通信约束下的分布式高斯混合PHD滤波
摘要：高斯混合概率假设密度（GM-PHD）滤波器是贝叶斯最优多目标跟踪算法的一种几乎精确的闭合形式近似。由于其优化保证和易于实现的特点，在文献中得到了广泛的研究。然而，在分布式（多传感器）环境中高效实现GM-PHD滤波器的挑战却鲜有研究。现有的分布式PHD滤波解决方案要么计算和通信成本高，不适用于资源有限的应用，要么无法保证分布式PHD算法收敛到最优解。本文中，我们开发了一种分布式GM-PHD滤波递推算法，使用概率通信规则限制算法的通信带宽，同时确保算法的渐近最优性。我们推导了这种递推算法的收敛性质，该算法使用高斯混合的加权平均一致性（GMs）降低（并渐近最小化）传感器局部估计之间的柯西-施瓦茨散度。此外，所提出的方法能够避免误报问题，该问题以前已被指出会影响分布式多目标跟踪的滤波性能。通过数值模拟，我们证明了我们所提出的方法是一种有效的资源有限传感器网络中的分布式多目标跟踪解决方案。
作者：Shiraz Khan, Yi-Chieh Sun, and Inseok Hwang
论文ID：2308.00268
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-02