1 / 35

# Particle Filters for Tracking - PowerPoint PPT Presentation

Particle Filters for Tracking. 报告人：万剑 林梦然 张海标. 一. 作者简介. 二. 文章结构. 方法概述. 三. 四. 讲解提纲. A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking M. Sanjeev Arulampalam, Simon Maskell, Neil Gordon, and Tim Clapp. 作者简介.

I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.

## PowerPoint Slideshow about 'Particle Filters for Tracking' - boris

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.

- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

Online Nonlinear/Non-Gaussian Bayesian Tracking

M. Sanjeev Arulampalam, Simon Maskell, Neil Gordon, and Tim Clapp

IEEE TRANSACTIONS ON SIGNAL PROCESSING, VOL. 50, NO. 2, FEBRUARY 2002

M. Sanjeev Arulampalam

• Introduction

• Optimal Algorithms

• Suboptimal Algorthms

• Particle Filtering Methods

• Example

• Conclusions

• 卡尔曼滤波

• 图示

• 流程

• 总结

• 扩展卡尔曼滤波

• 改进

• 总结

• 粒子滤波

• SIR粒子滤波

• ASIR粒子滤波

• RPF粒子滤波

• 实验

• 改进思路

xk-1

xk-1

xkΛ

xkΛ

xk

Zk

k-1帧最优估计状态值

k帧估计状态值

k帧观测值

k帧最优估计值

Xk = Fk Xk-1 + Vk-1

Zk = Hk Xk + nk

• Vk-1 nk 是已知的高斯分布

• Vk-1 nk 与 Xk 是独立的

• Fk Hk 是已知的线性函数

Xk+= Fk Xk-1

Xk-1

k-1时刻目标估计状态

Xk+

k时刻目标预测状态

Fk

k-1到k的转换函数

Xk= Xk+ + Kg ( Zk - HkXk+ )

Xk

k时刻目标最优估计状态

Xk+

k时刻目标估计状态

Zk

k时刻目标观测状态

Kg

Xk= Xk+ + Kg ( Zk - HkXk+ )

Ek＝Yk－X k

Pk＝E ( EkEkT)

min ( Pk )

Xk = fk ( Xk-1 , Vk-1 )

Zk = hk ( Xk , nk )

• fk hk 可以是非线性函数

idea

SIR粒子滤波图示

ASIR粒子滤波图示

SIR粒子滤波重采样方法

SIR粒子滤波重采样 当进行多次迭代后粒子有些粒子的权值就会变得非常小，所做的贡献越来越少，就是所谓的可以很好的解决粒子退化问题，但是它同样带来了新的问题，迭代多次后，粒子将会变得单一，也就是说有可能全部离子都是从一个粒子复制

RPF粒子滤波

RPF在SIR的基础上建立连续近似的分布，然后从中采样，在一定的程度上解决了粒子贫乏的问题

RPF粒子滤波

• 粒子滤波通过粒子逼近概率密度函数可以很好的解决非线性非高斯问题

• 需要大量的样本才能很好的逼近事件的后验密度

• 重采样阶段会造成样本有效性和多样性的损失

Root Mean Squared Error(RMSE)

RMSE 误差最大

SIR 粒子滤波

RMSE 误差比EKF明显减少

ASIR 粒子滤波

RMSE 误差比SIR轻微减少

RPF 粒子滤波

RMSE 误差和SIR很接近（没有在特定的环境下）