《電子技術應用》
您所在的位置:首頁 > 模擬設計 > 設計應用 > 一種時變交互多模型融合目標跟蹤方法
一種時變交互多模型融合目標跟蹤方法
2021年電子技術應用第9期
欒鑄徵,俞成龍,顧 兵,趙先濤
中國船舶重工集團公司第723研究所,江蘇 揚州225101
摘要: 針對交互多模型(IMM)目標跟蹤理論采用不變的馬爾可夫轉移概率矩陣以及在模型概率更新中采用的是殘差模型,缺乏實時適應性,提出了以多模型濾波結果為中心,以貝葉斯估計理論融合多模型跟蹤結果來更新目標狀態分布,并根據模型似然函數更新下一時刻模型概率,以當前濾波模型目標狀態分布似然函數來更新模型間馬爾可夫轉移概率矩陣。采用蒙特卡羅仿真與常規IMM方法進行了對比,對強機動目標和擾動靜態目標場景進行了仿真,結果表明該方法航跡誤差精度優于常規IMM,可以有效地對機動目標跟蹤。
中圖分類號: TN958;O212.2
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.211555
中文引用格式: 欒鑄徵,俞成龍,顧兵,等. 一種時變交互多模型融合目標跟蹤方法[J].電子技術應用,2021,47(9):111-116.
英文引用格式: Luan Zhuzheng,Yu Chenglong,Gu Bing,et al. A time varying IMM fusion target tracking method[J]. Application of Electronic Technique,2021,47(9):111-116.
A time varying IMM fusion target tracking method
Luan Zhuzheng,Yu Chenglong,Gu Bing,Zhao Xiantao
The 723 Institute of CSIC,Yangzhou 225101,China
Abstract: For interacting multiple model(IMM) target tracking theory, the invariable Markov transition probability matrix is used, and the residual model is used in the model probability updating, which is lack of real-time adaptability. In this paper, we propose to update the target state distribution based on the multi model filtering results, Bayesian estimation theory and multi model tracking results, update the model probability at the next moment according to the model likelihood function, and update the Markov transition probability matrix between models with the current filtering model target state distribution likelihood function. The Monte Carlo simulation is compared with the conventional IMM method, and the strong maneuvering target and disturbed static target scenes are simulated. The results show that the track error accuracy of this method is better than that of the conventional IMM method, and it can effectively track the maneuvering target.
Key words : Markov transition probability matrix;interacting multiple model(IMM);likelihood function;Bayesian estimation

0 引言

    因為目標受航路、動力及環境等因素影響,目標總是在做機動運動,例如反艦導彈末端變軌,高空制導炸彈拋物線運動時受到空氣阻力和重力的作用,旋翼無人機受人為控制飛飛停停等。這種機動性往往是不可預測的,使用單一固定的濾波模型很難準確跟蹤機動目標狀態,濾波器結果會發散,導致跟蹤失敗。因此由Blom和Bar-Shalom提出交互多模型(IMM)算法,采用基于位置、勻速、勻加速、Singer等多種濾波并存方式,目標狀態估計是多個濾波器交互作用的結果,采用馬爾可夫(Markov)鏈控制模型間的交互,把各個模型上一時刻的濾波值進行交互作用作為各模型的下一時刻的輸入,然后分別進行濾波,得到的結果進行模型概率加權輸出作為最終的結果,效果比單模型的好,從而IMM算法廣泛應用到各個領域[1-4]。但在常規IMM中馬爾可夫轉移概率矩陣是固定值,并且模型概率是通過卡爾曼濾波(Kalman)更新過程中產生的殘差來更新模型概率,模型概率更新及模型概率轉移沒有結合當前的目標狀態分布。所以本文提出了以模型間似然函數(Likelihood Function)及多模型貝葉斯后驗估計(Bayesian Estimation)融合思想,采用當前模型跟蹤結果更新模型交互概率和以貝葉斯估計融合多模型輸出作為目標狀態更新值,與目標實際機動情況更加符合,本文對強機動目標和擾動靜態目標進行了基于Kalman濾波器的時變IMM模型融合算法(TV-IMM)和常規IMM方法(C-IMM)仿真,結果表明時變IMM模型融合算法比常規IMM方法更有效。




本文詳細內容請下載:。




作者信息:

欒鑄徵,俞成龍,顧  兵,趙先濤

(中國船舶重工集團公司第723研究所,江蘇 揚州225101)




wd.jpg

此內容為AET網站原創,未經授權禁止轉載。
香蕉视频下载入口_香蕉视频下载安卓版污免费直播