一種基于gpu架構(gòu)的改進(jìn)的粒子濾波方法
【專利摘要】本發(fā)明屬于粒子濾波【技術(shù)領(lǐng)域】，特別涉及一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法。該基于GPU架構(gòu)的改進(jìn)的粒子濾波方法包括以下步驟：S1：在CPU端設(shè)定粒子個數(shù)和觀測時刻k；在GPU端初始化粒子；S2：將觀測向量傳輸至GPU顯存；當(dāng)k＝1時，執(zhí)行步驟S3；S3：在GPU端進(jìn)行重要性采樣；S4：在GPU端進(jìn)行二次采樣，得到k時刻的最大似然采樣粒子；S5：利用GPU得出k時刻每個最大似然采樣粒子的接受概率；S6：在GPU端計算k時刻估計值。S7：在CPU端計算k時刻每個最大似然采樣粒子的重采樣索引；在GPU端根據(jù)重采樣索引得出k時刻的重采樣粒子，作為下一時刻的初始粒子；S8：將步驟S3至步驟S7重復(fù)執(zhí)行M次，得出M個時刻的估計值。
【專利說明】一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于粒子濾波【技術(shù)領(lǐng)域】，特別涉及一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法。
【背景技術(shù)】
[0002]非線性濾波問題廣泛存在于信號處理、數(shù)據(jù)通信、雷達(dá)探測、目標(biāo)跟蹤、衛(wèi)星導(dǎo)航等諸多領(lǐng)域，這類問題可歸納為存在觀測噪聲時，非線性系統(tǒng)的狀態(tài)估計問題。粒子濾波方法是一種較為通用的濾波方法，其采用一系列帶有權(quán)值的樣本點(diǎn)對狀態(tài)的后驗概率分布進(jìn)行近似，這種方法實(shí)質(zhì)上基于狀態(tài)搜索進(jìn)行的。由于在狀態(tài)逼近的過程中使用了大量的粒子，因此該方法的計算復(fù)雜度很高。而且在粒子濾波中存在著兩個主要的問題:第一，當(dāng)粒子采樣不準(zhǔn)確時，如采樣得到的粒子位于實(shí)際后驗分布的拖尾區(qū)域，經(jīng)過狀態(tài)搜索后，絕大部分的粒子權(quán)值都會趨于O。這會為后驗分布的近似帶來很大的誤差，甚至有可能引起濾波發(fā)散。第二，在對狀態(tài)進(jìn)行迭代估計的過程中，會出現(xiàn)粒子退化以及粒子貧化的現(xiàn)象，降低了狀態(tài)估計可用粒子的數(shù)量和種類，增大了狀態(tài)估計誤差。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的在于提出一種基于GPU (圖形處理器)架構(gòu)的改進(jìn)的粒子濾波方法。本發(fā)明，對粒子的重采樣進(jìn)行了改進(jìn)，提出一種基于二次采樣的粒子濾波方法，改善了狀態(tài)估計的精度。同時，針對粒子濾波方法計算復(fù)雜度高的問題，提出了一種基于GPU架構(gòu)的實(shí)現(xiàn)方法，使得運(yùn)算時間大大降低，提高了算法處理的實(shí)時性，可以滿足實(shí)時處理的需要。
[0004]本發(fā)明的技術(shù)思路是:在標(biāo)準(zhǔn)粒子濾波基礎(chǔ)上，通過最大化似然函數(shù)引入當(dāng)前時刻的觀測信息，進(jìn)行二次采樣，并使用似然函數(shù)計算新粒子的權(quán)值，最后通過粒子加權(quán)對當(dāng)前的狀態(tài)進(jìn)行估計。并且將計算復(fù)雜度高的部分在GPU架構(gòu)上進(jìn)行實(shí)現(xiàn)，提高了算法的實(shí)時性。
[0005]為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案予以實(shí)現(xiàn)。
[0006]一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法包括以下步驟:
[0007]S1:利用CPU將粒子個數(shù)設(shè)定為N，利用CPU設(shè)定M個觀測時刻，N和M均為大于I的自然數(shù)，所述M個觀測時刻依次表示為I時刻至M時刻；利用GPU生成N個I時刻初始粒子；設(shè)置觀測時刻參數(shù)k，k = 1，2，3，...M ;
[0008]S2:利用CPU加載每個觀測時刻非線性系統(tǒng)的觀測向量，CPU將每個觀測時刻非線性系統(tǒng)的觀測向量傳輸至GPU顯存；當(dāng)k = I時，執(zhí)行步驟S3 ；
[0009]S3:在GPU中，根據(jù)重要性密度函數(shù)對k時刻的每個初始粒子進(jìn)行重要性采樣，得出k時刻的多個重要性采樣粒子；
[0010]S4 =^GPU中，根據(jù)非線性系統(tǒng)的觀測模型，建立似然函數(shù)；然后，通過最大化似然函數(shù)，對k時刻的每個重要性采樣粒子進(jìn)行二次采樣，產(chǎn)生k時刻的多個最大似然采樣粒子；[0011]S5:利用GPU得出k時刻每個最大似然采樣粒子的接受概率；
[0012]S6:在GPU中，根據(jù)k時刻每個最大似然采樣粒子，得出k時刻非線性系統(tǒng)的狀態(tài)向量的估計值；
[0013]S7:GPU將k時刻每個最大似然采樣粒子的接受概率傳輸至CPU ;在CPU中，根據(jù)所述k時刻每個最大似然采樣粒子的接受概率，得出k時刻每個最大似然采樣粒子的重采樣索引；然后，CPU將k時刻每個最大似然采樣粒子的重采樣索引傳輸至GPU ;在GPU中，根據(jù)k時刻每個最大似然采樣粒子的重采樣索引，對k時刻每個最大似然采樣粒子進(jìn)行重采樣，得出k+Ι時刻的多個初始粒子；$k值自增1，然后返回至步驟S3 ；
[0014]S8:將步驟S3至步驟S7重復(fù)執(zhí)行M次，得出M個觀測時刻的非線性系統(tǒng)的狀態(tài)向量的估計值。
[0015]本發(fā)明的特點(diǎn)和進(jìn)一步改進(jìn)在于:
[0016]在步驟SI中，建立非線性系統(tǒng)的狀態(tài)模型和觀測模型，非線性系統(tǒng)的狀態(tài)模型和觀測模型表示如下:
【權(quán)利要求】
1.一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，包括以下步驟: 51:利用CPU將粒子個數(shù)設(shè)定為N，利用CPU設(shè)定M個觀測時刻，N和M均為大于I的自然數(shù)，所述M個觀測時刻依次表示為I時刻至M時刻；利用GPU生成N個I時刻初始粒子；設(shè)置觀測時刻參數(shù)k，k = 1，2，3，...M ; 52:利用CPU加載每個觀測時刻非線性系統(tǒng)的觀測向量，CPU將每個觀測時刻非線性系統(tǒng)的觀測向量傳輸至GPU顯存；當(dāng)k = I時，執(zhí)行步驟S3 ； 53:在GPU中，根據(jù)重要性密度函數(shù)對k時刻的每個初始粒子進(jìn)行重要性采樣，得出k時刻的多個重要性采樣粒子； 54=^GPU中，根據(jù)非線性系統(tǒng)的觀測模型，建立似然函數(shù)；然后，通過最大化似然函數(shù)，對k時刻的每個重要性采樣粒子進(jìn)行二次采樣，產(chǎn)生k時刻的多個最大似然采樣粒子； 55:利用GPU得出k時刻每個最大似然采樣粒子的接受概率； 56:在GPU中，根據(jù)k時刻每個最大似然采樣粒子，得出k時刻非線性系統(tǒng)的狀態(tài)向量的估計值； 57=GPU將k時刻每個最大似然采樣粒子的接受概率傳輸至CPU ;在CPU中，根據(jù)所述k時刻每個最大似然采樣粒子的接受概率，得出k時刻每個最大似然采樣粒子的重采樣索引；然后，CPU將k時刻每個最大似然采樣粒子的重采樣索引傳輸至GPU ;在GPU中，根據(jù)k時刻每個最大似然采樣粒子的重采樣索引，對k時刻每個最大似然采樣粒子進(jìn)行重采樣，得出k+Ι時刻的多個初 始粒子；$k值自增1，然后返回至步驟S3 ； 58:將步驟S3至步驟S7重復(fù)執(zhí)行M次，得出M個觀測時刻的非線性系統(tǒng)的狀態(tài)向量的估計值。
2.如權(quán)利要求1所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟SI中，建立非線性系統(tǒng)的狀態(tài)模型和觀測模型，非線性系統(tǒng)的狀態(tài)模型和觀測模型表示如下:
<
yk = h(xk) + vk 其中，xk表示k時刻非線性系統(tǒng)的m維狀態(tài)向量，yk表示k時刻非線性系統(tǒng)的η維觀測向量，m和η均為大于O的自然數(shù)；f (.)為描述非線性系統(tǒng)狀態(tài)模型的非線性函數(shù)，h (.)描述非線性系統(tǒng)的觀測模型的非線性函數(shù)；uk為設(shè)定的服從高斯分布的k時刻狀態(tài)噪聲，當(dāng)m = I時,Uk服從均值為O方差為Q的高斯分布，當(dāng)m>l時，uk的均值為m維零向量,協(xié)方差矩陣為Q ；vk為設(shè)定的服從高斯分布的k時刻觀測噪聲，當(dāng)n = I時，Vk服從均值為O方差為R的高斯分布，當(dāng)η>1時，vk的均值為η維零向量，協(xié)方差矩陣為R ； 在步驟SI中，根據(jù)所述非線性系統(tǒng)的狀態(tài)模型和觀測模型，利用GPU生成I時刻至M時刻的狀態(tài)噪聲；在步驟SI中，I時刻第i個初始粒子值為#，i取I至N。
3.如權(quán)利要求2所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟S2中，k時刻非線性系統(tǒng)的觀測向量為yk ； 在步驟S3中，根據(jù)所述非線性系統(tǒng)的狀態(tài)模型，得出初始粒子的狀態(tài)轉(zhuǎn)移密度函數(shù)P (Xk I Xk-:)，選取狀態(tài)轉(zhuǎn)移密度函數(shù)為重要性密度函數(shù)q (xk I Xk-!, Yk) = P (xk I XkJ，得出k時刻第i個初始粒子的重要性密度函數(shù)切X.1，q{x\ I d) = ρ{χ\ I X1k^l)；根據(jù)k時刻第i個初始粒子的重要性密度函數(shù)對k時刻的每個初始粒子進(jìn)行重要性采樣，得出k時刻的多個重要性采樣粒子，k時刻的第i個重要性采樣粒子值為。
4.如權(quán)利要求2所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟S3中，得出的k時刻的第i個重要性采樣粒子值為.; 在步驟S4中，根據(jù)以下公式得出k時刻第i個最大似然采樣粒子值;
5.如權(quán)利要求2所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟S5中，根據(jù)所述非線性系統(tǒng)的觀測模型，得出似然函數(shù)P (yk I xk);確定k時刻第i個最大似然采樣粒子的重要性權(quán)值，當(dāng)k = I時，4=1 / M:當(dāng)k>l時，w^p(^yk I Xk)^^ ；根據(jù)k時刻第i個最大似然采樣粒子的重要性權(quán)值<，得出k時刻第i個最大似然采樣粒子的接受概率:，
6.如權(quán)利要求5所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟SI中，利用GPU生成NXM個在O到I之間均勻分布的隨機(jī)數(shù)，在NXM個在O到I之間均勻分布的隨機(jī)數(shù)中，與k時刻第i個初始粒子對應(yīng)的隨機(jī)數(shù)表示為<，其中，k取I至M，i取I至N; 在步驟S7中，在GPU端，計算出與k時刻第i個初始粒子對應(yīng)的過渡取值Λ

7.如權(quán)利要求4所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟S4之后，在得出k時刻第i個最大似然采樣粒子值之后，將步驟S4重復(fù)執(zhí)行K次，在每次重復(fù)執(zhí)行步驟S4之前，將上次執(zhí)行步驟S4得出的k時刻第i個最大似然采樣粒子值賦值給.4|卜I，K為大于O的自然數(shù)。
8.如權(quán)利要求1所述的一種基于GPU架構(gòu)的改進(jìn)的粒子濾波方法，其特征在于，在步驟SI中，利用CPU分配CPU內(nèi)存空間和GPU顯存空間； 在步驟S8之后，利用CPU將已分配的CPU內(nèi)存空間和GPU顯存空間銷毀。
【文檔編號】H03H17/02GK104022756SQ201410241879
【公開日】2014年9月3日 申請日期:2014年6月3日 優(yōu)先權(quán)日:2014年6月3日
【發(fā)明者】王俊, 張培川, 武勇, 喬家輝 申請人:西安電子科技大學(xué)