实时多模粒子PHD滤波器算法与硬件实现研究

使用粒子PHD（Probability Hypothesis Density, 概率假设密度）滤波器研究多目标跟踪问题是近年来国内外学者关注的热点课题。由于粒子PHD滤波器计算量大，制约了它在实时性要求较高场合的使用。为解决这一问题，可以使用硬件电路实现实时性好的粒子PHD滤波器，但相关研究尚未见诸报道。本课题拟研究实时多模粒子PHD滤波器的算法及其硬件实现，提出了一种多模型粒子PHD滤波器并行可扩展算法与硬件结构，并对这一结构中的不确定数目观测数据与确定数目硬件处理单元映射、分布式重采样、复杂权重函数计算等关键算法与硬件实现提出了相应的创新性方案，通过算法与硬件的协同设计，预期使用100MHz系统时钟频率时的处理速率（观测数据采样速率/目标状态更新速率）达到10kHz以上，满足多目标跟踪应用的实时性要求。本课题的实施，将有力地推动粒子PHD滤波器在实际多目标跟踪系统中的应用。

使用粒子PHD滤波器来解决多目标跟踪问题是近年来国内外众多学者关注的一个热点话题。目前对于粒子PHD滤波器的研究主要集中在理论与算法层面，对于粒子PHD滤波器硬件实现的研究尚未见诸报道。粒子PHD滤波器计算量大，难以满足实时性应用要求是其硬件实现面临的主要困难。本课题提出了一种多模型粒子PHD滤波并行可扩展硬件结构，并对于这一结构中的不确定观测数据、分布式重采样和复杂权重函数计算等关键算法与硬件实现提出了相应的创新性方案。本课题设计的粒子PHD滤波器硬件结构可满足几乎所有多目标跟踪应用的实时性要求。本课题的实施，有效的推动了粒子PHD滤波在真实多目标系统中的应用。