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。

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。

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。

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。

基于交互式多模型自适应滤波AUV定位算法

为实现自主水下航行器(AUV)有效定位,针对现有单模型滤波定位算法滤波误差大、定位精度低等问题,提出一种基于交互式多模型自适应滤波AUV定位算法(IMAF)。该算法采用平滑高斯-半马尔可夫模型描述AUV运动状态,结合AUV动力学状态方程构建机动和非机动交互式运动模型;再利用平滑高斯-半马尔可夫模型状态转移概率实现AUV不同运动状态的转换进而实现自适应定位。仿真实验表明,所提算法与基于条件最小化非线性滤波算法、单模型的扩展卡尔曼滤波算法和卡尔曼滤波算法相比,AUV定位精度分别提升了53.6%,62.1%和83.5%。

基于交互式多模型的主被动站跟踪算法

在高斯白噪声下,使用交互式多模型算法融合主动站和被动站量测信息,在各类机动状态模型切换,完成对机动目标的定位跟踪。根据主动站到达目标然后到达被动站的距离和以及目标到达主被动站的方位角和俯仰角信息建立量测模型;在交互式多模型算法的基础上,在常规直线机动模型基础上引入Singer模型,模拟目标机动运动;以几何关系求解得到的目标位置作为目标初始解,相较于其他初始模型,算法具有更好的收敛性。仿真实验表明,在主被动站间距几十千米,目标与主被动站间距几百千米,到达角误差2°左右,到达时间误差20 m左右的情况下,使用交互式多模型算法跟踪目标,收敛误差在百米级别。

面向用户偏好的动态网页数据交互式查询算法

为提高网页数据查询速度、精度及工作效率,提出一种面向用户偏好的动态网页数据交互式查询算法.首先,构建用户偏好模型,增加偏好组合的演化个体适应性,综合计算适配值;其次,为防止数据冗余和重复,基于兴趣相似性,分离相似度高的查询数据和重复数据,识别出网络数据的性质;最后,利用粒子群优化算法寻找最优的动态网页数据交互式查询方案.实验结果表明:在数据集基数影响下,该算法的查询结果集质量在0.95以上;在查询最大维数影响下,该算法的查询结果集质量在0.96以上,表明其查询使用时间短、结果集精度高、自适应能力强.

变结构交互式多模型滤波和平滑算法

针对机动目标跟踪问题,提出了一种变结构交互式多模型滤波和平滑算法。首先,对多模型滤波和平滑问题进行了简单描述,并给出了前向交互式多模型滤波和后向交互式多模型平滑的数学模型;然后,建立了变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;最后,对变结构交互式多模型算法的滤波数据进行平滑处理,得到了变结构交互式多模型滤波和平滑算法。所提算法将前向滤波和后向平滑相结合,提高了目标跟踪精度。仿真结果表明,变结构交互式多模型滤波和平滑算法的跟踪效果优于其他方法。

一种自适应变结构交互式多模型算法

针对机动目标跟踪问题,提出了一种自适应变结构交互式多模型算法。对滤波问题进行了简单描述,并给出了交互式多模型算法的数学模型;建立了一种新的变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;在变结构交互式多模型算法基础上进一步设计了自适应变结构交互式多模型算法,该方法提高了模型子集和目标实际机动模式的匹配程度,从而提高了目标跟踪精度。仿真结果表明,自适应变结构交互式多模型算法的跟踪效果优于其他方法。

应用消息传递和卡尔曼模型的无线传感网定位跟踪算法

针对无线传感网系统中传感节点的定位跟踪问题,提出了一种基于消息传递和卡尔曼模型的定位跟踪算法。将目标物与多个锚节点之间的测距整理为线性混合模型,通过贝叶斯公式进行因式分解,建立因子图。假定目标物位置随时间连续移动,相邻的定位坐标之间存在潜在的缓变关系,并利用卡尔曼模型挖掘该关系,即将测距、定位和卡尔曼模型整体进行优化。在因子图中选择合适的消息更新规则,对每条边上的消息进行更新计算,形成定位跟踪算法。最后,建立虚拟和实测环境对所提算法进行数值验证。由于将测距、跟踪和卡尔曼模型融合为一个整体进行优化,相比文献中已有方法,所提定位跟踪算法在仿真环境中表现出超过2 dB的性能优势,在实测场景下也具有接近1 dB的性能增益,证明了其有效性。

基于改进TDOA与卡尔曼预测模型的目标定位跟踪算法研究

针对无人机集群无源定位领域的目标跟踪问题,提出了一种基于改进到达时间差(TDOA)算法与卡尔曼预测模型的目标定位跟踪算法。首先,针对现有基于Chan的TDOA算法在时差值精度不够时定位精度差,以及现有基于Taylor的TDOA算法受迭代初始值影响大导致算法稳健性不足的问题,提出基于Chan-Taylor的改进TDOA算法,该算法通过Chan算法快速求解出目标位置初始估计值,然后使用Taylor算法迭代求解出目标位置,在提高定位效率、缩短定位时间的基础上,提高了定位精度。其次,利用卡尔曼预测模型,将目标运动模型产生的目标位置预测值作为先验信息带入目标定位算法,通过将预测信息与定位信息有效融合,进一步提高目标定位精度。最后,通过实验仿真,从累积分布函数(CDF)、定位精度几何因子(GDOP),以及定位跟踪RMSE多个方面验证文中所提算法的正确性及有效性。

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.