基于最小模型集切换的变结构IMMPF算法

为提高对机动目标的跟踪精度,提出了一种新的基于最小模型集切换的变结构IMMPF跟踪算法,其中以"当前"统计模型为基础的不同最小模型集在不同时刻之间的切换实现了多模型的结构变换。当目标机动方式发生改变时,通过最小模型集的切换实现算法的滤波模型与目标实际机动方式的快速匹配,减小了目标机动的响应时间。通过仿真实验,与通用的IMM估计进行了比较,证明了算法的优越性。

交互式动态影响图及其精确求解算法

为了表示部分可观察马尔可夫环境下,多Agent决策中各Agent之间的动态结构关系,对影响图(IDs)在结构和时间上进行扩展,形成一种能够对其他Agent建模的决策模型:交互式动态影响图(I-DIDs)。I-DIDs是不确定环境下多Agent进行序贯决策的图模型。该模型的解是在对其Agent行为概率分布的预测下提供给该Agent的最优决策,能更有效地解决多Agent的决策问题。但I-DIDs状态空间太大,Agents候选模型空间随着时间片的增加成指数级增长,使计算变得复杂。因此,提出了一种基于行为等价的最小化模型集合的方法,通过限制模型增长来缓解模型空间不断扩大的趋势,以达到简化计算的目的。在模型实例上的仿真实验结果显示了该算法的有效性。

交互式动态影响图的一种近似求解算法

提出一种基于行为等价原理分段处理交互式动态影响图(I-DID)的近似算法:先将底层I-DID模型分解成包含若干时间片的子片段,求解首片段,获得各模型的策略树,并依行为等价原理合并策略树,形成策略图,其结果作为下一片段的初始模型,再进行求解.重复这个过程,直到最后片段结束,获得完全策略图,用来指导agent是否进行模型更新.最后,针对多agent老虎问题进行试验和算法比较,试验结果从模型解的质量和模型空间大小2个方面验证了所提算法的有效性.