基于机动转弯目标的自适应交互式多模型算法

在车辆转弯性能优化控制问题的研究中,针对转弯机动目标跟踪,由于控制模型为单模型,造成跟踪性能差.为解决上述问题,设计了一种利用自适应网格方法对模型集合进行自适应计算的方法.利用自适应网格,通过设定初始粗略网格,将转弯模型的转弯速率作为网格值进行自适应的调整,以期能够符合目标当前时刻的运动状态.然后与交互式多模型算法相结合,对模型进行滤波计算,以达到跟踪目标的目的.最后,通过仿真比较自适应网格交互式多模型算法与三种常规交互式多模型算法的跟踪效果,验证了算法的优越性,证明改进算法跟踪精度高、速度快,能够接近理想的模型设计.     

一种新的杂波环境下多机动自适应跟踪算法

针对密集杂波环境下对多个高机动并有轨迹交叉的目标进行跟踪的问题,由于交互式多模型联合概率数据关联算法在目标密集和多模型情况下会出现计算组合爆炸的情况,提出了一种结合交互式多模型算法IMM和简化的联合概率数据关联算法Cheap JPDA的自适应跟踪算法.Cheap JPDA算法节省了JPDA算法中确认矩阵的拆分过程,降低关联概率计算难度及计算量.通过Monte Carlo仿真表明,算法能够很好的实现机动目标的跟踪性能,从而说明了算法的有效性.     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

被动多传感器自适应曲线模型跟踪新算法

针对被动多传感器机动目标跟踪系统中,由于目标机动性能的不确定以及存在的非线性而导致系统模型与目标实际运动模式难以匹配的问题,提出一种新的自适应曲线模型跟踪算法．该算法通过建立新的方向角模型,设计一种自适应的转弯角速度估计方法,实时计算每个采样时刻目标的切向加速度,以获得与目标实际运动模式相匹配的运动模型,并与扩展卡尔曼滤波相结合,有效提高了被动多传感器下机动目标的跟踪精度．     

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．     

转弯机动目标的两层交互多模型跟踪算法

针对转弯机动目标跟踪, 提出了一种两层交互多模型(IMM)跟踪算法. 算法的内层多模型由当前统计模型和恒速模型构成, 针对目标的速度方向角进行滤波, 将获得的角速度估计值作为外层的中心角速度; 外层多模型由转弯模型构成, 其角速度集合由中心角速度和对称角速度(交互输出的加速度与速度的比值)组成. 由于既准确估计了目标的角速度, 又设计了合理的角速度集合, 算法显著提高了转弯机动目标的跟踪精度. 仿真实验验证了算法的有效性.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

杂波环境中多机动目标自适应跟踪算法

针对多杂波多机动目标环境引起的跟踪误差和实时性问题,提出了一种结合IMMPDA和改进的IMMJPDA的自适应多机动目标跟踪算法,在跟踪过程中根据目标之间的距离来选择IMMPDA和改进的IMMJPDA算法中的一种跟踪方法,其中改进的IMMJPDA算法是根据每个模型产生的关联矩阵取并集产生关联矩阵。自适应多机动目标跟踪算法能在有效地提高跟踪实时性的同时,减小目标机动时位置误差的超调。通过蒙特卡罗仿真表明,算法是有效的。     

一种改进的交互多模型算法

提出了一种对机动目标跟踪的交互多模型改进算法,将切向加速度均值自适应的当前统计模型与具有零均值一阶高斯-马尔可夫过程的非对称函数的法向加速度模型相结合的模型与常速模型进行交互。由于该算法对法向加速度精确建模,所以对机动目标的跟踪精度较高。仿真结果表明,该算法对机动目标的跟踪性能明显优于采用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常速模型进行交互的算法（IMM-CV/CS算法）。     

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。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）滤波框架下,引入修正的输入估计算法（Modified Input Estimation,MIE）,可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

基于不同运动模型的IMMPDA算法仿真

在现有的机动目标跟踪算法中,其中的概率数据关联（PDA）算法和交互式多模型（IMM）算法最具代表性。而在此基础上发展而来的IMMPDA算法是解决杂波环境下单机动目标跟踪问题比较有效的方法。通过对分别基于CA模型、Singer模型和“当前”统计模型的交互式多模型概率数据关联（IMMPDA）算法进行仿真,对其优缺点进行对比分析。仿真结果显示IMMPDA算法在高机动目标跟踪中具有巨大优势,不同的：运动模型基于IMMPDA都较好地实现了对高速高机动目标的滤波跟踪。     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

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。     

基于强跟踪滤波器的交互式多模型算法

针对传统的EKF-IMM算法鲁棒性较差等问题,提出了一种基于强跟踪滤波器（STF）的交互式多模型算法。该算法通过引入强跟踪滤波器（STF）的渐消因子,实现了对滤波器增益的实时调节,从而提高了系统对机动目标的自适应跟踪能力和跟踪精度。仿真结果表明,在目标不发生机动时,该算法和EKF-IMM算法的跟踪效果相近,在目标发生强机动时,该算法在径向速度和方位角的跟踪精度要优于EKF-IMM算法;提出的算法具有更优的机动目标跟踪性能。     

高速高机动目标自适应IMM跟踪算法

针对目标运动过程中有转弯机动等复杂运动模式的高速高机动目标,设计了自适应两层IMM跟踪算法。该算法内层由改进的机动目标当前统计模型构成,把目标速度方向角作为伪测量值进行滤波,实时获得目标的角速度和角加速度;外层模型由常速模型和曲线模型构成,把内层模型得到的切向加速度和转弯角速度作为曲线模型参数,利用IMM算法进行滤波。仿真结果表明,该算法对高速高机动目标具有较高的跟踪精度,算法实现简单,具有一定的实际应用价值。     

Multiple model target tracking with variable rate particle filters

Fixed rate state space models are the conventional models used to track the maneuvering objects. In contrast to fixed rate models, recently introduced variable rate particle filter (VRPF) is capable of tracking the target with a small number of states by imposing a Gamma distribution on the state arrival times while the object trajectory is approached by a single dynamic motion model. Using a single dynamic motion model limits the capability of estimating the characteristics of maneuvering and smooth regions of the trajectory. To overcome this weakness we introduce an adaptive tracking method which incorporates multiple model approach with the variable rate model structure. The proposed model referred to as multiple model variable rate particle filter (MM-VRPF) adaptively locates frequent state points to the maneuvering regions resulting in a much more accurate tracking while preserving the parsimonious representation for the smooth regions of the trajectory. This is achieved by including a mode variable into the conventional variable rate state vector that enables us to define different sojourn and motion parameters for each motion mode using the multiple model structure. Simulation results show that the proposed algorithm outperforms the conventional variable rate particle filter, fixed rate multiple model particle filter and interacting multiple model.