[发明专利]一种自适应交互式多模型的机动目标跟踪方法

说明书

技术领域

本发明属于机动目标跟踪领域，具体涉及在交通运输领域中，当行驶中的汽车出现突然转弯、加速、减速等运动时，提出一种自适应交互式多模型的机动目标跟踪方法。

背景技术

目标跟踪是将探测传感器收到的目标移动数据结合各种不确定信息源所产生的不同观测集合进行滤波，并估计出运动目标的状态参数，比如目标的距离、方位、速度、加速度等。

单模型机动目标跟踪算法，只对非机动目标跟踪性能良好。当目标机动时，系统的跟踪性能下降，甚至导致目标丢失。为了实现对机动目标跟踪，需要针对机动目标的运动特点建立合理的运动模型。典型的运动模型有Singer模型、“当前”统计模型、交互式多模型（interacting multiple model,IMM）等。在传统的IMM模型中，假设目标在不同的运动模型之间的转移概率是固定的，这种假设并没有充分的考虑到运动模型的选择性，而是利用类似“硬判决”的思想将模型之间的转移概率固定在某个数值。事实上，当目标的运动模型具有某种趋向性，传统的IMM算法只是通过调解不同观测向量条件下运动模型的后验概率加权实现对运动模型之间的“综合”，而并没有考虑到马尔可夫转移概率矩阵设计的不合理性。

交通运输领域中，当行驶中的汽车出现突然转弯、加速、减速等运动也属于目标的机动，尤其当车辆目标突然进入弯道时，车辆运动状态较之前匀速或匀加速直线运动将发生较大的变化，如果不能有效的适应目标的机动状态，很容易造成目标的丢失，而当目标发生机动时，恰是最容易发生交通事故的时刻。交通运输领域车辆机动目标跟踪方法的主要目的是满足汽车运行中能可靠而精确地跟踪并判定目标，增强防撞探测系统运行的稳定性和可靠性，有效提高驾驶员的行车安全，保障生命财产安全。

因此，针对传统IMM跟踪算法中采用固定马尔可夫矩阵的缺点，本发明提出一种交通运输领域自适应交互式多模型的机动目标跟踪方法，提高复杂环境性下车辆机动目标跟踪系统的性能，具有重大理论意义及工程应用价值。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种稳定、可靠、环境适应性强、算法实时性高的车辆机动目标跟踪方法，提高复杂环境性下车辆机动目标跟踪系统的性能。

本发明为实现上述目的所采用的技术方案是：一种自适应交互式多模型的机动目标跟踪方法，包括以下步骤：

步骤1：建立IMM跟踪模型中的各种模型混合初始化输入，包括各模型的混合初始条件和混合初始状态的协方差矩阵；

步骤2：利用每个模型的混合输入，分别计算匀速运动模型和匀加速运动模型初始值

步骤3：根据Kalman滤波方程计算误差的协方差矩阵和新息计算估计更新；

步骤4：利用基于新息的运动模型似然比函数，建立马尔可夫状态转移概率矩阵；

步骤5：利用当前时刻获得的状态状态转移矩阵对模型条件估计进行融合，计算总体状态估计输出。

所述匀速运动模型为：

状态矢量表示为：

X=[x(k) v_x(k) y(k) v_y(k)]^T

式中，x(k)、y(k)分别表示k时刻目标在x、y方向上的位移，v_x(k)、v_y(k)分别表示k时刻目标在x、y方向上的速度；

状态转移矩阵表示为：

式中，T为相邻两个时刻的时间间隔；

系统控制量表示为：

系统过程噪声表示为：

式中，u_x(k)、u_y(k)描述了x、y方向上的过程噪声，假设为相互独立的、零均值、高斯白噪声，方差分别为和

系统观测矩阵为：

观测噪声为：

其中，v_x(k)、v_y(k)为x、y方向上的观测噪声，假设为相互独立的、零均值、高斯白噪声，方差为σ²。

所述匀加速运动模型为：

状态矢量表示为：

X=[x(k) v_x(k) a_x(k) y(k) v_y(k) a_y(k)]^T