[发明专利]一种简化的交互式多模型跟踪方法

说明书

本发明提出了一种简化的交互式多模型(IMM)的跟踪方法，利用多个不同的模型来并行滤波，通过不同的滤波值及一定的权重原则来得到一个较好的机动目标模型和滤波输入输出。选用自适应且反应快速的三种模型组，将三个模型同时进行并行滤波，利用新息与机动频率的大小关系，按照三个模型并行滤波后对应矩阵的线性组合计算滤波递推运算的输入输出阵。利用这种简化的交互式多模型滤波方法，依然可以得到较好的跟踪滤波效果，满足技术指标的要求，同时提高了算法的执行速度和效率。本发明能较准确地描述机动目标运动状态与规律。

技术领域

本发明属于自适应跟踪算法，尤其适用于对超高速机动目标的快速跟踪定位。

背景技术

国内外针对机动目标的跟踪方法进行了大量研究，提出了最小方差滤波算法、交互式多模型算法、中值滤波、小波滤波、鲁棒H∞滤波、区间滤波、粒子滤波等不同的算法。对目标进行精确跟踪的基础就是要建立目标的运动模型。所建立的模型既要满足跟踪的精确性，又要满足计算的实时性，而目标不可能是单一的匀速、匀加速等简单的运动模型，往往伴随着不可预测的机动性。因此，机动目标模型是否能够准确描述机动目标运动状态与规律，是直接影响目标跟踪效果的重要因素。自适应性和灵活性两者之间求得一个平衡，则是模型建立的原则与标准。在识别出目标运动模式之后，采用何种滤波跟踪算法，成为另一个亟需解决的问题与难点。如何选取一个恰当且快速的滤波算法，以及如何建立一个适应该算法特别是能够准确描述机动目标运动状态与规律的模型，是直接影响滤波跟踪效果的重要因素。

目前常采用的机动目标跟踪算法有很多，其中Bar-Shalom等人提出的交互式多模型法(即IMM算法)是最有效的跟踪算法之一。IMM算法属于自适应跟踪算法，不需要机动检测，它是在多模型算法的基础上考虑多个模型的交互作用，用来获得目标的状态估计。该算法因其在计算复杂度和性能上取得较好的折衷，并且具有模块化和可递推实现以及周期计算量固定等特点，已经被证明是目前混合系统估计算法中性价比最好的算法，在目标跟踪中被广泛使用，也是目前混合多模型估计算法的研究主流。但常规的交互式多模型滤波方法由于引入了马尔科夫转移概率等方式，导致计算过程复杂，计算量大，在实现上对硬件要求较高。

发明内容

本发明提出了一种简化的交互式多模型跟踪方法，不采用常规的马尔科夫转移概率的方式进行模型交互，而是将多个模型同时进行并行滤波，利用新息与机动频率的大小关系，来决定滤波递推运算的输入与输出。滤波递推运算的状态输出、状态预测值和状态预测协方差为三个模型并行滤波后对应矩阵的线性组合。具体步骤如下：

步骤一：三个模型匀速直线模型、匀加速直线模型和机动频率给定值的“当前”统计模型分别并行卡尔曼滤波，在交互输入输出计算时，三个模型得到的新息可以按照大小分为S_max、S_mid和S_min。三个模型按照机动频率大小可以分为ma₀、ma₁和ma₂，其对应的新息为S_m0、S_m1和S_m2。

步骤二：当S_m1＝S_max时，若S_m0﹦S_min，则采用模型0的滤波值作为滤波输出，其状态预测值和状态预测协方差P₀(k|k-1)作为下一时刻的滤波输入。

当S_m1＝S_min时，若S_m0＝S_mid，此时分两种情况讨论：

1)若S_max-S_mid＞S_mid-S_min，则采用模型0与模型1的线性组合滤波值。

该值作为滤波输出。

其状态预测值。