改进的EKF-IMM算法：STF增强的机动目标跟踪

本篇论文研究主要关注于解决传统EKF-IMM算法在机动目标跟踪中的鲁棒性问题。作者提出了一个创新的算法，即基于强跟踪滤波器（STF）的交互式多模型（IMM）方法。在当前的跟踪算法中，IMM通常结合EKF，用于处理非线性目标运动模型，尤其是当测量数据以极坐标获取而目标运动模型使用直角坐标表示时。 EKF由于其扩展性质在早期被广泛应用，但随着深入研究，其鲁棒性和对参数敏感的问题逐渐显现。STF的优势在于其强大的鲁棒性以及对机动目标的自适应跟踪能力，这使得作者能够设计出一种新的算法来改进EKF-IMM的不足。在提出的算法中，STF的渐消因子被巧妙地融入到滤波器设计中，允许实时调节滤波器增益矩阵，以更好地应对目标的机动性变化。 论文中详细介绍了三种目标运动模型：CV模型、CA模型和自适应“当前”统计（ACS）模型。CV模型和CA模型分别代表连续和离散的动力学模型，描述了目标状态随时间的变化。这些模型都是非线性并包含随机噪声，反映了实际跟踪环境中的不确定性。 文章的核心内容是设计一个能够动态调整增益的STF-IMM融合框架，它能够在目标静止或运动时保持稳定的跟踪性能，而在遇到强烈机动时，能够显著提高径向速度和方位角的跟踪精度。通过对比与EKF-IMM算法的仿真结果，证实了新算法在机动目标跟踪方面的优越性。 总结来说，这篇论文的研究旨在提升机动目标跟踪的鲁棒性和精确度，通过将STF的自适应特性和IMM的多模型融合策略相结合，创造出一种更适用于复杂环境的实时跟踪算法。这对于现代的航空电子系统、雷达技术以及其他需要高精度跟踪的应用具有重要意义。