基于差分算法优化的自复位粒子滤波算法

doi:10.12141/j.issn.1000-565X.220368

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (3): 133-145.doi: 10.12141/j.issn.1000-565X.220368

所属专题： 2023年电子、通信与自动控制

• 电子、通信与自动控制 • 上一篇下一篇

基于差分算法优化的自复位粒子滤波算法

文尚胜丘志强许函铭陈贤东

华南理工大学材料科学与工程学院，广东广州 510640

收稿日期:2022-06-10 出版日期:2023-03-25 发布日期:2022-11-08
通信作者: 文尚胜（1964-），男，博士，教授，主要从事可见光定位、信号处理、LED及OLED发光器件研究。 E-mail:shshwen@scut.edu.cn
作者简介:文尚胜（1964-），男，博士，教授，主要从事可见光定位、信号处理、LED及OLED发光器件研究。
基金资助:
广东省科技计划项目(2017B010114001);教育部科技计划项目(CXZJHZ201813)

Self-Reset Particle Filter Method Optimized Based on Differential Evolution Algorithm

WEN Shangsheng QIU Zhiqiang XU Hanming CHEN Xiandong

School of Material Science and Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2022-06-10 Online:2023-03-25 Published:2022-11-08
Contact: 文尚胜（1964-），男，博士，教授，主要从事可见光定位、信号处理、LED及OLED发光器件研究。 E-mail:shshwen@scut.edu.cn
About author:文尚胜（1964-），男，博士，教授，主要从事可见光定位、信号处理、LED及OLED发光器件研究。
Supported by:
the Science and Technology Planning Project of Guangdong Province(2017B010114001);the Science and Technology Project of the Ministry of Education(CXZJHZ201813)

摘要/Abstract

摘要：

粒子滤波器作为常用的非高斯非线性的滤波方法，已成功地应用于各种工程领域。然而传统的重采样方法导致了粒子贫化的问题，严重降低了滤波估计的精度与鲁棒性。文中提出一种结合跟踪失败检测与改进差分优化融合的自复位粒子滤波方法。首先通过跟踪失败识别方法对滤波估计值进行初步检验，在正常跟踪时不启用优化策略，算法性能与标准粒子滤波无异；在跟踪失败时，通过差分算法对粒子集进行复位，复位过程中设置了粒子置信区间的上下界以防粒子过度集中，并结合检验指示值规避对粒子的多次优化，以缩短算法的估计时间。仿真结果表明，文中算法通过动态调节方式继承了标准粒子滤波和差分进化粒子滤波的优点，有效提高了滤波估计的鲁棒性与估计精度，可在滤波成功时避免启用优化策略以降低算法的整体时间复杂度，并在滤波失败时启用差分优化策略进行自我复位以提高算法估计精度；且在相同定位精度下，其所需粒子数较标准粒子滤波更少，整体时耗较差分进化粒子滤波更低，在建模不确定时也可表现出良好的效果。

关键词: 粒子滤波, 差分进化算法, 自适应, 非线性滤波, 自复位

Abstract:

As a commonly used non-Gaussian nonlinear filtering method, particle filter has been successfully applied in various engineering fields. However, the traditional resampling method leads to the problem of particle depletion, which seriously reduces the accuracy and robustness of the filter estimation. This paper proposed a self-reset particle filter method that combines tracking failure detection and enhanced differential evolution optimization. Firstly, the filter estimation value is preliminarily checked by the tracking failure identification method, and the optimization strategy is not enabled during normal tracking, and the algorithm performance is consistent with the standard particle filter. When the tracking fails, the particle set is reset by differential optimization. During the reset process, the upper and lower bounds of particle confidence interval are set to prevent the particles from being over-concentrated, and the multiple optimization of the particles is avoided by combining the test indication value to reduce the estimation time of the algorithm. The simulation results show that the proposed algorithm inherits the advantages of standard particle filter and differential evolution particle filter through dynamic adjustment, and it effectively improves the robustness and estimation accuracy of the filter estimation. It can avoid using the optimization strategy to reduce the overall time complexity of the algorithm when the filter is successful, and enable the differential optimization strategy to self-reset when the filter fails. In addition, under the same positioning accuracy, the number of particles required by the algorithm is lower than that of standard particle filter, and the overall time consumption is lower than differential evolution particle filter, which also works well when modeling is uncertain.

Key words: particle filter, differential optimization algorithm, self-adaption, nonlinear filter, self-reset

中图分类号:

TP391.9

文尚胜, 丘志强, 许函铭, 等. 基于差分算法优化的自复位粒子滤波算法[J]. 华南理工大学学报(自然科学版), 2023, 51(3): 133-145.

WEN Shangsheng, QIU Zhiqiang, XU Hanming, et al. Self-Reset Particle Filter Method Optimized Based on Differential Evolution Algorithm[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(3): 133-145.

图/表 11

图1

图2

表1

卡方分布表"

置信度	$χ 2$ （一维）	$χ 2$ （二维）	$χ 2$ （三维）	$χ 2$ （四维）
90%	0.020	0.210	0.580	1.060
70%	0.150	0.710	1.420	2.200
50%	0.460	1.390	2.370	3.360
30%	1.070	2.410	3.660	4.880
20%	1.640	3.220	4.640	5.990
10%	2.710	4.600	6.250	7.780
5%	3.840	5.990	7.820	9.490
1%	6.635	9.210	11.340	13.277
0.5%	7.789	10.597	12.838	14.860

表1

图3

图4

图5

图6

图7

图8

图9

表2

参考文献 35

1	NIKNEJAD H T， TAKEUCHI A， MITA S，et al ．On-road multivehicle tracking using deformable object model and particle filter with improved likelihood estimation［J］．IEEE Transactions on Intelligent Transportation Systems，2012，13（2）：748-758.
2	LI H W， WANG J ．Particle filter for manoeuvring target tracking via passive radar measurements with glint noise［J］．IET Radar，Sonar and Navigation，2012，6（3）：180-189.
3	SCHMIDT S F ．The Kalman filter its recognition and development for aerospace applications［J］‍．Guide Control，1981，4（1）：4-7.
4	JULIER S J， UHLMANN J K ．Unscented filtering and nonlinear estimation［J］‍．IEEE Proc，2004，92（3）：401-422.
5	ARULAMPALAM M S， MASKELL S， GORDON N，et al ．A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking［J］‍．IEEE Transactions on Signal Processing，2002，50（2）：174-188.
6	PAK J M， AHN C K， SHI P，et al ．Self-recovering extended Kalman filtering algorithm based on model-based diagnosis and resetting using an assisting FIR filter［J］．Neurocomputing，2016，173（3）：645-658.
7	ZHOU N， MENG D， LU S ．Estimation of the dynamic states of synchronous machines using an extended particle filter［J］‍．IEEE Transactions on Power Systems，2013，28（4）：4152-4161.
8	DU X， WANG Y， HU H，et al ．The attitude inversion method of geostationary satellites based on unscented particle filter［J］‍．Advances in Space Research，2018，61（8）：1984-1996.
9	XIA B， SUN Z， ZHANG R，et al ．A cubature particle filter algorithm to estimate the state of the charge of lithium-ion batteries based on a second-order equivalent circuit model［J］．Energies，2017，10（4）：457-459.
10	JING L， VADAKKEPAT P ．Interacting MCMC particle filter for tracking maneuvering target［J］‍．Digital Signal Processing，2010，20（2）：561-574.
11	田梦楚，薄煜明，陈志敏，等．萤火虫算法智能优化粒子滤波［J］‍．自动化学报，2016，42（1）：90-97.
	TIAN Meng-chu， BO Yu-ming， CHEN Zhi-min，et al ．Firefly algorithm intelligence optimized particle filter［J］．Acta Automation Sinica，2016，42（1）：90-97.
12	ZHANG Z， HUANG C， DING D，et al ．Hummingbirds optimization algorithm-based particle filter for maneuvering target tracking［J］‍．Nonlinear Dynamics 2019，97（2）：1227-1243.
13	TIAN Y， LU C， WANG Z ．Artificial fish swarm algorithm-based particle filter for Li-ion battery life prediction［J］‍．Mathematical Problems in Engineering，2014，2014（1）：1-10.
14	ZHOU N， LAU L， BAI R，et al ．A genetic optimization resampling based particle filtering algorithm for indoor target tracking［J］．Remote Sensing，2021，13（1）：132.
15	MOGHADDASI S S， FARAJI N ．A hybrid algorithm based on particle filter and genetic algorithm for target tracking［J］‍．Expert Systems with Applications，2020，147：113188-113200.
16	ZHANG Q B， WANG P， CHEN Z H ．An improved particle filter for mobile robot localization based on particle swarm optimization［J］．Expert Systems with Applications，2019，135（1）：181-193.
17	JING Z， LI Z ．Particle filter based on particle swarm optimization resampling for vision tracking［J］．Expert Systems with Applications，2010，37（12）：8910-8914.
18	HAN H， HAO Y S，KUANGRONG ．A new immune particle filter algorithm for tracking a moving target［C］‍∥Proceedings of the Sixth International Conference on Natural Computation.Shanghai：IEEE，2010：3248-3252.
19	KUPTAMETEE C， AUNSRI N ．A review of resampling techniques in particle filtering framework［J］‍．Measurement，2022，193（1）：110836-110850.
20	LIU J S， CHEN R，LOGVINENKO ．A theoretical framework for sequential importance sampling with resampling［M］‍．New York：Springer，2001：225-246.
21	MAESSCHALCK R D， Rimbaud D J， MASSART D L ．The Mahalanobis distance［J］．Chemometrics and Intelligent Laboratory Systems，2000，50（1）：1-18.
22	SMITH R ．On the representation of spatial uncertainty［J］．The International Journal of Robotics Research，1986，5（4）：56-58.
23	HU J H ．Multi-search differential evolution algorithm［J］．Applied Intelligence the International Journal of Artificial Intelligence Neural Networks & Complex Problem Solving Technologies，2017，47（1）：231-256.
24	PRICE K V ．Differential evolution［M］．Berlin，Heidelberg：Springer，2013：187-214.
25	EIBEN Á E， HINTERDING R， MICHALEWICZ Z ．Parameter control in evolutionary algorithms［J］．IEEE Transactions on Evolutionary Computation，1999，3（2）：124-141.
26	WANG X， CHENG H， HUANG M ．QoS multicast routing protocol oriented to cognitive network using competitive coevolutionary algorithm［J］．Expert Systems with Applications，2014，41（10）：4513-4528.
27	LIU H， CAI Z， WANG Y ．Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization［J］．Applied Soft Computing，2010，10（2）：629-640.
28	HERMAN B ．Close approximations of percentage points of the chi-square distribution and poisson confidence limits［J］．Journal of the American Statistical Association，1973，68（343）：581-584.
29	HU，Z B， XIONG S W， SU Q H， et al ．Finite Markov chain analysis of classical differential evolution algorithm［J］‍．Journal of Computational and Applied Mathematics，2014，10（268）：121-134.
30	SOLIS F， WETS R ．Minimization by random search techniques［J］．Mathematics of Operations Research，1986，6（1）：19-30
31	WANG F， HE X S， WANG Y，et al ．Markov model and convergence analysis based on cuckoo search algorithm［J］．Computer Engineering，2012，38（11）：180-182.
32	骆剑平，李霞，陈泯融．混合蛙跳算法的Markov模型及其收敛性分析［J］．电子学报，2010，38（12）：2875-2880.
	LUO Jian-ping， LI Xia， CHEN Min-rong ．The Markov model of shuffled frog leaping alogrithm and its convergence analysis［J］‍．Acta Electronica Sinica，2010，38（12）：2875-2880
33	GORDON N J， SALMOND D J， SMITH A ．Novel approach to nonlinear/non-Gaussian Bayesian state estimation［J］．IEE Proceedings F-Radar and Signal Processing，2002，140（2）：107-113.
34	ZHAI G， MENG H D， WANG X Q，et al ．A constant speed changing rate and constant turn rate model for maneuvering target tracking［J］‍．Sensors，2014，14（3）：5239-5253.
35	SCHUBERT R， ADAM C， OBST M，et al ．Empirical evaluation of vehicular models for ego motion estimation［C］∥Proceedings of the 2011 IEEE Intelligent Vehicles Symposium（IV）．Baden-Baden：IEEE，2011：534-539.

算法	粒子数	失败次数	平均误差/m	重采样时间/ms
PF	N=200	45	1.369 1	0.034 3
	N=400	20	0.589 4	0.053 5
	N=600	11	0.335 6	0.078 6
	N=800	5	0.177 3	0.128 0
	N=1 000	2	0.105 2	0.188 0
DEPF	N=200	0	0.101 2	1.170 0
	N=400	0	0.097 6	3.630 0
	N=600	0	0.087 8	4.940 0
	N=800	0	0.076 2	6.570 0
	N=1 000	0	0.071 7	8.310 0
SDEPF	N=200	0	0.118 0	0.145 0
	N=400	0	0.097 1	0.153 0
	N=600	0	0.080 2	0.165 0
	N=800	0	0.076 9	0.174 0
	N=1 000	0	0.075 1	0.201 0

[1]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[2]	李家春, 李博文, 林伟伟. AdfNet：一种基于多样化特征的自适应深度伪造检测网络[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 82-89.
[3]	孙子文, 刘加磊. 工业信息物理系统间隙DoS攻击的自适应事件触发稳定控制[J]. 华南理工大学学报(自然科学版), 2023, 51(3): 146-156.
[4]	杨敏, 陈单涛, 蒋瑞宇, 等. MaaS背景下面向枢纽接驳的灵活型公交调度优化[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 22-30.
[5]	罗玉涛, 吴志强. 基于DAEKF算法的锂离子电池主要状态在线联合估计[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 84-94.
[6]	张铁, 许锦盛, 邹焱飚. 基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 116-125.
[7]	文尚胜, 许函铭, 陈贤东, 等. 基于混合多策略优化的粒子滤波方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 49-59.
[8]	杨春玲, 凌茜, 吕泽宇. 特征域多假设预测视频压缩感知重构神经网络[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 80-90.
[9]	陈琼谢家亮. 基于自适应采样的不平衡分类方法[J]. 华南理工大学学报(自然科学版), 2022, 50(4): 26-34,45.
[10]	谭光李昌镐詹昭焕. 基于端云协同的目标检测跟踪自适应调度算法[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 86-93.
[11]	刘汉武, 雷雨龙, 付尧, 等. 基于多目标优化的增程式电动汽车自适应制动回馈控制策略[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 42-50,65.
[12]	陈松茂陈宇林. 填充速度对制件拐角轮廓部位熔融沉积精度与打印效率的影响[J]. 华南理工大学学报（自然科学版）, 2021, 49(6): 1-8.
[13]	程文明, 张道裕, 谌庆荣, 等. 欠驱动起重机的神经网络直接鲁棒自适应控制[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 120-128,144.
[14]	胡兴军, 刘一尘, 李金成, 等. 基于自适应近似模型的GTS模型低风阻尾板优化[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 38-46.
[15]	李静王晨张家旭. 基于UniTire轮胎模型的汽车行驶速度估计[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 47-55.

基于差分算法优化的自复位粒子滤波算法

Self-Reset Particle Filter Method Optimized Based on Differential Evolution Algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 35

相关文章 15

编辑推荐

Metrics

本文评价