AR预测模型的IMM跟踪算法在机动目标跟踪中的应用

需积分: 34 3 下载量 132 浏览量 更新于2024-09-06 收藏 624KB PDF 举报
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。