卡洛实验
JPDA 算法对于目标模型的匹配度要求相较 NN 和 100 次 40 dB 下目标跟踪的平均 OSPA 距离变化如
GMPHD 算法更高，即 NN 算法和 GMPHD 算法对 图6所示，目标的平均个数估计变化如图7所示。蒙
模型的不匹配的冗余度比 JPDA算法高。仿真证明 特卡洛实验 100 次 32 dB 下目标跟踪的平均 OSPA

在目标个数、运动条件已知条件下，基于 GMPHD 距离变化如图 8 所示，目标的平均个数估计变化如
滤波的跟踪算法可趋近于最优的JPDA关联跟踪。 图9所示。

表 3 三种算法跟踪误差
Table 3 Tracking error of three algorithms

跟踪算法 目标 1 跟踪误差 目标 2 跟踪误差 目标 3 跟踪误差
X 轴标准差：0.429 m X 轴标准差：0.249 m X 轴标准差：0.592 m
NN Y 轴标准差：0.244 m Y 轴标准差：0.238 m Y 轴标准差：0.399 m
GDOP 误差：0.494 m GDOP 误差：0.344 m GDOP 误差：0.713 m
X 轴标准差：0.102 m X 轴标准差：0.096 m X 轴标准差：0.255 m
JPDA Y 轴标准差：0.067 m Y 轴标准差：0.088 m Y 轴标准差：0.301 m
GDOP 误差：0.122 m GDOP 误差：0.131 m GDOP 误差：0.394 m
X 轴标准差：0.329 m X 轴标准差：0.257 m X 轴标准差：0.454 m
GMPHD Y 轴标准差：0.241 m Y 轴标准差：0.258 m Y 轴标准差：0.337 m
GDOP 误差：0.407 m GDOP 误差：0.364 m GDOP 误差：0.565 m

表 4 仿真二目标运动状态
Table 4 Simulation II target motion state

目标 运动状态 运动方式 出现帧 消失帧
1 X 0 = [−100 m 4 m/s 100 m 0 m/s] T CV 1 20

2 X 0 = [−100 m 2 m/s 80m 0.5 m/s] T CV 1 10
3 X 0 = [−90 m 2 m/s 90 m −1 m/s] T ω = 0.1 rad/s CT 8 14