AR预测模型的IMM跟踪算法在机动目标跟踪中的应用

AR预测模型的IMM跟踪算法 本文研究的主要内容是针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题，提出了一种基于AR预测模型的交互式多模型（Interacting Multiple Model，IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模，针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter，UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter，RUKF），通过IMM方法估计出移动台的位置，利用该位置更新AR模型的参数，使AR模型与真实运动状态更加匹配，实现精确跟踪。 知识点一：机动目标跟踪问题 机动目标跟踪是指对机动目标的位置、速度、加速度等状态信息的实时估计和跟踪。机动目标的运动状态可以用数学模型来描述，如AR预测模型、卡尔曼滤波模型等。机动目标跟踪问题是指在机动目标的运动状态不确定的情况下，如何对其进行实时跟踪和估计。 知识点二：交互式多模型（IMM）算法 交互式多模型（Interacting Multiple Model，IMM）算法是一种基于多个模型的滤波算法。该算法可以在多个模型之间“转换”，自动调节模型概率，使得跟踪算法更加鲁棒。IMM算法可以解决机动目标运动模型不确定的问题。 知识点三：AR预测模型 AR预测模型（AutoRegressive model）是一种时间序列预测模型。该模型可以用来描述机动目标的运动状态，通过对过去的观测值进行预测，可以获得当前的运动状态。AR预测模型可以与IMM算法结合，实现机动目标的鲁棒跟踪。 知识点四：无迹卡尔曼滤波器（UKF） 无迹卡尔曼滤波器（Unscented Kalman Filter，UKF）是一种非线性滤波算法。该算法可以解决非线性系统的跟踪问题，通过加权采样进行迭代获得参数的最优解。UKF算法可以在LOS环境下获得良好的跟踪性能。 知识点五：改进的无迹卡尔曼滤波器（RUKF） 改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter，RUKF）是一种改进的UKF算法。该算法可以在NLOS环境下获得良好的跟踪性能。RUKF算法可以解决机动目标运动状态不确定的问题。 知识点六：机动目标跟踪算法的评价指标 机动目标跟踪算法的评价指标包括跟踪精度、跟踪速度、跟踪鲁棒性等。跟踪精度是指算法对机动目标的位置、速度、加速度等状态信息的估计准确性。跟踪速度是指算法对机动目标的实时跟踪能力。跟踪鲁棒性是指算法对机动目标运动状态不确定的鲁棒性。