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.     

交互式多模型算法的MT-R机器人视觉跟踪

针对机器人的视觉跟踪问题,提出了一种基于交互式多模型算法的视觉跟踪方法。该方法采用HSV颜色模型,通过交互式多模型算法进行滤波估计,获得目标的运动属性。利用交互式多模型算法对目标的位置进行一步或者N步预测,在获得下一帧的观测值后,在预测位置的区域进行目标搜索,可减少搜索区域,节省搜索时间,增加了跟踪的实时性。使用该方法对机器人足球比赛中的红色球进行搜索跟踪。实验结果表明,应用该方法可获得目标的运动属性,能快速搜索到运动目标,并能进行准确跟踪。     

三维高速机动目标跟踪交互式多模型算法

对三维机动目标,尤其是高速机动目标的跟踪一直是目标跟踪领域的重点和难点,通过二维或解耦模型扩展并不一定能满足精度要求.提出了一种基于常速模型、"当前"统计模型、带约束的三维常速率协同转弯模型的交互式多模型算法.通过对包括匀加速模型、Singer模型、"当前"统计模型在内的不同模型组合进行Monte-Carlo仿真比较表明本算法对三维高速机动目标跟踪是有效性,并具有很好的实用性.     

改进的交互式多模型跟踪算法

针对传统交互式多模型算法实行正则滤波的单一化缺点,提出一种改进的跟踪算法。利用卡尔曼滤波匹配系统线性部分,粒子滤波匹配非线性部分,根据匹配深度判断目标遮挡程度,当目标被严重遮挡时,采用迭代的多级粒子滤波方法进行重采样,并结合卡尔曼滤波更新模型概率。实验结果表明,该算法实时性强,能提高模型滤波速度和目标状态的估计精度,缩短计算时间,解决跟踪过程中的遮挡问题。     

改进IMM算法在机器人目标跟踪中的应用

在机器人对运动目标跟踪的过程中,由于目标运动状态具有多样化的特点,不能运用单一的运动模型对其进行跟踪。文中将当前统计模型(CS)和匀速模型(CV)交互,并自适应调节"当前"统计模型中的目标加速度和模型之间的转移概率,形成新的CVCSIMM算法,使其能够更有效地反映目标的机动特性。在Matlab上对本算法进行了仿真研究,并与基本CVCAIMM算法、改进前的CVCSIMM算法进行了比较。Monte Carlo仿真结果表明:本算法减小了跟踪过程中的误差,提高了对机动目标的跟踪精度。     

机动目标静态多模型算法

目标跟踪是指利用传感器测量对目标运动状态进行估计。该文针对这一问题,首先建立机动目标跟踪模型;然后实现了基于扩展卡尔曼滤波的静态多模型算法,并对静态多模型与GPB1算法进行了比较。     

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.     

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.     

交互式多模型算法的模型集设计

针对交互式多模型（IMM）算法中模型集的设计问题，提出一种模型集设计方法．在已知真实模式概率分布函数的情况下，根据要求的模型数目，等概率划分模式空间，在每个等概率模式空间上，利用方差的含义获得最大范围地覆盖模式空间的模型集，并给出一个例子说明模型集的设计方法．应用Monte-Carlo仿真．将所设计的模型集用于IMM算法进行目标跟踪．仿真结果显示跟踪精度高，表明了该模型集设计方法的有效性．     

一种面向机动目标跟踪的交互式多模型算法

针对在传感器可能偏差的情况下进行机动目标跟踪,提出一种新的交互式多模型算法,即IMM-TS-EV算法。该算法同时考虑传感器测量模型与目标运动模型这两类模型的多样性,以此处理传感器偏差性与目标机动情况。但由于考虑两类模型可能会造成模型过多而导致性能衰退,故结合扩展维特比(EV)算法以期望能有效缓解该问题,即新算法属于一种同时考虑两类模型的改进交互式多模型扩展维特比(IMM-EV)算法。最后以仿真结果验证了算法的有效性,能够利用多模型特点同时解决传感器的偏差性与目标的机动性所带来的匹配问题。     

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.     

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。     

车载雷达防追尾预警系统中的目标跟踪研究

考虑毫米波雷达测量的误差和噪声的存在,为了提高毫米波雷达汽车防追尾预警系统的可靠性,设计了一个多模型算法实现对机动车辆的准确跟踪。针对汽车在高速公路上最常见的匀速、匀加速及转弯运动模型进行仿真实验,结果表明该算法能够有效地跟踪前方行驶车辆,探知自车与前车之间距离信息、速度信息等,从而降低雷达虚警率。     

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。     

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。     

AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。     

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。     

一种模糊算法及其在多假设多目标跟踪中的应用

研究了基于模糊交互式多模型算法解决多假设多目标跟踪中的新目标数据相关问题。使用模糊交互式多模型算法处理新目标的数据相关问题,能够提高跟踪精度、时间效率。用隶属度表示每个模型与所跟踪新目标的隶属关系,根据隶属度选择最佳的模型对新目标进行跟踪。仿真结果表明,该方法不仅能够处理新目标的数据相关,同时又能够提高算法的时间效率。