基于改进型自适应粒子滤波的多智能体网络目标跟踪方法与流程

本发明涉及多智能体网络协调技术、目标跟踪技术领域，特别是涉及一种基于改进型自适应粒子滤波的多智能体网络目标跟踪方法。

背景技术：

多智能体系统(multi-agent systems)是一群具备一定的感知、通信、计算和执行能力的智能体通过通讯等方式关联成的一个网络系统。尽管单个智能体(agent)具备一定的功能，但是由于个体能力和知识资源的局限，往往凭着单个的力量无法有效去解决一些复杂的问题。多智能体系统协调技术则是将这些单个个体有效地联合起来，通过一定的方式协调它们的行为，使得整体系统比单个智能体具有更强的问题求解能力和智能性。在军事、航天、工业等各个领域，多智能体协调技术具有十分广阔的应用背景，如多卫星系统、多机器人编队、自动化公路调度、无线传感器网络的协调控制等都是其典型的应用实例。

用粒子滤波器来解决目标跟踪问题时，拥有很多优点，其不但使用简单，功能强大，鲁棒性强，更是突破了传统滤波器受限于系统必须是非线性且噪声必须是服从高斯分布的局限，利用随机动态模型来预测目标的位置，使得应用范围更加的宽广。然而，作为粒子滤波器先天存在的缺陷，粒子退化和多样性丧失问题给目标跟踪问题带来十分不利的影响，造成跟踪一段时间后，跟踪准确性下降，最终甚至造成目标丢失现象的发生。

技术实现要素：

本发明要克服传统粒子滤波跟踪技术中粒子退化和多样性丧失等问题，提出一种基于改进型自适应粒子滤波的多智能体网络目标跟踪方法，充分利用多智能体协调技术，引入更加智能化的智能体粒子，提高了滤波实时效率，拓宽了粒子滤波目标跟踪技术的应用范畴。

针对粒子滤波器存在的问题，借鉴多智能体协调技术表现出来的强大功能和突出优点，本发明就以粒子滤波为基本框架，把多智能体分布式协调技术与粒子滤波器结合起来，提出一种基于改进型自适应粒子滤波的多智能体网络目标跟踪方法。

本发明所述的基于改进型自适应粒子滤波的多智能体网络目标跟踪方法，具体包括以下步骤：

(一)粒子筛选：

筛选的基本原则是当相邻智能体粒子间距离低于预先设定的门限值γ时，保留两者间权值相对较大的粒子，去除权值较小的粒子。具体先在状态空间中对于某一特定维度的智能体粒子进行整理排序。相对于随机采样集其中表示粒子i在t时刻的状态值，我们用表示粒子i的状态向量x经过第d维排序后的状态集。排序后相邻粒子根据欧氏距离公式进行对比筛选：

上式条件成立下，比较这两个粒子的权值大小，如果保留否则，保留如果上式条件不成立，则同时保留这两个粒子。用集合K_t表示已经消除的智能体粒子序标集合，以及S_t＝{1,...,N_t}\K_t表示保留下来的粒子序标集合。起初，K_t为空集，公式(1)中，序标i的值来自集合S_t。

(二)N_t+1的选取：

经过粒子筛检之后，为了确保滤波精度，本发明考虑引入新息误差估计，通过系统估计与预测的差值提供的新息知识，在重采样阶段在线自适应调整采样粒子数，在保证粒子采样高效性的同时，也很好地实现了算法的实时性。假设k时刻粒子的估计值为我们采用以下公式计算累积新息误差：

其中∑_n表示观测噪声n_t的协方差矩阵，n表示用于估计状态的粒子个数。计算所需的粒子均来自集合S_t。

由此可以发现，采样粒子的数量和系统的新息误差相关，当误差较小时，用少量的采样粒子就可以高精度地逼近系统分布；当误差较大时，粒子的采样范围扩大，同时增加采样粒子数目，以保证采样的精度。下一时刻的粒子采样数由以下公式得出：

其中N_max为最大采样粒子数。改进的自适应粒子滤波方法的具体流程如下：

步骤1初始化：设置t＝0，从先验概率密度分布函数中抽取粒子样本集再根据下式计算出非归一化权值：

步骤2重采样：根据公式(3)，得出重采样粒子数目N_t+1，将粒子集进行N_t+1次重采样，得到一个权值为的全新粒子集合

步骤3重要性采样：由重要性采样函数模型π(x_t|x_t-1,z_t)抽样得到新的粒子集

步骤4加权值：通过下式更新抽样点的权值

接下来将智能体粒子集根据特定维度进行排序得到按照公式(1)对有效粒子进行取舍。得到S_t和K_t，归一化权值则最终计算得到后验估计为：

令t＝t+1，返回到步骤2。

本发明与现有技术相比其显著优点在于：

1、在保证预测阶段粒子多样性、减轻粒子退化的前提下，采用较少的精简有效的智能体粒子完成粒子集权值的更新，可避免一些无效粒子进行迭代运算；

2、通过智能体粒子个体间的对比、删减以及自学习等行为来完成重采样过程，不但保证了粒子有效性，同时还增加了粒子的多样性；

3、通过粒子滤波器与多智能体协调技术相结合，对传统粒子进行重新定义，使得相应目标跟踪技术具有更强的鲁棒性和智能性，拓宽了粒子滤波目标跟踪技术的应用范畴。

附图说明

图1为本发明目标跟踪方法的流程图；

图2为本发明实施例样本数为1000下的滤波跟踪技术对比效果图；

图3为本发明实施例样本数为250下的跟踪误差对比效果图。

具体实施方式

参见图1，并结合实施例对本发明做进一步的详细说明。

(一)粒子筛选：

筛选的基本原则是当相邻智能体粒子间距离低于预先设定的门限值γ时，保留两者间权值相对较大的粒子，去除权值较小的粒子。具体先在状态空间中对于某一特定维度的智能体粒子进行整理排序。相对于随机采样集其中表示粒子i在t时刻的状态值，我们用表示粒子i的状态向量x经过第d维排序后的状态集。排序后相邻粒子根据欧氏距离公式进行对比筛选：

上式条件成立下，比较这两个粒子的权值大小，如果保留否则，保留如果上式条件不成立，则同时保留这两个粒子。用集合K_t表示已经消除的智能体粒子序标集合，以及S_t＝{1,...,N_t}\K_t表示保留下来的粒子序标集合。起初，K_t为空集，公式(1)中，序标i的值来自集合S_t。

(二)N_t+1的选取：

经过粒子筛检之后，为了确保滤波精度，本发明考虑引入新息误差估计，通过系统估计与预测的差值提供的新息知识，在重采样阶段在线自适应调整采样粒子数，在保证粒子采样高效性的同时，也很好地实现了算法的实时性。假设k时刻粒子的估计值为我们采用以下公式计算累积新息误差：

其中∑_n表示观测噪声n_t的协方差矩阵，n表示用于估计状态的粒子个数。计算所需的粒子均来自集合S_t。

由此可以发现，采样粒子的数量和系统的新息误差相关，当误差较小时，用少量的采样粒子就可以高精度地逼近系统分布；当误差较大时，粒子的采样范围扩大，同时增加采样粒子数目，以保证采样的精度。下一时刻的粒子采样数由以下公式得出：

其中N_max为最大采样粒子数。改进的自适应粒子滤波方法的具体流程如下：

步骤1初始化：设置t＝0，从先验概率密度分布函数中抽取粒子样本集再根据下式计算出非归一化权值：

步骤2重采样：根据公式(3)，得出重采样粒子数目N_t+1，将粒子集进行N_t+1次重采样，得到一个权值为的全新粒子集合

步骤3重要性采样：由重要性采样函数模型π(x_t|x_t-1,z_t)抽样得到新的粒子集

步骤4加权值：通过下式更新抽样点的权值

接下来将智能体粒子集根据特定维度d进行排序得到按照公式(1)对有效粒子进行取舍。得到S_t和K_t，归一化权值则最终计算得到后验估计为：

令t＝t+1，返回到步骤2。

为验证本发明所设计方法的有效性，采用以下实施例来进行验证。

本发明应用Matlab软件设计了从固定视觉观测点进行单机动目标跟踪的实验程序，验证本发明方法的有效性。假设运动目标的动态方程为：

式中为系统的状态向量，各参数分别表示t时刻目标在二维平面中的x坐标和x方向的速度、y坐标和y方向的速度。T_s是采样时间间隔；u_t～N(0，0.1·I)为过程噪声，且服从高斯分布。轨迹的初始化值为x₀＝[100,100,0,0]^T，对角方差矩阵[0.1,0.1,0.01,0.01]。系统的量测方程为：

式中p₀表示传感器的位置，10log₁₀(ψ₀)＝30dBM，路径损耗指数q＝2.2，∠(P₀,P_t)表示P₀与P_t间的角度，量测噪声u_t～N(0，0.1·I)，智能体传感器置于坐标系统的原点。

下面将标准粒子滤波方法(SPF)与本发明提出的方法(APF)进行仿真，仿真步长t＝20。两种方法分别在粒子样本数N＝1000,N＝250条件下进行实验，对单个水平运动目标的跟踪效果参见图2和图3。

从图2中可以看出，在样本数(N＝1000)的条件下，两种方法的跟踪效果十分接近，SPF的跟踪误差为0.9087，本发明方法的跟踪误差为0.8011。但由于本发明方法对粒子数进行了筛选处理，所以实际参与估计的粒子数要小于SPF，平均滤波时间明只需要14.12秒，明显优于SPF的23.79秒。接下来，当粒子样本数减少为四分之一(N＝250)时，可以发现本发明方法的跟踪精度明显优于传统方法，具体效果参见图3。

本发明的具体实施方式中凡未涉到的说明属于本领域的公知技术，可参考公知技术加以实施。

以上具体实施方式是对本发明提出的一种基于改进型自适应粒子滤波的多智能体网络目标跟踪方法技术思想的具体支持，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在本发明技术方案基础上所做的任何等同变化或等效的改动，均仍属于本发明技术方案保护的范围。