重尾非高斯定位噪声下鲁棒协同目标跟踪
Robust cooperative target tracking under heavy-tailed non-Gaussian localization noise
收稿日期: 2021-06-5
基金资助: |
|
Received: 2021-06-5
Fund supported: | 国家自然科学基金资助项目(61773184);国家重点研发计划资助项目(2018YFB0105000);江苏省六大人才高峰高层次人才资助项目(JXQC-007) |
作者简介 About authors
陈小波(1982—),男,研究员,博导,从事智能交通研究.orcid.org/0000-0001-9940-1637.E-mail:
针对定位数据的统计特性未知且易受异常值干扰而影响协同目标跟踪性能的问题,提出一种重尾非高斯定位噪声下的鲁棒协同目标跟踪方法. 该方法假设定位噪声服从多元学生t-分布,建立联合估计目标状态与定位噪声参数的贝叶斯模型. 针对目标状态与噪声分布参数相互耦合而难以计算联合后验分布的问题,应用变分贝叶斯推断原理和平均场理论对后验分布进行解耦,将目标状态与定位噪声参数的联合后验分布估计问题转化为最优化问题,以交替优化的方式实现系统参数的在线递推估计. 对提出的协同目标跟踪方法进行测试. 仿真结果表明,当定位数据中存在未知的野值噪声时,提出的协同跟踪算法具有较好的鲁棒性.
关键词:
The statistical properties of the localization data are unknown and the localization data are susceptible to outlier interference, which affects the cooperative target tracking performance. Aiming at the problem, a robust cooperative target tracking method for heavy-tailed non-Gaussian localization noise was proposed. It was assumed that the localization noise followed multivariate Student’s t-distribution and a joint Bayesian estimation model of target state and localization noise parameters was constructed. To overcome the difficulty of computing joint posterior distribution owing to the coupling of target state and noise distribution parameters, the variational Bayesian inference and the mean-field theory were applied to decouple the joint posterior distribution and convert the problem of joint estimation of target state and localization noise parameters into a optimization problem. Alternative optimization was implemented to achieve recursive estimation of system parameters. The proposed cooperative target tracking method was evaluated experimentally. Simulation results showed that when unknown outliers exist in localization data, the proposed algorithm has better tracking robustness.
Keywords:
本文引用格式
陈小波, 陈玲, 梁书荣, 胡煜.
CHEN Xiao-bo, CHEN Ling, LIANG Shu-rong, HU Yu.
智能车能利用不同类型的车载传感器,如激光雷达、毫米波雷达、摄像机[1-2]等,收集周边环境信息. 通过分析这些信息,智能车能区分可驾驶区域和障碍物,从而实现准确的环境感知[3]. 目标跟踪是自动驾驶系统环境感知的一项关键技术,其本质是动态系统的状态估计问题,通过传感器的噪声测量值估计动态目标的真实状态[4]. 卡尔曼滤波器[5](Kalman filter,KF)是用于传感器融合与目标跟踪的标准模型,过程噪声和测量噪声均假设为统计特性已知的高斯分布. KF可被视为更通用的贝叶斯滤波器[6]的特例. 随着系统模型越来越复杂,概率模型中的后验分布一般难以直接计算. 为了解决该问题,Beal[7]提出变分贝叶斯推断(variational Bayesian inference, VBI)方法,基于平均场理论近似求解隐变量的后验分布. Särkkä等[8]提出基于VBI的自适应卡尔曼滤波,可以对目标状态和噪声参数的联合后验分布进行近似计算. 沈忱等[9]提出基于层次贝叶斯结构的状态空间模型,将测量噪声的均值、方差和系统状态一起作为随机变量,并利用VBI进行解耦. 余东平等[10]提出基于VBI的多目标无源定位算法. Zhu等[11]应用学生t-分布作为测量噪声模型进行状态估计. Huang等[12]提出基于学生t-分布的分层高斯状态空间模型.
针对定位数据易受野值干扰而影响协同目标跟踪性能的问题,本研究提出适用于重尾非高斯定位噪声的协同目标跟踪方法,将定位噪声建模为多元学生t-分布,构建目标状态和未知定位噪声参数的联合概率推断模型. 应用变分贝叶斯推断原理将后验分布估计问题转化为最优化问题,以交替优化的方式实现变分后验分布参数的有效计算,降低野值对目标状态估计的影响.
1. 模型建立
1.1. 学生t-分布
在参数估计问题上,学生t-分布具有重尾特性,在野值数据处理方面比高斯模型具有更好的鲁棒性. 因此,利用该分布刻画重尾非高斯定位噪声
式中:
学生t-分布的极大似然估计难以获得闭式解. 定义均值为
图 1
图 1
不同
Fig.1
Probability density function of Student’s t-distribution for different
1.2. 协同目标跟踪场景描述
协同目标跟踪场景包括主车(host vehicle,HV)、协同车(cooperative vehicle,CV)和目标车(target vehicle,TV),其中,主车和协同车配备毫米波雷达、GPS定位系统和V2V通信设备等. 主车和协同车根据各自的车载传感器收集感知范围内的TV信息,CV将其对TV的测量数据和定位数据利用V2V通信设备发送给HV. HV融合本地感知数据与CV发送的数据,实现对TV状态的准确估计.
在跟踪过程中,假设系统状态转移方程服从如下线性模型:
式中:k为离散时刻,
另外,假设系统初始状态
定义如下系统测量方程:
式中:
由于HV和CV基于各自车体坐标系感知TV状态,在测量方程中测量函数
图 2
图 2 平移与旋转坐标转换示意图
Fig.2 Illustration of translation and rotation of coordinate system
系统测量函数
式中:
测量噪声
为了增强跟踪算法对定位数据中野值的鲁棒性,采用重尾非高斯多元学生t-分布建模定位测量噪声
根据式(2),引入自举变量
假设精确度
式中:
图 3
图 3 协同目标跟踪的概率图模型
Fig.3 Probabilistic graph model of cooperative target tracking
2. 变分贝叶斯推断原理
根据上述模型,选择状态变量
式中:
对数边缘似然函数
其中,
式中:
根据式(14),可以通过最小化式(16)来寻找
式中:
3. 变分贝叶斯推断推导变分参数
依据变分贝叶斯框架推导协同目标跟踪概率模型的变分后验分布. 由于测量函数
式中:
为了简便起见,将测量向量
经上述处理后,新的测量方程表示如下:
根据链式法则,利用分层高斯状态空间模型的条件独立性,将模型的联合概率分布函数表达为
根据如图3所示的概率图模型,式(21)中未知参数的似然函数为
3.1. 状态预测
未知参数
对于状态变量
式中:
对于每一个参数的后验分布,有
式中:
根据文献[11],定位测量噪声协方差的预测分布参数可以设置为
式中:
3.2. 变分迭代更新
根据变分贝叶斯推断原理推导系统状态和噪声参数的后验分布,式(21)中对数联合概率分布函数可以表示为
依据卡尔曼滤波,更新参数
式中:
3.2.1. 精确度 $ {{\boldsymbol{\varLambda}} _k} $
第r次变分迭代,变分分布
式中:
可以发现,
式中:
3.2.2. 自举变量 $ {u_k} $
第r次变分迭代,变分分布
可以发现,
3.2.3. 自由度 $ {\lambda _k} $
第r次变分迭代,变分分布
根据斯特林近似公式
可以发现,
3.3. 变分迭代终止条件
在变分迭代更新步骤中,须交替优化变分参数. 考虑到计算效率,提出如下终止条件.
条件1 如果2次相邻迭代,系统状态的变化量
式中:
条件2 如果变分迭代的次数达到设置的最大迭代次数
最终,本研究提出的协同目标跟踪算法变分贝叶斯-鲁棒协同跟踪(variational Bayesian-robust cooperative tracking, VB-RCT)算法流程如下.
算法:VB-RCT算法
输入:
初始化:
For
状态预测:式(25)、(27)
变分迭代更新:
For
更新状态:式(29) ~ (33)
更新变分参数:式(35)、(37)、(40)
变分迭代终止条件:式(41)、(42)
End for
End for
输出:
4. 仿真实验
为了验证VB-RCT算法的有效性与鲁棒性,对4种算法进行性能对比仿真实验.1)VB-RCT算法;2)非协同、仅依赖HV估计TV状态的单车跟踪(Kalman filter-single tracking,KF-ST)算法;3)基于扩展卡尔曼滤波,假定定位噪声协方差为固定值的协同跟踪(extend Kalman filter-cooperative tracking,EKF-CT)算法;4)定位噪声协方差建模为逆伽马分布的变分协同跟踪(variational Bayesian-cooperative tracking,VB-CT)[21]算法. 另外,对VB-RCT算法中相关参数的影响进行实验分析.
4.1. 模型基本参数设置
在线协同目标跟踪仿真场景如图4所示,假设TV和CV根据以下状态空间模型在二维空间中以恒定的速度运动:
图 4
式中:
式中:
变分贝叶斯迭代的终止条件参数设置为:
式中:
4.2. 跟踪性能
4.2.1. 算法对比分析
设置野值比率
图 5
图 5 不同在线跟踪算法的误差对比
Fig.5 Error comparison of different online tracking algorithms
表 1 不同算法的跟踪误差性能分析
Tab.1
算法 | ARMSE | |||
| | | | |
KF-ST | 0.185 01 | − | 0.097 41 | − |
EKF-CT | 0.171 99 | 7.0 | 0.093 06 | 4.5 |
VB-CT | 0.160 40 | 13.3 | 0.087 43 | 10.2 |
VB-RCT | 0.152 80 | 17.4 | 0.083 61 | 14.2 |
4.2.2. 系统环境参数分析
某一时刻的定位噪声是否为野值点与前、后时刻的数据无必然联系. 比较常见的是,当某个时刻噪声为野值点时,在该时刻的一个邻域内的数据是正常的,即野值点的出现是随机、孤立的. 基于
图 6
在上述实验中,野值定位噪声建模为固定异常程度参数值的学生t-分布,在野值比率
图 7
图 7 不同异常程度下,CV的非高斯分布定位噪声示意图
Fig.7 Schematic diagram of non-Gaussian distribution location noise of CV in different degrees of anomaly
图 8
图 8 从不同分布采样野值数据时,不同算法的跟踪误差
Fig.8 Tracking errors of different algorithms when sampling outliers from different distributions
表 2 从不同分布采样野值数据时,不同算法的ARMSE
Tab.2
分布 | 异常程度 | pARMSE/m | |||
KF | EKF-CT | VB-CT | VB-RCT | ||
| | 0.185 01 | 0.166 35 | 0.151 25 | 0.153 42 |
| 0.185 01 | 0.171 99 | 0.160 40 | 0.152 80 | |
| 0.185 01 | 0.175 22 | 0.169 33 | 0.152 39 | |
| | 0.187 60 | 0.167 49 | 0.148 83 | 0.155 28 |
| 0.187 60 | 0.174 86 | 0.158 82 | 0.154 78 | |
| 0.187 60 | 0.178 31 | 0.164 19 | 0.154 12 | |
| | 0.187 60 | 0.163 32 | 0.153 40 | 0.155 02 |
| 0.187 60 | 0.168 40 | 0.156 86 | 0.154 72 | |
| 0.187 60 | 0.171 82 | 0.160 33 | 0.154 44 |
4.2.3. 算法参数分析
遗忘因子
图 9
变分内循环中的迭代次数
图 10
图 10 跟踪误差随变分迭代次数的变化
Fig.10 Variation of tracking errors with number of variational iterations
5. 结 语
针对协同目标跟踪中定位数据统计特征未知且存在野值的问题,本研究提出一种鲁棒协同目标跟踪算法,将定位噪声建模为具有重尾的多元学生t-分布,建立目标状态与定位噪声参数的贝叶斯模型. 应用变分贝叶斯推断原理对变量进行解耦,以交替优化的方式实现后验分布的有效估计. 计算机仿真结果表明,与传统单车目标跟踪算法相比,提出的鲁棒跟踪算法能有效地提升目标跟踪的性能,位置和速度估计误差分别下降了17.4%和14.2%. 在未来工作中,将在真实环境下测试所提出方法的跟踪效果.
参考文献
基于深度学习的自动驾驶环境感知技术研究
[J].DOI:10.3969/j.issn.1674-957X.2021.04.089 [本文引用: 1]
Research on autonomous driving environment perception technology based on Deep Learning
[J].DOI:10.3969/j.issn.1674-957X.2021.04.089 [本文引用: 1]
No Blind Spots: full-surround multi-object tracking for autonomous vehicles using cameras and LiDARs
[J].DOI:10.1109/TIV.2019.2938110 [本文引用: 1]
Review of environment perception for intelligent vehicles
[J].
Performance loss and design method of Kalman filters for discrete-time linear systems with uncertainties
[J].DOI:10.1080/00207177008931830 [本文引用: 1]
A novel adaptive resampling for sequential Bayesian filtering to improve frequency estimation of time-varying signals
[J].DOI:10.1016/j.heliyon.2021.e06768 [本文引用: 1]
基于变分推断的一般噪声自适应卡尔曼滤波
[J].DOI:10.3969/j.issn.1001-506X.2014.08.03 [本文引用: 1]
Generalized noises adaptive Kalman filtering based on variational inference
[J].DOI:10.3969/j.issn.1001-506X.2014.08.03 [本文引用: 1]
基于变分贝叶斯推理的多目标无源定位算法
[J].
Variational Bayesian inference based multi-target device-free localization algorithm
[J].
A variational Bayesian approach to robust sensor fusion based on Student-t distribution
[J].DOI:10.1016/j.ins.2012.09.017 [本文引用: 2]
A novel robust student's t-based Kalman filter
[J].DOI:10.1109/TAES.2017.2651684 [本文引用: 1]
车载无线通信技术浅析
[J].DOI:10.3969/j.issn.1003-8639.2021.03.017 [本文引用: 1]
Discussion on vehicle wireless communication technology
[J].DOI:10.3969/j.issn.1003-8639.2021.03.017 [本文引用: 1]
Joint use of DSRC and C-V2X for V2X communications in the 5.9 GHz ITS band
[J].
Online optimum velocity calculation under V2X for smart new energy vehicles
[J].DOI:10.1177/0142331221997280 [本文引用: 1]
Robust data fusion of UAV navigation measurements with application to the landing system
[J].DOI:10.3390/rs12233849 [本文引用: 1]
非高斯噪声下的车载GPS信号定位算法
[J].
A Bayes filter algorithm with non-Gaussian noises based on location of vehicular GPS
[J].
基于T分布变分贝叶斯滤波的SINS/GPS组合导航
[J].
Variational Bayesian filtering based on Student-t distribution for SINS/GPS integrated navigation
[J].
Augmented extended Kalman filter with cooperative Bayesian filtering and multi-models fusion for precise vehicle localisations
[J].DOI:10.1049/iet-rsn.2020.0155 [本文引用: 1]
Multi-vehicle cooperative target tracking with time-varying localization uncertainty via recursive variational Bayesian inference
[J].
/
〈 |
|
〉 |
