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.     

FB-CS模型的两层嵌套机动目标跟踪算法

针对转弯机动目标,提出了一种两层模型嵌套的跟踪算法.算法的内层模型由基于函数的“当前”统计(Function based current statistic,FB-CS)模型构成,该模型在“当前”统计(Current statistic,CS)模型的基础上,通过加权一个以新息方差之迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,再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输入;外层模型由曲线模型构成,其方向角度、角速度和角加速度由内层模型提供.由于既准确估计目标的角速度,又设计了合理的运动模型,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.     

基于改进“当前”统计模型的转弯机动跟踪算法

针对转弯机动目标跟踪,提出一种改进的“当前”统计模型对角速度进行估计．该模型在当前统计（CS）模型的基础上,通过加权一个以新息方差之迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,经滤波获得目标速度方向角．然后,将角度滤波获得的方向角度、角速度、角加速度作为曲线模型的输入,实时跟踪机动状态．新模型可准确估计目标的角速度,算法可显著提高转弯机动目标的跟踪精度,仿真实验验证了算法的有效性．     

一种基于动态规划的机动目标检测前跟踪方法

针对传统动态规划检测前跟踪算法仅适用于匀速直线运动目标或慢机动目标的局限性,提出了一种将交互式多模型(IMM)滤波与基于动态规划的检测前跟踪算法相结合的机动目标处理算法。该算法应用于近程毫米波雷达探测环境下,根据被测目标的实际运动情况建立了匀加速运动、匀速转弯运动及匀速运动模型,在动态规划算法基础上考虑了多种运动模型以及模型之间的转换和预测,避免了因模型不匹配导致的跟踪效果变差的问题。仿真结果显示,相比于传统动态规划检测算法,该算法能够更加有效地实现对机动目标的检测和跟踪,适于工程应用。     

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。     

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。     

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．     

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。     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

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.     

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）。     

IMM Kalman滤波前馈补偿技术在搜索跟踪系统中的应用

空中低慢小目标存在机动和角速率运动较大的情况,对地面搜索跟踪系统的跟踪精度提出很高要求,为了提高跟踪系统的跟踪精度,需加入伺服前馈补偿技术,精确的目标速度和加速度估计成为前馈补偿控制的难点.鉴于此,提出采用IMM卡尔曼滤波技术估计目标运动速度和加速度信息,并作为伺服前馈补偿的输入量,以消除由于目标速度和加速度运动引起的脱靶量误差.实际系统测试实验表明,搜索跟踪系统采用IMM卡尔曼滤波前馈补偿技术使得系统跟踪精度较常规卡尔曼滤波补偿提高3倍以上,模型验证有效.     

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IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法;建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响;仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。