基于消息传递的点目标与扩展目标协同跟踪技术

《IEEE Access》：Message Passing-Based Coexisting Point and Extended Targets Tracking

　　

摘要：

本文提出了一种新颖的循环求和-乘积算法（LSPA），专门用于同时跟踪点和扩展目标——这两种目标类型可能同时出现的情况。该算法基于信念传播原理，使用一种能够同时处理两种目标类型的通用测量模型来迭代更新目标状态信念。这些信念是对单个目标边际后验密度的原则性近似。为了确保计算可行性，我们引入了一种基于结构化因子图和消息传递的降维目标跟踪方法。该方法通过严格“拉伸”底层因子图中的因子节点和变量节点，获得一个维度较低的紧凑节点表示，然后在该因子图上执行LSPA算法。为了实现封闭形式的可处理性和鲁棒性，每个目标的信念都被建模为一个统计上连贯的混合密度：点目标的运动状态采用高斯分量，而扩展目标的运动状态和扩展状态采用Gamma-Gaussian-Inverse-Wishart（GGIW）分量。我们提供了该算法的完整数学推导，并通过大量的蒙特卡洛模拟实证验证了其优越性。与现有的最佳基准方法相比，所提出的方法在跟踪精度、收敛速度和鲁棒性方面取得了统计学上的显著改进。