粒子滤波原理与多场景应用仿真工具箱

资 源 简 介

本项目是一个集理论讲解与代码实现于一体的综合性算法工具箱，主要聚焦于粒子滤波（Particle Filter）算法的基本原理及其在非线性、非高斯系统中的实际应用。项目详细阐述了基于贝叶斯估计和蒙特卡洛方法的粒子滤波核心流程，包括初始化、预测、更新（权重计算）、重采样等关键步骤。在应用层面，本项目重点实现了三个核心场景的仿真：1. 单目标跟踪，展示在非线性运动模型和观测模型下的精确状态估计；2. 多目标跟踪，解决复杂环境下多个目标的检测、关联与轨迹维持问题；3. 电源寿命预测，利用粒子滤波算法对电池退化过程建模并预测其剩余使用寿命（RUL）。项目不仅提供了详尽的数学模型推导，更重要的是配备了与之完全对应的MATLAB源代码。代码结构清晰，注释详细，实现了公式到程序的逐行映射，极大降低了学习门槛。这使得研究者能够通过运行代码直观地观察粒子群的演化过程和滤波效果，快速掌握算法精髓。对于具备一定基础的用户，本项目提供的模块化代码框架可作为算法改进（如改进重采样策略、优化建议分布）和二次开发的坚实基座。

详 情 说 明

粒子滤波原理及非线性系统应用仿真工具箱

项目简介

本项目是一个集理论验证与工程应用仿真于一体的 MATLAB 算法工具箱，专注于粒子滤波 (Particle Filter, PF) 算法在非线性、非高斯系统中的核心应用。项目旨在通过清晰的代码结构和直观的仿真结果，展示粒子滤波如何利用蒙特卡洛方法和贝叶斯估计理论，解决复杂状态空间下的状态估计问题。

代码通过三个典型的应用场景（单目标非线性跟踪、多目标跟踪、电池寿命预测），完整实现了从粒子初始化、状态预测、权重更新到重采样的全流程。

主要功能特性

• 完全且详细的算法实现：摒弃黑盒调用，通过原生 MATLAB 代码逐行实现了粒子滤波的每一个步骤（预测、似然计算、权重归一化、重采样）。
• 模块化场景设计：将不同复杂度的应用场景封装为独立的函数，便于单独运行和分析。
• 结果可复现：内置固定随机种子机制，确保每次仿真的粒子演化路径和滤波结果一致，便于教学演示和算法对比。
• 丰富的可视化：每个场景均配备了动态或静态的绘图功能，包括真实轨迹、估计轨迹、观测点以及粒子云的演化分布。

系统仿真场景详解

本项目在 main 入口函数中依次集成了以下三大核心仿真场景：

1. 单目标非线性跟踪 (UNGM 模型)

该场景演示了粒子滤波在处理强非线性、非高斯系统时的优势，这是卡尔曼滤波（KF）失效的典型场景。

• 系统模型：采用单变量非平稳增长模型 (Univariate Non-stationary Growth Model)。

* 状态方程：包含非线性分式项 x/(1+x^2) 和时变余弦项 cos(k)，模拟极不稳定的系统状态演化。 * 观测方程：状态的平方形式 x^2 / 20，引入了非线性观测映射。

• 算法实现：

* 粒子群通过非线性状态方程进行传播。 * 利用高斯似然函数计算观测权重。 * 自适应重采样：通过计算有效粒子数 (N_eff) 判断是否需要执行系统重采样，防止粒子退化。

• 输出结果：计算并显示均方根误差 (RMSE)，绘制粒子分布散点图，直观展示粒子如何聚集在真实状态附近。

2. 多目标跟踪 (Multi-Target Tracking, MTT)

该场景展示了如何在存在观测不确定性和数据关联困难的情况下，同时跟踪多个目标。

• 系统模型：2D 平面内的恒速 (Constant Velocity, CV) 运动模型。
• 复杂场景：设置了两个目标在平面上进行路径交叉运动，模拟混淆场景。
• 核心算法逻辑：

* 独立滤波：为每个目标维护一个独立的粒子滤波器结构体，分别存储粒子群和权重。 * 数据关联 (GNN)：实现了简化的全局最近邻关联算法。通过计算预测位置与当前时刻量测数据的欧氏距离矩阵，采用贪心策略将量测分配给目标。 * 关联门限：设置了距离阈值，排除杂波或过远的错误关联。 * 差异化更新：关联成功的滤波器执行权重更新和重采样；未关联目标的滤波器仅执行预测步骤（纯推演）。

• 可视化：同时显示两个目标的真实轨迹、PF 估计轨迹以及原始量测点，清晰展示在交叉点附近的跟踪性能。

3. 电池剩余寿命预测 (RUL Prediction)

该场景应用粒子滤波解决状态本身包含未知参数的一类问题，模拟锂电池退化过程。

• 系统模型：基于容量退化的指数模型，其中退化速率是非线性的且包含随机过程。
• 状态增强 (State Augmentation)：

* 粒子状态向量不仅包含当前的电池容量，还包含未知的退化速率 (Fading Rate)。 * 通过“联合估计”策略，在滤波过程中同时估计系统状态和模型参数。

• 算法流程：

* 在线监测阶段：以前 80 个周期的观测数据为输入，利用粒子滤波动态修正对当前容量的估计，并自适应调整对退化速率参数的识别。 * 通过随机游走模型允许退化速率参数随时间缓慢漂移，以适应电池的非线性老化特性。

• 实现细节：展示了如何构建双维度粒子（容量 + 速率），并通过观测到的容量数据反向更新潜在的退化速率分布。

关键算法与实现细节

代码中核心的粒子滤波逻辑包含以下四个标准步骤：

1. 初始化 (Initialization)

* 根据先验知识（如高斯分布）生成 N 个初始粒子。 * 在单目标场景中 N=200，在复杂的多目标和 RUL 场景中增加了粒子数（N=500/1000）以保证精度。

1. 预测 (Prediction / Sampling)

* 依据系统的状态转移方程，将上一时刻的粒子映射到当前时刻。 * 在此步骤注入过程噪声 (Process Noise)，增加粒子的多样性。

1. 更新 (Update / Weighting)

* 获取当前时刻的观测值。 * 计算预测观测值与实际观测值的残差。 * 基于高斯似然函数更新每个粒子的权重：残差越小，权重越大。 * 权重归一化：确保所有粒子权重之和为 1。

1. 重采样 (Resampling)

* 触发条件：代码计算 $1 / sum(w^2)$ 得到有效粒子数 $N_{eff}$。当有效粒子数低于阈值（如 N/2）时触发。 * 机制：复制高权重粒子，淘汰低权重粒子，将权重重置为 $1/N$。代码中调用了 resample_systematic 系列函数实现系统重采样算法。

使用方法

1. 确保计算机安装有 MATLAB 软件。
2. 将包含 main.m 及相关重采样辅助函数（如 resample_systematic）的文件夹设置为 MATLAB 当前工作路径。
3. 直接运行 main 函数。
4. 程序将依次执行三个场景的仿真，并在每个场景结束后弹出对应的结果分析图窗。

系统要求

• MATLAB R2016b 或更高版本（主要使用了基础绘图和矩阵运算功能，无特殊工具箱强依赖）。
• 统计与机器学习工具箱 (Statistics and Machine Learning Toolbox) - 代码中使用了 mvnrnd 生成多维随机数。