模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上，首先给出了一种自适应IMM算法。再根据变结构IMM思想，把该算法与具体的运动模型相结合，提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下，模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤，并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较，结果表明在目标机动情况下，两种方法在性能上均有不同程度的提高，从而证明了本文所提算法的有效性。     

机动目标跟踪的一种自适应“当前”模型

针对单个模型跟踪机动目标的性能不够理想、多模型方法最优模型集设计困难且算法较复杂的问题．基于“当前”模型，从目标与跟踪雷达的相对角运动出发，提出一种能适应多类飞行器的自适应跟踪单模型，并给出了优化估计目标与雷达的相对角运动及距离运动的算法．仿真结果表明．该自适应单模型跟踪性能稳定，远优于“当前”模型，对于强机动飞行的目标，其跟踪性能要优于交互多模型方法（IMM），而且其计算量要低于IMM．     

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。     

CS模型下的IMM算法在目标跟踪中的应用

针对视觉伺服机器人对机动目标的跟踪问题,将当前统计模型（CS）引入IMM算法,与匀速模型（CV）组成模型集。在Matlab上对当前统计IMM算法和基本IMM算法进行仿真比较,结果表明当前统计IMMS算法跟踪机动目标的性能好于基本IMM算法,具有很好的收敛性和稳定性,提高了视觉伺服机器人对目标跟踪的准确性和快速性。     

基于强跟踪滤波器的多目标跟踪方法

在诸多的多目标跟踪算法中，相互作用多模型（IMM）算法是目前公认的最为有效的算法。但到目前为止，LMM估计方法都是建立在卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）基础上，因而其性能不仅依赖于所采用的模型集，而且在更大程度上依赖于所采用的滤波技术。强跟踪滤波器（STF）克服了卡尔曼和扩展卡尔曼的三大缺陷，因而设计一种基于STF的IMM目标跟踪算法显然能提高其性能。仿真实验表明，基于STF的IMM算法的跟踪性能要优于基于KF和EKF的IMM算法的跟踪性能。     

曲线模型的半自适应交互多模型跟踪方法

在机动目标跟踪的交互多模型(IMM)算法设计中,选择覆盖范围大的模型集和简化计算复杂度是一对矛盾且重要的问题.本文首先对曲线交互多模型算法进行了研究,建立了一种角速度估计模型,在此基础上给出了一种构造自适应曲线模型集方法.用该方法构造的曲线模型集只与切向加速度相关,法向加速度可自适应调整,这一方面简化了计算复杂度,另一方面扩大了算法的适用范围.进一步的仿真试验表明了该算法的有效性.     

基于模型误差的交互式多模型算法

本文考虑了模型与真实模式之间可能存在的差异,分析了由此引发的问题.提出一种基于模型误差的交互式多模型算法,其中模型集合使用最小距离设计方法设计.Monte-Carlo仿真实验表明,新方法比IMM能更好地避免性能恶化,并且当真实模式保持不变时,从全局角度考虑新算法比IMM优越.     

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。     

融合状态反馈的两模型目标跟踪方法

IMM是目前目标跟踪中状态估计的最有效估计器之一。但它需要先验的模型转换矩阵，这在实际跟踪系统中没有依据确定。通过将前一时刻的组合状态反馈到各个不同的模型滤波过程中，对不同维状态，建立与真实目标状态空间之间的映射，提出了一种新的多模型跟踪算法，这种算法动态加权各模型的滤波输出，不需要设计模型之间的转换矩阵。仿真试验表明了算法的有效性。     

交互式多模型异步航迹融合算法

对分布式融合系统中的异步航迹融合算法进行了研究.已有的异步航迹融合算法要求传感器所采用的状态方程与目标运动模式相同,这在实际应用中很难满足.针对已有异步航迹融合算法的不足,建立了基于状态方程集合的异步航迹融合模型.所有传感器均采用基于同一状态方程集合的交互式多模型(IMM)算法来实现航迹生成,融合中心对来自于相同状态方程的异步航迹数据进行加权平均来获得同步航迹,提出了交互式多模型异步航迹融合(IMMASTF)算法.仿真结果验证了IMMASTF算法的有效性.     

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.     

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.     

基于异步IMM融合滤波的网络化系统故障诊断

针对一类带随机丢包的异步多传感器网络化系统,提出了基于网络化异步交互式多模型（Interacting multiple model,IMM）融合滤波的故障诊断方法.考虑不同传感器通道具有不同丢包概率的情况,将未知的故障幅值看作扩维的系统状态,利用提出的网络化异步IMM融合滤波算法对由系统正常模型和各种可能的故障模型构成的模型集进行滤波,根据模型概率进行故障检测和定位,同时得到故障幅值和系统状态的联合估计.提出的方法避免了传统IMM故障诊断方法模型集设计中故障大小难以确定的问题,适用于具有任意采样速率和任意初始采样时刻的异步多传感器网络化系统,并且通过融合多个传感器的信息提高了故障诊断的准确性.仿真实例验证了所提出方法的可行性和有效性.     

基于新息相关性自调整的交互多模型算法

本文通过引入新息相关法,提出了一种基于新息相关性自调整的交互多模型算法。该方法首先利用模型概率识别出最可能近似真实模式的模型,而后针对该模型应用新息相关法滤波,在系统的数学模型和噪声的统计模型不精确的情况下,通过监测残差是否为白噪声,来相应地调整卡尔曼增益,从而使卡尔曼滤波达到最佳。     

Adaptive fuzzy IMM algorithm for uncertain target tracking

In real system application, the interacting multiple model (IMM)-based uncertain target tracking system operates with the following problems: it requires less computing resources as well as a robust performance with respect to the maneuvering such as a sub-model mismatched case, and further, it requires an easy design procedure related to its structures and parameters. To solve these problems, an adaptive fuzzy IMM (AFIMM) algorithm, which is based on well-defined basis sub-models and well-adjusted mode transition probabilities (MTPs), is proposed. The basis sub-models are defined by the detailed analysis in terms of kinematic models as well as the maneuvering property and the MTPs are adjusted by the fuzzy adaptor as well as the fuzzy decision maker. To verify the performance of the proposed algorithm, an airborne target tracking is performed. Simulation results show that the AFIMM effectively solves the problems experienced in the uncertain target tracking system online. Keywords: Adaptive fuzzy IMM, basis sub-models, mode transition probabilities, uncertain target.     

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.