Abstract

In this paper, we propose a new radar tracking algorithm based on the Gaussian sum filter. To alleviate the computational burden associated with the Gaussian sum filter, we have developed a new systematic and efficient way to approximate a non-Gaussian and measurement-dependent function by a weighted sum of Gaussian density functions and we have also suggested a way to alleviate the growing memory problem inherited in the Gaussian sum filter. Our method is compared with the extended Kalman filter (EKF) and the converted measurement Kalman filter (CMKF) and it is shown to be more accurate in term of position and velocity errors.

Zusammenfassung

In diesem Artikel schlagen wir einen neuen Radar-Nachführalgorithmus vor, der auf dem Gaußschen Summenfilter beruht. Zur Verringerung des mit dem Gaußschen Summenfilter verbundenen Rechenaufwands entwickelten wir eine neue systematische und effiziente Methode zur Approximation einer nicht-Gaußschen und meßwert-abhängigen Funktion durch eine gewichtete Summe Gaußscher Dichtefunktionen. Wir schlugen weiters eine Vorgangsweise zur Verringerung des beim Gaußschen Summenfilter auftretenden Problems eines anwachsenden Speicherbedarfs vor. Wir vergleichen unsere Methode mit dem erweiterten Kalmanfilter (EKF) und dem “converted measurement”-Kalmanfilter (CMKF) und zeigen, daß sie hinsichtlich Positions- und Geschwindigkeitsfehlern genauer arbeitet.

Résumé

Dans cet article, nous proposons un nouvel algorithme de suivi de radars reposant sur un filtre à sommes gaussiennes. Pour alléger la charge de calcul associée aux filtres à sommes gaussiennes, nous avons développé un nouveau moyen systématique et efficace pour approximer une fonction non gaussienne et dépendante des mesures par une somme pondérée de fonctions de densités gaussiennes et nous avons également suggéré une manière d'alléger le problème de l'occupation de mémoire croissante inhérente au filtrage à sommes gaussiennes. Nous comparons notre méthode avec le filtrage de Kalman étendu et le filtrage de Kalman à mesures converties, et nous montrons que nous sommes plus précis en terme d'erreur de position et de vitesse.

Author Keywords: Adaptive filters; Kalman filter; Gaussian sums; Target tracking; Monte Carlo

Article Outline

1. Introduction

2. Radar tracking estimation

2.1. Problem definition

2.2. Optimal estimation

2.3. Sub-optimal nonlinear filters for tracking

3. Basic principles of the proposed Gaussian sum filter

3.1. Approximation of densities

3.2. Proposed Gaussian sum approximation method

3.2.1. Fundamentals

3.2.2. Detail derivation

3.3. Bank of Kalman filters

3.4. Growing memory problem

3.5. Computational complexity

4. Simulation results

5. Conclusion

References