摘要
多目标跟踪是指利用一系列具有时变、杂波干扰的量测数据对目标数量及目标状态进行估计。以往，当远距离目标跟踪或者传感器精度低时，被跟踪的目标通常会简化为点目标。然而，如果在近距离目标跟踪、传感器精度高的情况下，单个目标可能会生成多个量测数据，比如近程飞行器、海面船只等，此时点目标模型就不再适用，须将其建模为扩展目标。由于量测数据的增多，扩展目标与量测数据不再是一对一的关系而是一对多的关系，这就导致了传感器接收量测与扩展目标状态之间的数据关联变得非常复杂。2009年Mahler将扩展目标状态和量测数据均建模为随机有限集(RandomFiniteSet,RFS)，避免了复杂的多扩展目标数据关联问题。随后，基于RFS理论的扩展目标滤波器陆续被提出。但是，这一理论还存在许多的问题和挑战，比如：机动目标跟踪过程中模型失配、扩展目标外形难以直观准确地估计、新生目标先验信息未知等。基于RFS扩展目标跟踪理论，本文深入研究了机动扩展目标跟踪方法，取得了以下三个方面的成果： 1.针对单运动模型的滤波算法难以适应机动目标的运动状态动态变化等问题，将交互式多模型(InteractingMultiplemodel,IMM)和基于椭圆方向和半轴长度(OrientationandHalfAxesLengthsofanEllipse,OAL)的参数化模型结合到扩展目标概率假设密度(ExtendedTargets-ProbabilityHypothesisDensity,ET-PHD)滤波器中，提出了IMM-OAL-PHD滤波算法。该算法借助乘性噪声构造的显式量测方程，能够更好地考虑目标的空间信息。此外，不仅避免了数据关联问题，还结合了IMM算法对不同机动模型的自适应性以及ET-PHD滤波具有较高的精度和较小的计算量等优势。仿真实验结果表明，IMM-OAL-PHD滤波算法能够对目标运动状态动态变化的多机动扩展目标进行快速跟踪。 2.针对在杂波环境下扩展目标外形难以直观准确地估计、新生目标的先验信息未知等问题，在扩展目标势均衡多目标多伯努利(ExtendedTargets-CardinalityBalanceMulti-targetMulti-Bernoulli,ET-CBMeMBer)滤波器的基础上，开展了基于OAL的参数化多扩展目标跟踪研究。首先，该算法借助乘性噪声构造了考虑目标空间信息的显式量测方程，并推导了OAL-CBMeMBer算法高斯混合实现的封闭形式解；其次，基于显式的量测方程，利用已知的量测数据自适应构造考虑了质心位置和外形状态的新生目标先验信息。仿真实验结果表明，该算法提高了扩展目标数目和状态的估计精度，能够有效地对多扩展目标进行跟踪。 3.由于直观准确地估计扩展目标外形能提升目标跟踪性能以及机动目标跟踪过程中模型可能会出现失配问题，因此将OAL的参数化模型和IMM结合到ET-CBMeMBer滤波器中，提出了IMM-OAL-CBMeMBer滤波算法。借助乘性噪声构造的显式量测方程，将量测与目标质心状态和外形状态相联系，能够更好地考虑目标的空间信息。此外，IMM算法对不同机动模型有着自适应性；ET-CBMeMBer滤波器传递多伯努利RFS参数，从而提高了多目标状态的可靠性与高效性。实验结果表明，所提的IMM-OAL-CBMeMBer算法能够实现对多扩展目标高效地跟踪，并能够准确的估计出目标数目和状态。
NETL