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。     

基于改进交互式多模型算法的ADS-B航迹滤波方法研究

针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题,结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型,改进为"当前"统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正,提高IMM算法的自适应能力,实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明:运动模型集改进后的IMM算法滤波结果优于经典IMM算法,跟踪结果稳定,改进的算法可适应复杂的目标航迹实时跟踪。     

自适应转弯模型的机动目标跟踪算法

给出了一种利用白适应转弯速率模型的IMM跟踪算法，可以用于机动目标的跟踪中。每一步通过交互输出的速度和加速度的估计值来计算转弯速率，它的大小等于加速度和速度的比值。本文中对提出的白适应算法和其他两种IMM算法进行了比较。     

一种改进的交互多模型算法

针对交互多模型(IMM)算法对目标加速度估计误差较大的不足,提出了一种改进的交互多模型算法,通过对交互多模型输出的加速度信息进行均值滤波提高对加速度估计的精度.计算机仿真表明,与交互多模型相比,该方法对匀速目标特别是机动目标具有更好的加速度估计能力,且便于工程实现.     

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.     

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。     

基于中心差分的机动辐射源单站被动跟踪算法

针对机动辐射源的单站被动跟踪问题,结合中心差分滤波(central difference filter)方法,该文提出了一种基于中心差分的交互多模型(IMM)机动目标跟踪算法,无需计算基于EKF(Extended Kalman Filter)方法所需的Jacobian矩阵,易于实现.将传统IMM算法中协方差的传递改造为平方根滤波形式,数值稳定性更好.将该算法应用到联合利用径向加速度和角度信息的单站定位系统,与基于EKF的IMM算法和基于UT(Unscented Transformation)的IMM算法仿真比较表明,该文算法和基于UT的IMM算法性能相当,比基于EKF的算法具有更高的跟踪精度.     

强跟踪多模型估计器

本文提出了一种基于最小二乘估计的强跟踪滤波器(STF)单重渐消因子求解方法.从参数自适应与模型自适应有机结合的角度出发,将STF与交互式多模型算法(IMM)相结合,设计了强跟踪交互式多模型估计器(STMME).仿真表明:STMME在跟踪机动目标时,对速度,加速度的跟踪精度明显优于传统的IMM,在自适应估计领域有着较好的应用前景.     

基于交互多模型的低空目标跟踪算法研究

研究了基于交互多模型(IMM)的低空目标跟踪问题。分析了低空目标的运动特征,给出了目标匀速(CV)直线、匀加速(CA)直线、曲线飞行航迹模型。在交互多模型(IMM)算法中,采用多种运动模型跟踪低空目标。在所研究的大机动模型情况下,通过多次数据处理优化参数后,统计分析结果表明,该算法滤波后数据误差明显降低,数据精度有较大的提高,能够稳定精确地跟踪低空目标。因此,该低空目标跟踪算法是有效的。     

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。     

交互式多模型在警戒类雷达跟踪中的应用研究

用CV模型、CA模型、Singer模型以及"当前"统计模型两两交互的多模型算法来处理某警戒雷达的两条航迹,并且把其仿真得出的一系列结果与目前常用的处理航迹滤波的Kalman(Singer模型)算法进行比较。研究了对不同的飞行轨迹选择什么样的模型组合可以最大提高滤波的精度,讨论了模型的优选问题。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

一种基于期望模型的自适应Singer模型滤波算法

针对使用固定模型滤波算法跟踪机动目标时滤波精度依赖于模型固有参数的问题,提出了一种基于期望模型的自适应Singer模型滤波算法。首先利用3组代表不同机动强弱的典型Singer模型组成基础模型集合,然后通过实时计算目标综合残差确定目标机动等级,根据目标机动等级的变化来生成期望模型,并实时扩充基础模型集合进行交互式多模型（Interacting Multiple Model,IMM）滤波。该算法降低了对基础模型选取的依赖性,具有更好的环境适应性,在目标不同机动状态下都能进行准确跟踪。     

交互式多模型算法在直升机跟踪中的应用

基于直升机目标的运动特点,运用交互式多模型(IMM)算法对直升机目标进行跟踪滤波。对IMM算法作了详细的数学描述,介绍了直升机目标的跟踪流程和IMM算法的具体实现方法。结果证明,IMM算法能够很好地预测出直升机的运动趋势,并能应对机动情况。     

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。     

交互式多区域模型

一种被称为交互式多区域模型(IMRM)的非线性滤波算法被提出,用于对状态和连续系统参数进行联合估计.IMRM将连续的系统参数空间视为由若干子区域所构成的集合,并将每个子区域分别分配给一个子模型.IM-RM使用一组子滤波器并行滤波.在每一时刻,IMRM利用交互操作计算各子模型的混合初始化环境,之后各子滤波器在假设系统参数跳变到特定子区域的前提下,对状态和系统参数进行估计.为了有效地应用IMRM,提出了一种基于无迹变换的交互式多区域模型(UT-IMRM)算法.UT-IMRM对每个子模型使用无迹卡尔曼滤波器(UKF)进行滤波.在目标跟踪实验中对UT-IMRM性能进行测试.实验结果显示当系统参数不属于IMM模型集合时,UT-IMRM能够比IMM获得更好的估计性能.