1.理论
在现代目标跟踪系统中,对于运动模型基本不改变的运动目标,即系统的状态
转移方程和观察方程都是线性的,那么在线性最小均方误差(LMMSE)的意义下,采
用α-β滤波、Kalman 滤波等线性滤波算法可以得到良好的滤波效果。但是对于
机动目标跟踪,由于其运动状态的不确定性，效果不好。所以提出交互式多模型
(IMM)的自适应机动目标跟踪算法。
在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延
迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型(IMM)的自适应机
动目标跟踪算法,通过 2 个目标模型的交互作用来实现对目标机动状态的自适应
估计。在工程上,将基于 CV 和"当前"统计模型的 IMM 算法应用在某导航雷达跟
踪系统中,经验证 IMM 算法对匀速直线运动、机动运动目标跟踪均能取得较好的
效果。
IMM 算法中作用权重较大的只是少部分更接近于实际系统的模型,通过对部
分系统噪声模型进行自适应辨识,计算出最接近于系统实际噪声水平的模型——
期望系统噪声模型(ES-NM)。
我们设定一个目标在二维平面中运动，其状态
X
(𝑛)
由位置、速度和加速度组
成，即
X
(
𝑛
)
=
[𝑥
(
𝑛
)
,
𝑥
1
(
𝑛
)
,𝑦
(
𝑛
)
,
𝑦
1
(
𝑛
)
]
𝑇
。假设采样间隔为 T，目标检测概率
P
𝐷
=
1
，无虚警存在，在笛卡尔坐标系下目标的离散运动模型和观测模型（假设在
采样时间 k）为:
𝑋
(
𝑘
+
1
)
=
𝐹𝑋
(
𝑘
)
+
𝐺𝑉
(
𝑘
)
𝑍
(
𝑘
)
=
𝐻
(
𝑘
)
𝑋
(
𝑘
)
+
𝑊(𝑘)
目标在二维平面内运动模型如下：
1.CV：近似匀速运动模型
CV 模型将加速度看作是随机扰动（状态噪声），取目标状态
X
(
𝑛
)
=
[𝑥
(
𝑛
)
,
𝑥
1
(
𝑛
)
,𝑦
(
𝑛
)
,
𝑦
1
(
𝑛
)
]
𝑇
，则状态转移矩阵，干扰转移矩阵和观测矩阵分别为：
F
=
1
𝑇
0
1
0
0
0
0
0
0
0
0
1
𝑇
0
1
评论3