基于IMM的机动目标跟踪算法研究(2)
3.3.1 机动检测基本原理 16
3.3.2 机动辨识 17
4 IMM算法 17
4.1 IMM算法原理 17
4.2 模型集的确定 19
4.2.1 基于CV与Singer模型交互的IMM算法 19
4.2.2 基于CV与CS模型交互的IMM算法 19
4.3 IMM算法步骤 21
5 仿真分析 23
5.1 系统分析与Monte Carlo仿真 23
5.2 仿真结果及分析 24
5.2.1 航迹介绍 24
5.2.2 基于CV与CA模型交互的IMM算法仿真分析 24
5.2.3 基于CV与Singer模型交互的IMM算法仿真分析 28
5.2.4 基于CV与CS模型交互的IMM算法仿真分析 32
结论 38
6.1 研究得出的结论 38
6.2 本文的不足以及尚待研究的问题 38
致谢 40
参考文献 41
1 引言
1.1 课题研究背景
目标跟踪是对运动目标（如飞行器等）状态（位置、速度、加速度等）的估计，既包括对当前状态的估计（滤波），也包括利用传感器的遥测信息对将来某一点进行估计（预测）[1]。根据跟踪目标运动形式的不同，跟踪问题可以分为机动目标跟踪与非机动目标跟踪；根据跟踪目标数目的不同，跟踪问题也可以分成单目标跟踪和多目标跟踪。
在军事及民用诸多领域，目标跟踪问题都有着重要的应用[2]。首先，目标跟踪技术在国防上有着重要的应用，例如在弹道导弹防御、空中防御、海岸警戒等方面的应用。在美国的国家导弹防御系统和区域防御系统中，目标跟踪就是核心技术之一；同时，在民用的交通、医学、工业领域中，目标跟踪也有广泛的应用，如在车辆跟踪系统、空中交通管制系统、机器人中的应用等。因此，对目标跟踪问题进行理论和应用的研究具有重大的意义。
目标跟踪技术是复杂的涉及多个学科的一门技术。由于机动的随机性、复杂性和多样性，目标跟踪系统的性能跟许多因素有关,因而对机动目标的跟踪一直是一个具有挑战的问题[3]。随着现代航空航天技术的发展，飞行器的飞行速度和机动性越来越高，提高对机动目标的跟踪性能便成为越来越重要的问题，迫切需要研究更合理的机动目标模型以及性能更加先进的滤波方法。
由于机动目标的随机性、复杂性和多样性的运动特征，使用单一的、固定的模型很难精确的描述目标的运动状态，混合系统的观点由此提出。这类系统具有参数连续变化和动态模式随机突然的特点[4]。典型的代表的Blom和Bar-Shalom提出的交互式多模型（IMM）算法[5]，它具有以下几个优点：
（1） 在满足模型完备性和互斥行条件下的最优估计；
（2） 可以在不改变系统结构的情况下，扩充新的模式；
（3） 计算量适中，有非线性滤波的优势[6]。
目前普遍认为，对机动目标的跟踪而言，较好的算法是IMM算法，而当前对机动目标跟踪的研究重点也在于此[7,8]。学者们在模型的选取、参数的选择、滤波算法等方面提出了多种改进，改进的方向通常有自适应IMM（AIMM）算法[9-11]和变结构IMM(VSMM)方法[12-14]。
1.2 目标跟踪算法的发展及研究现状