针对视距(Line of Sight,LOS)和非视距(None-Line of Sight,NLOS)混合环境机动目标跟踪问题,提出一种基于"当前"统计模型(current statistical,CS)和无迹卡尔曼滤波(unscented Kalman filter,UKF)的交互式多模型方法(IMM-UKF-...针对视距(Line of Sight,LOS)和非视距(None-Line of Sight,NLOS)混合环境机动目标跟踪问题,提出一种基于"当前"统计模型(current statistical,CS)和无迹卡尔曼滤波(unscented Kalman filter,UKF)的交互式多模型方法(IMM-UKF-CS)。该方法在交互式多模型的框架内,利用CS在机动目标跟踪方面的优势,并选择具有较高跟踪精度且计算代价较低的UKF作为子滤波器。仿真结果表明:在LOS/NLOS混合环境中,IMM-UKF-CS具有较高的跟踪精度、较强的鲁棒性及较低的时间代价,具有良好的应用价值。展开更多
基金supported by the Innovation Foundation for Doctor Dissertation of Northwestern Polytechnical University(Grant No.CX2022002)the National Natural Science Foundation of China(Grant No.11872312)the Natural Science Basic Research Plan in Shaanxi Province of China(Grant No.2020JM-233).
文摘针对视距(Line of Sight,LOS)和非视距(None-Line of Sight,NLOS)混合环境机动目标跟踪问题,提出一种基于"当前"统计模型(current statistical,CS)和无迹卡尔曼滤波(unscented Kalman filter,UKF)的交互式多模型方法(IMM-UKF-CS)。该方法在交互式多模型的框架内,利用CS在机动目标跟踪方面的优势,并选择具有较高跟踪精度且计算代价较低的UKF作为子滤波器。仿真结果表明:在LOS/NLOS混合环境中,IMM-UKF-CS具有较高的跟踪精度、较强的鲁棒性及较低的时间代价,具有良好的应用价值。
