一种基于gpu架构的改进的粒子滤波方法
【专利摘要】本发明属于粒子滤波【技术领域】，特别涉及一种基于GPU架构的改进的粒子滤波方法。该基于GPU架构的改进的粒子滤波方法包括以下步骤：S1：在CPU端设定粒子个数和观测时刻k；在GPU端初始化粒子；S2：将观测向量传输至GPU显存；当k＝1时，执行步骤S3；S3：在GPU端进行重要性采样；S4：在GPU端进行二次采样，得到k时刻的最大似然采样粒子；S5：利用GPU得出k时刻每个最大似然采样粒子的接受概率；S6：在GPU端计算k时刻估计值。S7：在CPU端计算k时刻每个最大似然采样粒子的重采样索引；在GPU端根据重采样索引得出k时刻的重采样粒子，作为下一时刻的初始粒子；S8：将步骤S3至步骤S7重复执行M次，得出M个时刻的估计值。
【专利说明】一种基于GPU架构的改进的粒子滤波方法
【技术领域】
[0001]本发明属于粒子滤波【技术领域】，特别涉及一种基于GPU架构的改进的粒子滤波方法。
【背景技术】
[0002]非线性滤波问题广泛存在于信号处理、数据通信、雷达探测、目标跟踪、卫星导航等诸多领域，这类问题可归纳为存在观测噪声时，非线性系统的状态估计问题。粒子滤波方法是一种较为通用的滤波方法，其采用一系列带有权值的样本点对状态的后验概率分布进行近似，这种方法实质上基于状态搜索进行的。由于在状态逼近的过程中使用了大量的粒子，因此该方法的计算复杂度很高。而且在粒子滤波中存在着两个主要的问题:第一，当粒子采样不准确时，如采样得到的粒子位于实际后验分布的拖尾区域，经过状态搜索后，绝大部分的粒子权值都会趋于O。这会为后验分布的近似带来很大的误差，甚至有可能引起滤波发散。第二，在对状态进行迭代估计的过程中，会出现粒子退化以及粒子贫化的现象，降低了状态估计可用粒子的数量和种类，增大了状态估计误差。
【发明内容】
[0003]本发明的目的在于提出一种基于GPU (图形处理器)架构的改进的粒子滤波方法。本发明，对粒子的重采样进行了改进，提出一种基于二次采样的粒子滤波方法，改善了状态估计的精度。同时，针对粒子滤波方法计算复杂度高的问题，提出了一种基于GPU架构的实现方法，使得运算时间大大降低，提高了算法处理的实时性，可以满足实时处理的需要。
[0004]本发明的技术思路是:在标准粒子滤波基础上，通过最大化似然函数引入当前时刻的观测信息，进行二次采样，并使用似然函数计算新粒子的权值，最后通过粒子加权对当前的状态进行估计。并且将计算复杂度高的部分在GPU架构上进行实现，提高了算法的实时性。
[0005]为实现上述技术目的，本发明采用如下技术方案予以实现。
[0006]一种基于GPU架构的改进的粒子滤波方法包括以下步骤:
[0007]S1:利用CPU将粒子个数设定为N，利用CPU设定M个观测时刻，N和M均为大于I的自然数，所述M个观测时刻依次表示为I时刻至M时刻；利用GPU生成N个I时刻初始粒子；设置观测时刻参数k，k = 1，2，3，...M ;
[0008]S2:利用CPU加载每个观测时刻非线性系统的观测向量，CPU将每个观测时刻非线性系统的观测向量传输至GPU显存；当k = I时，执行步骤S3 ；
[0009]S3:在GPU中，根据重要性密度函数对k时刻的每个初始粒子进行重要性采样，得出k时刻的多个重要性采样粒子；
[0010]S4 =^GPU中，根据非线性系统的观测模型，建立似然函数；然后，通过最大化似然函数，对k时刻的每个重要性采样粒子进行二次采样，产生k时刻的多个最大似然采样粒子；[0011]S5:利用GPU得出k时刻每个最大似然采样粒子的接受概率；
[0012]S6:在GPU中，根据k时刻每个最大似然采样粒子，得出k时刻非线性系统的状态向量的估计值；
[0013]S7:GPU将k时刻每个最大似然采样粒子的接受概率传输至CPU ;在CPU中，根据所述k时刻每个最大似然采样粒子的接受概率，得出k时刻每个最大似然采样粒子的重采样索引；然后，CPU将k时刻每个最大似然采样粒子的重采样索引传输至GPU ;在GPU中，根据k时刻每个最大似然采样粒子的重采样索引，对k时刻每个最大似然采样粒子进行重采样，得出k+Ι时刻的多个初始粒子；$k值自增1，然后返回至步骤S3 ；
[0014]S8:将步骤S3至步骤S7重复执行M次，得出M个观测时刻的非线性系统的状态向量的估计值。
[0015]本发明的特点和进一步改进在于:
[0016]在步骤SI中，建立非线性系统的状态模型和观测模型，非线性系统的状态模型和观测模型表示如下:
【权利要求】
1.一种基于GPU架构的改进的粒子滤波方法，其特征在于，包括以下步骤: 51:利用CPU将粒子个数设定为N，利用CPU设定M个观测时刻，N和M均为大于I的自然数，所述M个观测时刻依次表示为I时刻至M时刻；利用GPU生成N个I时刻初始粒子；设置观测时刻参数k，k = 1，2，3，...M ; 52:利用CPU加载每个观测时刻非线性系统的观测向量，CPU将每个观测时刻非线性系统的观测向量传输至GPU显存；当k = I时，执行步骤S3 ； 53:在GPU中，根据重要性密度函数对k时刻的每个初始粒子进行重要性采样，得出k时刻的多个重要性采样粒子； 54=^GPU中，根据非线性系统的观测模型，建立似然函数；然后，通过最大化似然函数，对k时刻的每个重要性采样粒子进行二次采样，产生k时刻的多个最大似然采样粒子； 55:利用GPU得出k时刻每个最大似然采样粒子的接受概率； 56:在GPU中，根据k时刻每个最大似然采样粒子，得出k时刻非线性系统的状态向量的估计值； 57=GPU将k时刻每个最大似然采样粒子的接受概率传输至CPU ;在CPU中，根据所述k时刻每个最大似然采样粒子的接受概率，得出k时刻每个最大似然采样粒子的重采样索引；然后，CPU将k时刻每个最大似然采样粒子的重采样索引传输至GPU ;在GPU中，根据k时刻每个最大似然采样粒子的重采样索引，对k时刻每个最大似然采样粒子进行重采样，得出k+Ι时刻的多个初 始粒子；$k值自增1，然后返回至步骤S3 ； 58:将步骤S3至步骤S7重复执行M次，得出M个观测时刻的非线性系统的状态向量的估计值。
2.如权利要求1所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤SI中，建立非线性系统的状态模型和观测模型，非线性系统的状态模型和观测模型表示如下:
<
yk = h(xk) + vk 其中，xk表示k时刻非线性系统的m维状态向量，yk表示k时刻非线性系统的η维观测向量，m和η均为大于O的自然数；f (.)为描述非线性系统状态模型的非线性函数，h (.)描述非线性系统的观测模型的非线性函数；uk为设定的服从高斯分布的k时刻状态噪声，当m = I时,Uk服从均值为O方差为Q的高斯分布，当m>l时，uk的均值为m维零向量,协方差矩阵为Q ；vk为设定的服从高斯分布的k时刻观测噪声，当n = I时，Vk服从均值为O方差为R的高斯分布，当η>1时，vk的均值为η维零向量，协方差矩阵为R ； 在步骤SI中，根据所述非线性系统的状态模型和观测模型，利用GPU生成I时刻至M时刻的状态噪声；在步骤SI中，I时刻第i个初始粒子值为#，i取I至N。
3.如权利要求2所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤S2中，k时刻非线性系统的观测向量为yk ； 在步骤S3中，根据所述非线性系统的状态模型，得出初始粒子的状态转移密度函数P (Xk I Xk-:)，选取状态转移密度函数为重要性密度函数q (xk I Xk-!, Yk) = P (xk I XkJ，得出k时刻第i个初始粒子的重要性密度函数切X.1，q{x\ I d) = ρ{χ\ I X1k^l)；根据k时刻第i个初始粒子的重要性密度函数对k时刻的每个初始粒子进行重要性采样，得出k时刻的多个重要性采样粒子，k时刻的第i个重要性采样粒子值为。
4.如权利要求2所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤S3中，得出的k时刻的第i个重要性采样粒子值为.; 在步骤S4中，根据以下公式得出k时刻第i个最大似然采样粒子值;
5.如权利要求2所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤S5中，根据所述非线性系统的观测模型，得出似然函数P (yk I xk);确定k时刻第i个最大似然采样粒子的重要性权值，当k = I时，4=1 / M:当k>l时，w^p(^yk I Xk)^^ ；根据k时刻第i个最大似然采样粒子的重要性权值<，得出k时刻第i个最大似然采样粒子的接受概率:，
6.如权利要求5所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤SI中，利用GPU生成NXM个在O到I之间均匀分布的随机数，在NXM个在O到I之间均匀分布的随机数中，与k时刻第i个初始粒子对应的随机数表示为<，其中，k取I至M，i取I至N; 在步骤S7中，在GPU端，计算出与k时刻第i个初始粒子对应的过渡取值Λ
7.如权利要求4所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤S4之后，在得出k时刻第i个最大似然采样粒子值之后，将步骤S4重复执行K次，在每次重复执行步骤S4之前，将上次执行步骤S4得出的k时刻第i个最大似然采样粒子值赋值给.4|卜I，K为大于O的自然数。
8.如权利要求1所述的一种基于GPU架构的改进的粒子滤波方法，其特征在于，在步骤SI中，利用CPU分配CPU内存空间和GPU显存空间； 在步骤S8之后，利用CPU将已分配的CPU内存空间和GPU显存空间销毁。
【文档编号】H03H17/02GK104022756SQ201410241879
【公开日】2014年9月3日 申请日期:2014年6月3日 优先权日:2014年6月3日
【发明者】王俊, 张培川, 武勇, 乔家辉 申请人:西安电子科技大学