基于分布式变结构多模型方法的机动目标跟踪研究

"基于一致性的分布式变结构多模型方法" 本文主要讨论基于一致性的分布式变结构多模型方法在机动目标跟踪领域的应用。机动目标跟踪是状态估计领域的重要研究方向之一，广泛应用于雷达跟踪、飞行目标监测、导航等领域。传统的卡尔曼滤波方法基于先验模型的估计，但机动目标的机动性使得目标运动模式未知且剧烈变化，单模型方法难以有效解决机动目标跟踪问题。 多模型方法是目前机动目标跟踪的重要研究领域，以交互式多模型（Interacting multiple model, IMM）为代表的多模型机动目标跟踪方法结合隐马尔科夫模型（Hidden Markov models, HMM），利用模型转移概率提高对机动目标的状态估计精度。然而，Li认为实际模式空间与模型集合不一定匹配，且模型集合应适应外界条件变化，并提出变结构多模型方法（Variable structure multiple model, VSMM）。VSMM方法被国内外学者广泛关注，因为其良好的状态估计效果和灵活性。 随着传感器、计算机和通信技术发展，多传感器信息融合逐渐成为研究热点，可以分为集中式（Centralized）、分布式（Distributed）与混合式（Hierarchical）三种融合架构。基于一致性的分布式融合架构无需融合中心，具有通信带宽要求低、通信能量损耗低、且对复杂网络适应性强等优点，日益受到国内外学者关注。 基于一致性的分布式状态估计包括多种实现形式，例如卡尔曼一致滤波（Kalman consensus filter, KCF）、信息一致滤波（Information consensus filter, ICF）等。目前对一致性滤波的研究主要基于单模型方法，主要关注传感器网络内丢包、时延、动态网络拓扑、自适应一致性滤波、网络能量优化以及带牵引控制等问题。 近年来，考虑到多模型方法比单模型方法有更好的机动目标跟踪效果，Chisci等学者结合多模型思想，提出分布式交互式多模型估计方法（Distributed interacting multiple model, DIMM）。虽然变结构交互式多模型比交互式多模型具有更好的跟踪精度，但由于VSMM方法具有更好的状态估计效果和灵活性，基于一致性的分布式变结构多模型方法将成为机动目标跟踪领域的重要研究方向之一。 本文的主要贡献在于提出了一种基于一致性的分布式变结构多模型方法，结合分布式状态估计和多模型思想，解决机动目标跟踪问题。该方法具有良好的状态估计效果和灵活性，能够适应复杂的机动目标跟踪场景，具有广泛的应用前景。