A survey of maneuvering target tracking-part VIb: approximate nonlinear density filtering in mixed time

Li, X. Rong; Jilkov, Vesselin P.

doi:10.1117/12.851394

Cited by 11 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It is for this reason that many maneuvering target tracking methods can use an LKF or EKF, with a modified Q to account for the non-Gaussian nature of maneuvering target kinematics. An examination of the many maneuvering target models is beyond the scope of this paper, so the interested reader is referred to the series of papers by Li and Jilkov [13][14][15][16][17][18][19] .…”

Section: A Comment On the Lkf And Ekfmentioning

confidence: 99%

Bayesian estimation for target tracking: part I, general concepts

Haug

2012

WIREs Computational Stats

View full text Add to dashboard Cite

This is the first part of a three‐part article examining methods for Bayesian estimation and tracking. This first part presents the general theory of Bayesian estimation where we show that Bayesian estimation methods can be divided into two very general classes: the first class where the observation conditioned posterior densities are propagated in time through a predictor/corrector method; and the second class where the first two moments are propagated in time, with state and observation moment prediction steps followed by state moment update steps that use the latest observations. We show how the moment propagation method leads to very general linear and extended Kalman filters that are applicable to non‐Gaussian densities that meet several restrictions. In Part 2 of this article we will show that for Gaussian densities, with the expansion of all nonlinear functions in polynomials, the moment propagation method leads to several well‐known Kalman filter methods. In Part 3, we will show that approximating a density by a set of Monte Carlo samples leads to particle filter methods, where the posterior density is propagated in time and moment integrals are approximated by sample moments. WIREs Comput Stat 2012 doi: 10.1002/wics.1211 This article is categorized under: Statistical and Graphical Methods of Data Analysis > Bayesian Methods and Theory

show abstract

Section: A Comment On the Lkf And Ekfmentioning

confidence: 99%

Bayesian estimation for target tracking: part I, general concepts

Haug

2012

WIREs Computational Stats

View full text Add to dashboard Cite

show abstract

“…These filters can be classified as two categories: point estimation (e.g., the extended Kalman filter [ 5 ], unscented Kalman filter [ 6 , 7 ] and cubature Kalman filter [ 8 , 9 , 10 ]), and density estimation (e.g., the particle filter [ 11 , 12 ]). The former uses moment and density function to characterize variables [ 13 ] as the latter approximates posterior density function on the basis of bayesian formula [ 14 ]. The extended Kalman filter (EKF) [ 5 ] has been widely used in dealing with nonlinear systems.…”

Section: Introductionmentioning

confidence: 99%

Double-Layer Cubature Kalman Filter for Nonlinear Estimation

Yang

Luo

Zheng

2019

Sensors

View full text Add to dashboard Cite

The cubature Kalman filter (CKF) has poor performance in strongly nonlinear systems while the cubature particle filter has high computational complexity induced by stochastic sampling. To address these problems, a novel CKF named double-Layer cubature Kalman filter (DLCKF) is proposed. In the proposed DLCKF, the prior distribution is represented by a set of weighted deterministic sampling points, and each deterministic sampling point is updated by the inner CKF. Finally, the update mechanism of the outer CKF is used to obtain the state estimations. Simulation results show that the proposed algorithm has not only high estimation accuracy but also low computational complexity, compared with the state-of-the-art filtering algorithms.

show abstract

“…Assim, os pesquisadores X. Rong Li e Vesselin P. Jilkov da Universidade de Nova Orleans, nos Estados Unidos, viram a necessidade de um estudo mais aprofundado a partir dos elementos apresentados em (Blackman & Popoli 1999). A partir do ano de 2001 até a última edição no ano de 2012, eles elaboraram uma sequência de estudos (atualmente com nove artigos) relacionados ao rastreamento de alvos, chamados de Survey of Maneuvering Target Tracking, do inglês, Levantamento Bibliográfico de Rastreamento de Alvos Manobrantes (Li & Jilkov 2010a), (Li & Jilkov 2001), (Li & Jilkov 2002), (Li & Jilkov 2003), (Li & Jilkov 2004), , (Li & Jilkov 2010b), (Li & Jilkov 2010c) e (Li & Jilkov 2012). Esses artigos englobam de forma avançada a maioria dos assuntos trabalhados nessa dissertação, inclusive a parte relativa a alvos balísticos, a qual serviu como uma importante fonte de referência para esse trabalho.…”

Section: Revisão Bibliográficaunclassified

Filtragem multi-alvo aplicada ao rastreamento de alvos manobrantes e alvos balísticos

Albernaz¹,

Val²

View full text Add to dashboard Cite

Filtragem multi-alvo aplicada ao rastreamento de alvos manobrantes e alvos bal ísticos Campinas 2016 AgradecimentosAgradeço, em primeiro lugar a Deus, por ter me dado força e sabedoria para chegar ao final dessa jornada. Agradeço também aos meus pais e à minha irmã, pelo carinho e por sempre estarem ao meu lado, mesmo nos momentos mais difíceis. Além disso, sou grata a todos os meus familiares e amigos que sempre torceram pelo meu sucesso e de alguma forma contribuíram para que essa jornada fosse menos solitária.Ao Prof. Dr. João Bosco Ribeiro do Val, muito obrigada pela oportunidade de poder contar com o seu conhecimento e a sua orientação ao longo desses quase dois anos e três meses de mestrado. Agradeço também ao Dr. Victor Baptista Frencl pela sua coorientação, cuja ajuda foi de fundamental importância para o desenvolvimento desse projeto. E ao Dr. Yusef Cáceres Zuñiga, obrigada pelos conhecimentos compartilhados.À agência de fomento CAPES, sou grata pelo apoio financeiro recebido.Por fim, agradeço a todos os colaboradores da Unicamp, em especial da Faculdade de Engenharia Elétrica e de Computação, professores e funcionários que deram o suporte necessário para que esse projeto fosse realizado. ResumoNo rastreamento de alvos, um dos principais objetivos consiste em obter as características cinemáticas, como posição e velocidade, de alvos movimentandose dentro do alcance do radar. Nessa dissertação, foram analisados dois tipos de alvos: manobrantes e balísticos. Os tipos de alvos citados possuem características dinâmicas diferentes, mas foi proposto a representação de ambos por meio de um único modelo dinâmico, salvo algumas adaptações necessárias. Primeiramente, foi utilizado um simulador de trajetórias para gerar as trajetórias realizadas pelos alvos e, posteriormente, foi implementada a filtragem estocástica multi-alvo por meio do filtro GM-PHD (do inglês, Gaussian Mixture Probability Hypothesis Density Filter ). Com isso, foi possível verificar o comportamento do filtro em conjunto com o modelo dinâmico proposto, diante de cenários distintos de rastreamento.

show abstract

A survey of maneuvering target tracking-part VIb: approximate nonlinear density filtering in mixed time

Cited by 11 publications

References 0 publications

Bayesian estimation for target tracking: part I, general concepts

Bayesian estimation for target tracking: part I, general concepts

Double-Layer Cubature Kalman Filter for Nonlinear Estimation

Filtragem multi-alvo aplicada ao rastreamento de alvos manobrantes e alvos balísticos

Contact Info

Product

Resources

About