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。     

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。     

雷达和红外融合对高机动目标跟踪仿真研究

研究准确跟踪敌机飞行目标,可进行有效打击.针对高机动目标与运动跟踪平台的相对运动比较复杂,由于雷达定位和红外跟踪算法的模型误差大与精度损失,如何提高跟踪系统的跟踪精度是一个很大的难题.为了提高高机动目标跟踪精确度,提出交互多模型-概率数据关联算法(IMM-PDA),进行雷达与红外并行信息融合与目标跟踪.运用Markov链切换原理与概率数据关联技术有效解决了目标变速机动及复杂杂波环境下的高精度跟踪问题.同时并行融合信息,克服序贯融合中两次使用扩展卡尔曼滤波线性化造成模型误差与精度损失的缺陷,提高系统的跟踪精度.仿真结果表明,基于雷达、红外并行融合的IMM - PDA算法在跟踪高机动目标时,精度更高,验证了算法的可行性与有效性.     

基于自适应交互多模型算法的三维空间水下动态目标跟踪

自主水下机器人（AUV）动态目标跟踪技术是实现目标探测、目标侦察等任务的核心技术之一。为了跟踪机动目标,通常采用基于交互多模型（IMM）算法结合恒定速度（CV）模型和协同转弯（CT）模型;而IMM中的转移概率和CT模型中转弯速率通常根据先验信息固定,可能会导致状态估计不准确。为此,文章基于现有的自适应IMM算法,提出了一种可以自适应调整转移概率的并行IMM算法（APIMM）并结合无迹卡尔曼滤波算法（UKF）对水下三维空间中的机动目标进行状态预测,改进算法基于的模型集选择了CV模型,自适应转弯速率的三维固定中心恒定速率和转向速率（CSCTR）模型和当前统计（CS）模型。仿真结果表明,该算法能更大程度地利用后验信息,拥有更快的模型切换速度,能够对三维空间水下动态目标的状态进行预测,并且预测精度提升了约15%。     

改进匹配方法的BFG-GMPHD滤波算法

针对高斯混合概率假设密度(GMPHD)滤波算法中的机动目标跟踪问题,提出了一种改进的最佳拟合高斯(BFG)与GMPHD结合的BFG-GMPHD算法.算法对BFG近似方式做出改进,通过匹配状态转移的均值和协方差矩阵来近似多个目标动态模型中的状态转移矩阵和过程噪声的协方差矩阵,实现了滤波器与不同动态模型的匹配;在对BFG分布进行递推时,引入了模型概率更新过程,解决了BFG仅依赖于先验信息的问题.仿真实验表明:改进后的算法能滤除传感器数据中的杂波干扰,有效匹配目标运动模型的变化,更加准确地估计出目标的数目和状态,提高了跟踪的性能.     

基于局部变分贝叶斯推断的分布式交互式多模型估计

针对目前部分多模型算法预先设定运动模型转移概率矩阵对状态估计精度的不利影响,本文提出了一种基于局部变分贝叶斯推断的分布式交互式多模型估计算法.不同于传统交互式多模型估计中运动模型转移概率矩阵为先验已知的假设条件,在分布融合估计框架下,首先基于最小化Kullback-Leibler散度准则的递归优化策略实现对运动模型转移概率矩阵的预测与更新;在此基础上,结合变分贝叶斯推断实现对当前时刻目标状态与模型概率的联合估计;最后依据协方差交叉融合策略完成对局部状态估计融合.仿真结果表明:新算法通过对运动模型转移概率矩阵以及模型概率自适应在线估计,有效提升了机动目标的状态估计精度.     

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.     

一种模糊Kalman滤波机动目标跟踪的新算法

提出了一种基于模糊自适应的Kalman滤波机动目标跟踪新算法.算法首先分析了目标航向角和观测残差均能实时反应出目标机动情况,并由此设计了一种有效的模糊逻辑规则,综合利用航向角变化量和残差,通过模糊推理动态估计Kalman滤波器的过程噪声协方差,从而提高对机动目标跟踪的性能.实验结果表明,提出算法对机动目标跟踪的精度较交互式多模型(Interacting multiple model,IMM)算法高,且计算量比IMM算法小.     

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。     

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.     

双Markov多假设IMM机动目标跟踪算法

为提高交互式多模型(IMM)算法对机动目标的估计精度,需要增加其模型数量,但模型过多将导致计算量大并降低估计器性能。针对上述问题提出一种基于模型集的双马尔可夫多假设IMM机动目标跟踪算法。该算法用模型集间的马尔可夫转移阵描述模型集之间的大跳变,用模型的马尔可夫转移阵描述模型集内各模型间的小跳变或慢变,以达到细化建模、提高滤波精度的目的。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。     

容积法则辅助的交互式多模型滤波算法

交互式多模型滤波(IMM) 的交互环节使得系统状态量不再服从单纯的高斯分布, 用现有方法对其概率分布的估计存在较大的误差. 对此, 考虑到模型的混合概率是时变的, IMM的交互过程可以用非线性方程来描述, 因而采用容积卡尔曼滤波(CKF) 中的容积法则对高斯随机变量经非线性函数传播后的概率分布进行估计, 并从理论上证明了容积法则的近似精度. 仿真实验表明, 由于提高了对交互后随机变量概率分布的估计精度, 所提出的方法能够有效改善IMM在量测噪声较大时的滤波效果.

     

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。     

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.     

基于期望最大化算法的自适应噪声交互多模型滤波

A novel method under the interactive multiple model (IMM) filtering framework is presented in this paper, in which the expectation-maximization (EM) algorithm is used to identify the process noise covariance Q online. For the existing IMM filtering theory, the matrix Q is determined by means of design experience, but Q is actually changed with the state of the maneuvering target. Meanwhile it is severely influenced by the environment around the target, i.e., it is a variable of time. Therefore, the experiential covariance Q can not represent the influence of state noise in the maneuvering process exactly. Firstly, it is assumed that the evolved state and the initial conditions of the system can be modeled by using Gaussian distribution, although the dynamic system is of a nonlinear measurement equation, and furthermore the EM algorithm based on IMM filtering with the Q identification online is proposed. Secondly, the truncated error analysis is performed. Finally, the Monte Carlo simulation results are given to show that the proposed algorithm outperforms the existing algorithms and the tracking precision for the maneuvering targets is improved efficiently.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

LOS／NLOS环境中融合TOA与RSSI的IMM目标跟踪

针对视距（Line-of-sight,LOS）和非视距（None．1ine—of-sight,NLOS）混合环境中的运动目标跟踪问题,提出一种基于TOA（到达时间）与RSSI（接收信号强度）测量融合的交互式多模型（Interacting Multiple Model,IMM）鲁棒跟踪算法。目标与基站之间的LOS、NLOS传输分别用扩展卡尔曼滤波（EKF）和扩展Hoo滤波（EHF）进行匹配,并采用马尔可夫过程对模型间的转换进行描述。MonteCarlo仿真结果表明,与单纯TOA测量跟踪相比,该算法具有较高的定位精度和较好的跟踪稳定性,且计算复杂度相当,具有较好的可实现性。     

一种基于压缩域的实时跟踪改进算法

在基于压缩域的实时跟踪算法中,判别函数对目标外观考虑不足易造成跟踪精度较低。为此,提出一种改进的基于压缩域的实时跟踪算法。利用稀疏测量矩阵提取候选目标的低维多尺度特征,并根据在线更新的特征概率分布,采用朴素贝叶斯分类器判别目标与背景,实现粗跟踪。通过视频帧间候选目标内部区域所具有的相似性,在粗跟踪的基础上实施基于动态目标外观模型的二次跟踪,在线寻找目标的最佳跟踪位置。对多种跟踪视频库的测试结果表明,该算法在不过量增加计算负荷的情况下能有效提高跟踪精度。     

基于IMM Kalman滤波算法的实时追踪监控系统

将SAD匹配算法和IMM Kalman滤波算法相结合,构建了一个实时追踪监控系统的雏形.该系统通过SAD匹配算法对目标进行检测,结合IMM Kalman滤波算法使追踪更加精确,从而优化现有的监控系统.选用MATLAB对SAD匹配算法和IMM Kalman滤波算法分别进行仿真,仿真结果表明SAD匹配算法与IMM Kalm...