基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

模型转移概率自适应的交互式多模型跟踪算法

该文利用量测中所包含的当前模式信息,实现了马尔可夫转移概率的实时估计,并将估计结果用于交互式多模型跟踪算法(IMM)的设计中,构造出参数自适应的交互多模型跟踪算法(PAIMM),有效降低了人为因素的影响。通过一个跟踪机动目标的仿真实例,说明PAIMM算法的有效性。

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。

高超声速飞行器新息滤波交互式多模型跟踪算法

研究临近空间高超声速飞行器在运动特点,针对强杂波环境下高速、高机动目标跟踪问题,提出用新息滤波减小观测噪声以修正模型概率更新过程的算法。Monte-Carlo仿真结果表明:该算法可以有效减小量测噪声对系统滤波的影响,提高滤波精度,在临近空间强杂波环境下具有较好的跟踪精度,具有一定工程实用价值。

融合目标雷达参数信息的交互式多模型跟踪算法

根据目标雷达参数与类型间的模糊关系,应用证据理论将目标雷达信号的载频、脉宽、重频等信息在参数维度和时间维度进行两次融合,在干扰条件下识别目标类型。进而在IMM跟踪算法中引入目标类型信息,改进模型更新过程,提高算法性能。仿真结果表明:该算法可在干扰环境下正确识别目标类型,跟踪精度优于IMM算法。

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。

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法(Interacting Multiple Model,IMM)存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计(Strong Tracking Modified Input Estimation,STMIE)模型和匀速运动(Constant Velocity,CV)模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.

基于转弯模型的自适应交互式多模型跟踪算法

针对舰炮火控系统中搜索雷达对来袭导弹跟踪为背景,提出一种基于坐标转弯模型(CT)的自适应交互多模型跟踪算法(AIMM-CV/CT),模型集取为一个匀速和一个坐标转弯模型,滤波器采用各子滤波器模型噪声方差在线计算调整的自适应交互式多模型算法;给出了比例导引规律来袭导弹的航路仿真方法,并对AIMM-CV/CT与IMM-CV/CT算法进行了仿真比较。仿真结果证明了本文算法的正确性和有效性。

交互式多模型算法在光电跟踪控制系统中应用的仿真

分析目标运动参数滤波算法在光电跟踪控制系统中的作用,在交互式多模型算法的基础上,提出了该算法在光电跟踪控制系统中的应用问题,并建立了在光电跟踪控制系统中使用的仿真模型,通过仿真环境下光电跟踪控制系统对不同目标跟踪的数据分析可知,该算法可作为光电跟踪控制系统中复合控制前馈数据的获取算法使用,光电跟踪控制系统采用交互式多模型算法比采用α-β-γ滤波算法更适合对机动目标的跟踪。

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.

基于交互式多模型算法跟踪临近空间目标

由于目前机动目标模型越来越向模块化、并行计算的方向发展,对目前算法计算效率提出了更高的要求。对于临近空间超声速机动目标一般采用多种机动模型跟踪,单一模型已经很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型(interacting multiple model,IMM)算法,这种算法特点与临近空间目标高速、高机动特性相适应。同时考虑到扩展卡尔曼滤波(extended Kalman filter,EKF)算法对强非线性对象滤波效果不好,无迹卡尔曼滤波(unscented Kalman filter,UKF)算法对于此类问题,可以很好地加以解决。仿真对比试验表明,交互式多模型-无迹卡尔曼滤波(interacting multiple model-unscented Kalman filter,IMM-UKF)算法优于单一模型EKF算法。

一种有效的交互式多模型自适应跟踪算法

从减少系统模型噪声和量测噪声入手,引入自适应机动模型和新息滤波器对IMMA 进行改进,提出新息滤波交互式多模型自适应算法(IF-IMMAA),理论分析和仿真表明新算法的有效性.

改进的交互式多模型粒子滤波目标跟踪算法

针对现有的交互式多模型粒子滤波算法存在粒子退化现象,跟踪性能不高,计算量大影响跟踪的实时性等问题,采用改进的残差重抽样算法,并在滤波前后,对各模型粒子进行输入输出交互运算,得出一种改进的交互式多模型粒子滤波目标跟踪算法。该算法在解决了粒子退化现象的同时,避免了残留粒子重采样问题,在一定程度上降低了计算量,减小了系统估计误差,提高了跟踪性能。通过仿真,验证了该算法的良好性能。

用于机动目标跟踪的自适应交互式多模型算法

针对当前统计模型对弱机动或非机动目标跟踪效果不理想等问题,提出了一种修正当前统计模型与匀速模型的自适应交互式多模型算法,可在线修正当前统计模型的加速度极限值,调整过程噪声方差,提高了当前统计模型的自适应性。同时,通过在常规匀速模型中引入机动检测机制,抑制了常规匀速模型对机动目标跟踪的滤波发散,通过引入强跟踪算法,增强了模型对目标突发机动的自适应跟踪能力。仿真结果表明,该算法充分发挥了当前统计模型和交互式多模型算法的优势,对强机动和弱机动目标都具有很好的效果。

一种改进的基于交互式模型的机动目标跟踪算法

针对传统的以匀速(CV)或匀加速(CA)运动作为目标运动模型的卡尔曼跟踪滤波器的计算量大及跟踪精度低的固有缺陷,提出了一种基于CV和CA的交互式卡尔曼滤波模型的机动目标跟踪算法,该算法能在保持直线运动跟踪精度不变的前提下,使做曲线运动的目标的跟踪精度逼近做直线运动的目标的跟踪精度。并将CV和CA模型混合起来进行仿真估计,系统仿真结果表明该算法提高了系统的跟踪精度。

机动目标跟踪的交互式多模型自适应滤波算法

采用“当前”统计模型、匀加速模型以及匀速模型 ,运用交互式多模型算法的思想 ,提出了一种用于机动目标跟踪的交互式多模型自适应滤波算法。基本思路是上述三种模型并行工作 ,利用马尔可夫切换系数在它们之间进行切换 ,目标状态估计是上述三种模型交互作用的结果。蒙特卡罗结果表明该算法不仅克服了上述三种模型各自的缺点 ,提高了对机动目标的跟踪精度 ,同时具有全面自适应跟踪能力。

交互式多模型集自适应协同滤波目标跟踪算法研究

为了解决传统交互式多模型算法静态模型集带来的精度低等局限问题,提出了一种多模型集自适应协同滤波算法。通过比较目标与当前模型集中不同模型之间的模型匹配概率,自动确定当前模型匹配中的最好模型与最坏模型,利用激活、保留和剔除策略改变固定模型集的结构以达到模型集自适应的过程。通过与其他已经提出的交互式多模型算法进行比较,实验结果表明:多模型集自适应协同滤波算法在速度、加速度以及转弯速率的状态估计上都得到了优化,在一定程度上提升了目标跟踪定位的准确性。

基于交互式“当前”统计多模型的机动目标跟踪算法

针对巡航导弹类目标的运动特性,建立了蛇形机动攻击弹道模型,提出了一种改进的交互式"当前"统计多模型算法。该算法通过引入高斯隶属函数对"当前"统计模型的加速度方差极限值进行在线调整,使其可适应不同机动程度的目标;将不同机动频率的当前统计模型作为子模型融入交互式多模型,通过不同机动频率子模型的相互作用,进一步增强交互式模型的自适应跟踪能力。仿真结果表明,该算法跟踪过程平稳,跟踪精度高,收敛速度快,计算量适中,可用于末端防空武器拦截巡航导弹类目标。

临近空间目标交互式多模型跟踪定位算法研究

针对临近空间目标,进行了深入研究,根据临近空间目标状态方程的特点,分析了目标跟踪中常用的卡尔曼滤波和粒子滤波算法的优缺点,并将这2种滤波与交互式多模型算法相结合,提出了交互式多模型-卡尔曼滤波算法和交互式多模型-粒子滤波算法,并通过CV,CA和CT 3种动力学模型进行仿真分析。仿真结果表明,采用这2种算法能够满足跟踪临近空间目标的要求,具有一定的工程实用价值。