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.     

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.     

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.     

方差自适应机动目标跟踪算法研究

针对机动目标弱机动时不能自适应调整,从而对弱机动目标跟踪精度不高的缺点,提出了一种改进的方差自适应机动目标跟踪算法。新算法将机动目标的运动状态分为弱机动状态和强机动状态,并通过新息平方的统计量和当前加速度估值进行机动自适应检测,能够根据目标当前的机动特性自适应调整过程噪声协方差矩阵,使运动模型与机动目标的当前运动状态相匹配,在保持对强机动目标跟踪性能的同时,实现了对弱机动目标更为精确的跟踪。仿真结果表明,改进算法对弱机动目标的跟踪性能明显优于当前统计模型。     

改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。     

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。     

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.     

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.     

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。     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

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。     

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．     

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。     

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.     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。     

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。     

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。