基于多模型的機動目標跟蹤算法研究.pdf

1、機動目標跟蹤是目標跟蹤領域的一個重要研究方向，并且在國防科研和民用領域都有著廣泛的應用。目標跟蹤，它是一個比較典型的具有不確定性的問題。而這些不確定性主要來自選取合適的機動目標模型和濾波技術，以及由于目標運動狀態(tài)的未知性，觀測源的不確定性，多目標和環(huán)境噪聲的影響。本文在多模型算法的基礎上，對強機動目標跟蹤問題進行了深入的研究。
　　本文主要的研究工作和取得的成果如下：
　　1.本文首先介紹了目標跟蹤的基本原理，接下來介紹了目

2、標運動模型和濾波算法。建立合適的運動模型是目標跟蹤中實現(xiàn)精確跟蹤的先決條件，分別研究了各種單一模型，例如勻速模型，勻加速模型，轉彎模型，當前統(tǒng)計模型等。由于單一模型并不能很好的覆蓋機動目標的運動情況，故而對多模型算法進行了研究。實現(xiàn)機動目標跟蹤的另一個重要方面是濾波算法，早期使用的是線性的卡爾曼濾波，但由于實際中目標大多是非線性的狀態(tài)，故而研究了擴展卡爾曼，無跡卡爾曼，容積卡爾曼等非線性濾波技術。最后對采用相同濾波技術，不同目標運動模型

3、的算法進行了仿真比較；以及采用相同目標模型，不同濾波算法進行了仿真比較，最后通過仿真實驗證明了各方法的有效性。
　　2.本文提出了一種理論上較優(yōu)的方法，即平方根容積卡爾曼平滑濾波的組合式權重交互式多模型(RIMM-SRCKF-FL)。其實現(xiàn)過程為，在IMM算法的基礎上，使用了組合式權重的思想。另外，在濾波階段使用SRCKF方法，它利用球形積分準則和徑向積分準則。相比非線性濾波中使用廣泛的 UKF算法，它優(yōu)化了 UKF中的sigma

4、點采樣策略和權重分配。同時，相比CKF，SRCKF中引入QR分解，有效的避開了矩陣開方的操作，提高了濾波的穩(wěn)定性。最后，引入平滑算法，使跟蹤精度得到進一步提高。相比目前標準的交互式多模型算法，該方法提高了目標跟蹤的實時性和準確性。
　　3.基于交互式多模型算法的不足，本文研究了變結構多模型算法。重點研究了兩種變結構多模型，即格自適應多模型(AGIMM)和期望擴張模型(EMA)。在AGIMM中，將格自適應多模型分別與SRUKF和SR

5、CKF結合，研究并實現(xiàn)了基于SRUKF的格自適應多模型(AGIMM-SRUKF)和基于SRCKF的格自適應多模型(AGIMM-SRCKF)。相比標準AGIMM，跟蹤效果得到了提高。在EMA中，通過對加速度模型集的改進，使得對機動目標的跟蹤精度有了提升。具體為對加速度模型集的量化，提出了一種隨機量化方法。本文分別采用均勻量化區(qū)間和隨機量化區(qū)間進行了仿真對比分析。對于上述的研究內容，本文已經通過對應的仿真實驗得到了驗證。最后對本文所研究的內