引用本文

张君, 鲍明, 赵静, 陈志菲, 杨建华. 基于单声矢量传声器虚拟扩展的多机动声目标跟踪算法. 自动化学报, 2023, 49(2): 383−398 doi: 10.16383/j.aas.c220172

Zhang Jun, Bao Ming, Zhao Jing, Chen Zhi-Fei, Yang Jian-Hua. Multi-maneuvering acoustic targets tracking algorithm based on virtual extension of single acoustic vector sensor. Acta Automatica Sinica, 2023, 49(2): 383−398 doi: 10.16383/j.aas.c220172

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220172

关键词

声矢量传声器，高阶累积量，虚拟扩展，广义标签多伯努利滤波，多目标跟踪 

摘要

为解决单声矢量传声器(Acoustic vector sensor, AVS)可跟踪声目标数目少、跟踪性能差的问题, 提出了基于AVS虚拟扩展的多机动声目标跟踪算法. 首先, 引入高阶累积量预处理过程并建立高阶似然函数, 不仅能够抑制高斯噪声、提高估计精度, 还可通过AVS的虚拟扩展增加可跟踪目标数目. 然后, 在边缘化δ广义标签多伯努利(Marginalized δ-generalized label multi-bernoulli, Mδ-GLMB)滤波框架下, 提出了基于累积量的增广运动模型状态的Mδ-GLMB (Cumulants-based augumented motion model state Mδ-GLMB, Cum-AMMS-GLMB)算法. 算法引入多种运动模型, 并将表征不同模型的索引标号作为目标状态的增广参数, 通过各模型间的加权混合获取优于单一运动模型的跟踪性能. 除此之外, 算法的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现过程中, 依据高阶预处理获得的归一化空间谱拟合检测概率函数, 抑制了杂波向可用粒子扩展, 进一步增强了高似然区域的粒子. 最后, 推导了AVS目标跟踪的后验克拉美罗下界(Posterior crame′r-rao lower bound, PCRLB), 并通过仿真实验验证了算法的量测噪声抑制能力和声目标跟踪性能.

文章导读

声矢量传声器(Acoustic vector sensor, AVS)可同步测量空间一点处声压和笛卡尔坐标系三个正交方向上的声质点振速信息[1-4]. 单个AVS利用其对频率不敏感的“8”字形指向性, 即可实现需由多个声压传声器组成阵列才可实现的声源波达方向(Direction-of-arrival, DOA) 估计. 鉴于AVS的小尺寸便携、声场信息获取等方面的优势, 因此为机器人听觉感知系统的发展提供新思路.

近年来, 最大似然[5]、波束形成[6]、基于子空间分解的MUSIC[7-8]、ESPRIT[9-10]等算法已广泛用于基于AVS的DOA估计问题. 尽管小尺寸AVS可实现DOA估计, 但其孔径一定程度上限制了角分辨率. 高阶累积量处理手段的引入[11], 可通过AVS虚拟扩展和量测噪声抑制达到提高DOA估计精度的目的. 实际场景中多为运动声目标, 且伴随目标出生、死亡, 目标数目是时变的. 然而, 上述算法主要针对固定数目的静止声目标DOA估计, 且未考虑相邻时间步目标状态的高度相关性.

基于随机有限集(Random finite set, RFS)理论的目标跟踪方法[12] 可解决时变多目标跟踪问题. 该类方法将多目标状态和量测建模为RFS, 并通过多目标贝叶斯滤波传递多目标后验概率, 从而达到目标数目与状态参数估计的目的. 目前常用的有概率假设密度(Probability hypothesis density, PHD) [13-15]、势概率假设密度(Cardinalized PHD, CPHD)[16]、多目标多伯努利(Multi-target multi-Bernoulli, MeMBer)[17-20]以及广义标签多伯努利(Generalized label multi-Bernoulli, GLMB)[21-26] 等滤波器. 这些算法能够避免如多目标假设[27]、联合概率数据关联[28]等算法的数据关联, 极大程度上降低计算复杂度, 提高目标跟踪精度与实时性. 在基于AVS的目标跟踪实现中, 文献[29-32]采用RFS来描述状态过程的随机性, 并通过粒子滤波实现时变二维DOA估计. 文献[33]将MeMBer滤波器引入单个AVS的目标跟踪中, 实现了两个不同频率窄带目标检测与跟踪. 文献[34]则进一步引入交互式多模型(Interacting multiple model, IMM)和指数加权的MUSIC伪谱似然函数以提高跟踪精度. 然而, 上述基于单个AVS的目标跟踪算法最多实现双源跟踪, 且无法分辨各目标的航迹信息.

基于标签RFS理论的GLMB、δ-GLMB、Mδ-GLMB[35, 36]等滤波器通过引入航迹标签信息, 可解决其他非标签RFS滤波器无法区分目标航迹的问题. Mδ-GLMB滤波器作为一种近似的δ-GLMB方法, 通过对量测−航迹的关联映射执行边缘化处理, 能够减少航迹假设数目、降低计算成本. 鉴于此, 本文在Mδ-GLMB滤波框架下设计AVS虚拟扩展的多机动声目标跟踪算法, 即Cum-AMMS-GLMB算法, 以解决AVS可跟踪声目标数目少、低信噪比下跟踪性能差的问题. 该算法主要贡献为:

1)高阶累积量预处理的提出, 能够抑制高斯量测噪声, 提高目标跟踪精度. 除此之外, 高阶似然的设计可实现AVS虚拟扩展. 与现有基于空间谱伪似然的AVS跟踪算法相比, 可增加可跟踪目标数目.

2)实际场景中, 真实声目标的运动轨迹无法由单一运动模型描述. Cum-AMMS-GLMB算法在Mδ-GLMB框架下嵌入IMM思想, 将表征不同运动模型的索引作为扩展状态, 通过各模型间的加权更新提高跟踪性能. 与现有IMM-GLMB算法[37-39]不同, 该算法量测为声目标混合信号, 无需额外引入航迹−量测的关联映射, 能够降低滤波主体的存储容量和计算成本, 抵消预处理过程的部分计算负担.

3)实际情况下新生目标先验未知、且检测概率可时变. 算法实现过程中设计了新生目标提取、以及检测概率拟合方法. 其中检测概率函数通过预处理获得的归一化高阶空间谱拟合, 可达到抑制杂波向可用粒子扩散、增强高似然区域粒子的目的.

除以上主要贡献外, 本文还推导了多模型交互的AVS目标跟踪的PCRLB, 并通过实验验证了Cum-AMMS-GLMB算法的可行性和有效性.

图 1  不同信噪比下的归一化高阶似然函数示例

图 2  检测概率模型

图 3  Cum-AMMS-GLMB算法的多声目标跟踪结果

本文提出的基于AVS的Cum-AMMS-GLMB算法, 解决了AVS可跟踪目标数目少、跟踪性能较差的问题. 算法中高阶累积量预处理的引入和高阶似然函数的建立, 不仅有效抑制了高斯量测噪声, 还通过AVS的虚拟扩展, 提高了可跟踪声目标数目. Cum-AMMS-GLMB算法更适配于声目标运动模型多样的实际场景. 在Mδδ-GLMB滤波框架下, 算法通过多种运动模型的加权混合以逼近目标的真实运动状态, 获得了优于单一运动模型的跟踪效果. 该算法无需引入航迹−量测的关联映射, 能够降低滤波器的存储容量和计算成本, 从而抵消了预处理过程的部分计算负担. 除此之外, 算法通过归一化高阶空间谱实现对检测概率函数的拟合, 增强了高似然区域粒子, 抑制了杂波向可用粒子的扩散. 实验验证了算法的可行性和有效性, 并且较已有基于AVS的声目标跟踪算法的性能更优. 显然所提小尺寸、便携AVS的多目标DOA跟踪, 对未来机器人听觉跟踪系统的设计具有重要参考价值.

作者简介

张君

西北工业大学自动化学院博士研究生. 主要研究方向为阵列信号处理. E-mail: zhangjun_2018@mail.nwpu.edu.cn

鲍明

中国科学院声学研究所研究员. 主要研究方向为矢量传感器与处理, 智能信号处理. E-mail: baoming@mail.ioa.ac.cn

赵静

中国科学院声学研究所特别研究助理. 主要研究方向为矢量传感器设计, 声学测量. E-mail: zhaojing@mail.ioa.ac.cn

陈志菲

中国科学院声学研究所副研究员. 主要研究方向为传感器阵列处理, 声源定位和声学测量.E-mail: chenzhifei@mail.ioa.ac.cn

杨建华

西北工业大学自动化学院教授. 主要研究方向为传感器信号处理, 检测与控制技术, 仿生机器人和生物医学图像处理. 本文通信作者. E-mail: yangjianhua@nwpu.edu.cn