高超声速强机动目标改进IMM-CKF跟踪算法

高超声速强机动目标的运动具有复杂性、突变性和强非线性特点,针对单模型算法难以实现对此类目标的精确跟踪,提出一种改进的交互多模型(IMM)算法,克服了单模型算法跟踪强机动目标的缺陷和标准IMM算法对似然函数计算不准确的问题,实现了不同子模型之间的变维交互;采用容积卡尔曼滤波(CKF)算法实现了雷达观测数据与目标状态量之间的高精度非线性转换.仿真结果表明:改进的IMM算法相比单模型算法和标准的IMM-CKF算法,明显提高了高超声速强机动目标的跟踪精度.     

LOS/NLOS混合环境中基于交互式多模型的鲁棒目标跟踪

针对视距（line-of-sight, LOS）和非视距(none-line-of-sight, NLOS)混合环境的定位跟踪问题, 提出一种基于扩展H∞滤波（EHF）和扩展卡尔曼滤波(EKF)的交互式多模型(IMM)定位跟踪算法。目标与基站之间的LOS、NLOS传输信道分别用EKF和EHF匹配, 模型间的转换用马尔可夫过程进行描述。Monte Carlo仿真结果表明, 该算法具有较高的定位精度、较好的跟踪稳定性, 且计算时间与基于EKF的IMM算法相当, 具有较好的可实现性。     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

高超声速飞行器交互式多模型跟踪算法仿真

针对临近空间高超声速飞行器的运动状态多变,目前单一跟踪模型已经很难描述出目标的特性,根据多变的运动特点,将交互式多模型( IMM)算法应用于高超声速飞行器跟踪领域。该算法可以有效地根据各个模型的概率进行准确的调整,特别是对于机动目标的跟踪。文中根据IMM算法在临近空间环境下对高超声速飞行器进行了跟踪仿真。通过Monte-Carlo仿真,结果表明该算法在临近空间中具有较好的跟踪精度,同时可以提高高速飞行目标的跟踪精度。     

基于STC-IMM 结构的自适应多模型跟踪算法

针对机动目标跟踪问题,基于转换时间条件交互多模型(STC-IMM)结构,提出一种转换概率自适应的STC-AIMM算法。该算法根据滤波器收敛时间预设了模型转换时间条件,保证了滤波器对目标后验状态的合理逼近,同时通过模型转换概率的自适应算法实现了模型与目标运动模式的实时最优匹配。理论和仿真分析结果表明：相比交互多模型(IMM)算法和STC-IMM算法,该算法能够发挥滤波器最优性能,实现模型概率的优化分配,对目标不同强度的机动具有良好的适应性、跟踪稳定性和更高的跟踪精度。     

新的自适应转弯模型的IMM算法研究

针对采用协同转弯模型作为模型之一的交互式多模型（IMM）目标跟踪算法中，转弯率难以实时估计且精度不高造成跟踪精度降低的问题，创新性地提出了一种新的自适应转弯模型的IMM算法。利用三种映射转弯率的方法构造轨迹特征向量，通过训练好的BP神经网络实时估计时间窗内轨迹段的平均转弯率，提高转弯率的估计精度，从而提高跟踪精度。仿真实验表明，提出的自适应转弯模型的IMM算法较之传统的自适应转弯模型的IMM算法在转弯率较大时具有更加高的跟踪精度，并且具有较高扩展性和发展前景。     

一种模糊Kalman滤波机动目标跟踪的新算法

提出了一种基于模糊自适应的Kalman滤波机动目标跟踪新算法.算法首先分析了目标航向角和观测残差均能实时反应出目标机动情况,并由此设计了一种有效的模糊逻辑规则,综合利用航向角变化量和残差,通过模糊推理动态估计Kalman滤波器的过程噪声协方差,从而提高对机动目标跟踪的性能.实验结果表明,提出算法对机动目标跟踪的精度较交互式多模型(Interacting multiple model,IMM)算法高,且计算量比IMM算法小.     

基于最优线性无偏估计的交互式多模型机动目标跟踪

为了解决雷达目标跟踪的非线性估计问题,提出了一种基于最优线性无偏估计的交互式多模型(IMM)机动目标跟踪算法.该算法采用最优线性无偏估计(BLUE),把目标的状态在笛卡尔坐标来表示,而把雷达测量误差保留在极坐标下,并结合交互式多模型算法,实现对机动目标的有效跟踪.仿真实验验证了该算法的准确性和有效性.     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题，提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型，用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性，结合被动跟踪模型，利用非线性粒子滤波方法，对IMM算法进行了改进，提高了对IMM混和密度的近似程度，通过被动跟踪仿真实例，同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真，分析了轨迹跟踪性能，利用均方根误差比较了误差性能。仿真结果表明，与IMM-EKF相比，IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。     

具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中,比如目标跟踪和故障诊断与隔离,然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷,针对SMME,本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数,包括模式切换概率和基于模型的过程噪声方差,考虑到交互式多模型（IMM）是SMME中比较有效的方法,我们将上述的参数辨识与IMM相结合,提出了一种自适应IMM（AIMM）,在跟踪一个机动目标的仿真中,AIMM表现出了比IMM更高的估计精度。     

An IMM tracking algorithm with input estimation

A new approach to track manoeuvring targets is presented. A target model that combines Singer's model with a deterministic step manoeuvre model is also proposed to account for the various realistic evasive manoeuvre strategies. The interacting multiple models (IMM) method incurs a mean tracking error in the presence of a pilot-commanded abrupt target manoeuvre. A recursive real-time least-squares algorithm to compute the magnitude of the input acceleration is devised to reduce the tracking error. The combined scheme of this input estimation filter and the IMM algorithm markedly improves the tracking accuracy. Simulation results show that the proposed algorithm is superior to that of the IMM algorithm, especially in velocity and acceleration estimations.     

基于概率模型的实时修正IMM目标跟踪算法

针对传统的IMM算法采用固定测量噪声协方差矩阵和Markov转移概率矩阵导致模型切换缓慢,跟踪精度下降的问题,提出了一种具有模型概率实时修正的IMM机动目标跟踪算法。该算法在监控区域上建立无线电指纹库,利用支持向量回归算法训练得到观测模型。引入模糊神经网络,在模型交互输出阶段自适应地调整测量误差协方差矩阵。根据IMM子模型中连续时间点之间的模型概率的比值,对Markov转移概率进行修正。仿真结果表明,提出的方法在实时性、跟踪精度方面具有良好的性能。     

Multirate interacting multiple model filtering for target trackingusing multirate models

A multirate interacting multiple model (MRIMM) tracking algorithm has been developed. The algorithm is based on a reformulation of the interacting multiple model (IMM) filter under the assumption that each model operates at an update rate proportional to the model's assumed dynamics. A set of multirate models is derived based on the geometrical interpretation of a discrete wavelet transform. A wavelet transform is used to generate equivalent multirate measurements, which exhibit the additional property of lower equivalent measurement noise for low-rate data. Using this filtering approach, the MRIMM algorithm significantly outperforms a full-rate IMM filter when no manoeuvres occur and performs comparably with the IMM filter when manoeuvres occur, with a certain amount of computational savings. This approach also has the advantages of improved sensitivity for manoeuvre detection     

辐射限制下有源无源协同跟踪技术

为了提高作战飞机的隐蔽性,提出了一种辐射限制下有源无源传感器目标跟踪与协同管理的方法,给出了基于辐射控制的机载多传感器系统协同跟踪方法.利用跟踪过程中目标残差范数与门限的比较结果,判断雷达开关机,用序贯和IMM(interacting multiple model)联合滤波算法对目标进行跟踪.对利用该方法的机载多传感器目标跟踪性能进行了仿真分析,仿真结果证明了该方法的合理性和有效性.     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

Merging artificial objects with marker-less video sequences based on the interacting multiple model method

Inserting synthetic objects into video sequences has gained much interest in recent years. Fast and robust vision-based algorithms are necessary to make such an application possible. Traditional pose tracking schemes using recursive structure from motion techniques adopt one Kalman filter and thus only favor a certain type of camera motion. We propose a robust simultaneous pose tracking and structure recovery algorithm using the interacting multiple model (IMM) to improve performance. In particular, a set of three extended Kalman filters (EKFs), each describing a frequently occurring camera motion in real situations (general, pure translation, pure rotation), is applied within the IMM framework to track the pose of a scene. Another set of EKFs,one filter for each model point, is used to refine the positions of the model features in the 3-D space. The filters for pose tracking and structure refinement are executed in an interleaved manner. The results are used for inserting virtual objects into the original video footage. The performance of the algorithm is demonstrated with both synthetic and real data. Comparisons with different approaches have been performed and show that our method is more efficient and accurate.