交互式多模型(IMM)的自适应机动目标跟踪算法

 

(Interactive Multi-tude Model,IMM)：

 

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、Kal man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)。

 

在防空反导作战中,对机动目标的跟踪是准确估计目标位置状态、判定目标属性和建立目标航迹的关键技术,其中使用最多的交互多模型(Interactive Multi-tude Model,IMM)算法,大部分IMM算法在跟踪过程中使用的都是固定模型集,机动目标可能采取的机动模式多种多样,因而,即使IMM算法中所使用的模型集包括了所有的典型目标机动模式,对于典型机动模式之外的目标机动,使用固定模型集对这些机动进行准确描述也是困难的。因此,为了达到好地跟踪性能,一些研究人员提出使用一个更加庞大的模型集,让模型集无限趋近于完备,虽然可以解决机动模式精确匹配的问题,但是有三点技术瓶颈:其一,由于飞行器多种多样,它们所可能采用的机动模式更是纷繁复杂,逐一对其进行描述是不现实的;其二,模型集越庞大,用于选优计算的代价也越大,选优的计算量是与模型集的数量成指数关系增长的,对计算机的计算能力要求超乎想象,计算时间相应增加,增加了跟踪的延迟时间;其三,由于探测信息的不确定性,即使模型集是完备的,来自过多模型的不必要竞争反而会使选优性能下降,使用更加庞大的模型集也未必能提高性能。

 

在目标跟踪过程中 ,目标机动会引起跟踪模型和目标的实际运动状态失配 ,因此目标跟踪算法的最大困难在于机动检测。在机动目标的跟踪中 ,IMM算法是一种能比较好解决该难题的算法。IMM算法〔1〕是采用几个固定数目的模型交互来跟踪机动目标。算法中的一个模型对应一种可能的目标状态 ,每一模型为真的概率用一个概率函数来计算 ,模型的转换用一个转换概率矩阵来控制。各个子滤波器的滤波值加权混合得到交互输出的状态估计值。一架民用飞机可以被认为执行不同的飞行模式 ,譬如 ,直线运动、常加速度运动、常转弯速率运动。在IMM算法中应包含这样的几种运动状态。

 

在备份ATC系统中的应用

航迹融合处理指MSDP将雷达数据、ADS-B数据、MLAT数据等各类监视数据按照设定的条件进行关联后融合。航迹融合采用动态加权的方式，结合动态权重和静态权重进行融合。

航迹动态跟踪是对融合后生成的综合航迹进行平滑处理，防止航迹由于数据源的不稳定造成的跳变。本系统采用交互式多模型（IMM）算法实现动态跟踪。

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/7970627/viewspace-759501/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/7970627/viewspace-759501/