一种新的机动目标跟踪的多模型算法

采用带渐消因子的当前统计模型与匀速运动模型进行交互,设计了一种新的机动目标跟踪的交互式多模型算法。当前统计模型具有对一般机动目标跟踪精度高的特点,通过渐消因子的引入增强了该模型对突发机动的自适应跟踪能力,同时通过与CV模型的交互保证了对非机动目标的跟踪性能。仿真结果表明,在跟踪一般机动目标时,其误差和当前统计模型与CV模型交互的IMM算法相当;在跟踪突发机动目标时,该文算法的误差明显小于当前统计模型与CV交互的IMM算法。     

机动目标跟踪算法

针对复杂的机动目标跟踪问题,介绍了机动目标运动状态模型和固定结构的交互多模型(Interacting Multiple Model,IMM)滤波算法。在IMM基础上引入变结构思想,提出了一种基于序列似然比的变结构交互多模型(Variable Structure IMM,VSIMM)算法。通过实例仿真比较证明了该算法的有效性。     

基于运动学参数的高速高机动目标跟踪自适应IMM算法

提出一种基于运动学参数的自适应IMM算法,进行高速高机动目标跟踪.该算法利用交互输出的结果,计算目标的运动学参数,进而实时估算出机动目标的转弯率,利用估计值自适应地使模型与目标实际运动状态匹配.文中还将该算法与其他两种IMM算法进行了比较.蒙特卡罗仿真结果表明,这种算法跟踪目标的稳定性和精确性均优于其他两种算法,有利于高速高机动目标的实时跟踪,具有较好的可实现性.     

一种基于Singer模型的IMM算法仿真研究

高机动目标跟踪一直是目标跟踪领域研究的热门课题之一。文中介绍机动目标跟踪的常用的机动目标运动模型,详细讨论了具有代表性的IMM交互式多模型算法,并对IMM算法进行了一定的仿真实验,验证算法的可靠性。     

基于“当前”统计模型的IMM目标跟踪算法

机动目标跟踪一直是环境感知领域的研究重点和难点,为了实现对目标物的准确跟踪,研究了将交互多模型(interactingmultiplemodel,IMM)算法应用到无人机对目标的跟踪中。首先,根据目标的真实运动情况建立无人机的运动模型,然后搭建模拟场景,将卡尔曼滤波(kalmanfilter,KF)与IMM相结合的目标跟踪算法应用到无人机的跟踪中,并将该算法与基于"当前"统计模型的单模型目标跟踪算法进行仿真比较。结果表明IMM算法在目标跟踪方面具有较高的应用价值。     

基于交互多模型的路面机动车辆跟踪算法

机动目标跟踪一直是智能汽车环境感知领域的研究重点和难点,为了实现对目标车辆的准确跟踪,研究了将交互多模型(interactingmultiplemodel,IMM)算法应用到智能汽车对目标的跟踪中。首先,根据目标车辆的真实运动情况提出一种基于"当前"统计模型和Singer模型的模型集,然后,在PreScan中搭建模拟场景,将此模型集应用到IMM目标跟踪算法,并将本算法与基于"当前"统计模型和基于Singer模型的两种单模型目标跟踪算法进行仿真比较。结果表明此IMM算法在智能车辆目标跟踪方面具有较高的应用价值。     

一种三维机动目标跟踪的改进IMM算法

以三维机动目标跟踪为背景,提出一种参数自适应交互式多模型跟踪算法。该算法采用当前量测信息实时地修正马尔可夫转移概率矩阵,有效地降低了人为因素的影响。由于三维CV（匀速运动）和CA（匀加速运动）模型状态变量维数不一致,从而导致使用IMM算法时数据不能直接交互融合。针对这一缺点,对CV模型进行了改进。Matlab仿真表明,使用改进后的CV模型并结合参数自适应IMM算法比使用常规的IMM算法跟踪效果更好,并具有很好的实用性。     

基于交互多模型的高机动群目标跟踪技术

针对杂波环境下密集多目标的跟踪问题,首先引入了编队群目标跟踪算法(FGT),并结合交互多模型(IMM)算法,提出了适用于杂波环境下机动群目标跟踪的新算法—基于交互式多模型的编队群目标跟踪算法(IMM-FGT).计算机仿真结果表明,IMM-FGT算法是解决机动群目标跟踪问题的一种有效的方法.     

基于多基地雷达的高超声速目标跟踪研究

对多基地雷达跟踪高超声速目标进行了研究,针对高超声速目标高速高机动的特点,提出了使用参考加速度模型的IMM算法。同时在对多基地雷达造成的非线性问题中采用了UKF滤波。通过蒙特卡罗仿真对比,该算法跟踪效果较好,误差均方值小,跟踪精度高。     

导引模型在FTC自适应IMM-UKF目标跟踪算法中的应用

在应用IMM算法时, 根据战术导弹这种特殊的应用对象, 以两种常用导引律为例, 推导出导引运动模型作为交互模型集;使用不敏卡尔曼滤波器(UKF)实现了IMM-UKF算法, 并根据导引模型的特点引入了弹道收敛因子(FTC)自适应调节IMM算法中的模型转移概率。仿真实验结果表明, 这种基于目标导引运动模型的跟踪算法很好地实现了目标跟踪任务, 并且有效地分辨出了目标机动的运动模型。     

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

采用多速率多模型交互实现机动目标的全速率跟踪

多速率模型通过对原始测量结果和目标运动模型进行多分辨分解实现目标高精度跟踪.多模型交互方法则采用一个马尔科夫链控制多个模型交互实现机动目标跟踪.本文给出了一种采用多速率多模型交互方式实现机动目标全速率跟踪的方法,它通过交织多次滤波结果使得跟踪能同时保证高精度和全速率.仿真结果及分析说明了该方法较传统的全速率多模型交互算法获得了更好的跟踪效果.     

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.     

一种新的机动目标跟踪的多模型算法

设计了一种仅仅使用两个模型实现对机动目标精确跟踪的多模型算法,采用了含有法向和切向加速度的加速度均值自适应的当前统计模型和扩展后的常速模型进行交互。该算法不受目标转弯率大小和变化的限制,对目标运动模式的未知参数变化的适应性较强。仿真结果表明,该算法对目标的跟踪精度明显优于传统的使用3个以上模型交互的IMM-CV/CT算法。由于本算法能够估计出目标的法向和切向加速度,进行适当的模型集设计后,可以实现对复杂、快速机动目标的全过程跟踪,具有可扩展性的应用前景。