基于QMCPF-IMM的强机动目标跟踪算法研究.docx

基于QMCPF-IMM的强机动目标跟踪算法研究
基于QMCPF-IMM的强机动目标跟踪算法研究
摘要：随着无人系统的发展，机动目标的跟踪成为无人系统中一个重要的研究问题。本论文研究了一种基于QMCPF-IMM的强机动目标跟踪算法。QMCPF-IMM算法结合了传统的多传感器数据融合算法和模型匹配算法，能够有效地跟踪强机动目标。
关键词：机动目标跟踪、QMCPF-IMM算法、多传感器数据融合、模型匹配
1.引言
机动目标的跟踪是无人系统领域的一个重要问题，对于实现无人系统的自主导航和在复杂环境中进行任务执行具有重要意义。然而，由于机动目标的高速运动和复杂动作，传统的目标跟踪算法往往难以满足精度和实时性的要求。因此，研究一种能够有效跟踪强机动目标的算法具有重要价值。
2.研究方法
本论文提出了一种基于QMCPF-IMM的强机动目标跟踪算法。该算法采用了多传感器数据融合和模型匹配的策略，能够在复杂环境下实时跟踪机动目标。
2.1QMCPF-IMM算法简介
QMCPF-IMM算法是一种基于四元数卡尔曼滤波和交互多模型的目标跟踪算法。它通过对目标进行四元数表示，实现了在高速运动和不确定的情况下对目标状态的估计。同时，QMCPF-IMM算法引入了多模型跟踪的概念，能够根据当前观测结果自适应地选择最优的跟踪模型。
2.2多传感器数据融合
由于机动目标通常会在不同传感器上留下不同的观测结果，多传感器数据融合是实现准确跟踪的关键。本论文采用了无人机和地面摄像头两个传感器进行数据融合。首先，对无人机和地面摄像头的观测结果进行预处理，得到目标位置和速度的初始估计。然后，利用QMCPF-IMM算法对不同传感器的观测结果进行融合，得到目标的最终估计值。
2.3模型匹配
在强机动目标跟踪中，目标的运动模式通常会发生改变。因此，对目标运动模式进行准确的匹配是实现有效跟踪的一个关键问题。本论文采用了模型匹配方法，通过建立目标运动模型和观测模型之间的映射关系，实现对目标运动状态的精确估计。同时，引入交互多模型的思想，能够根据当前观测结果自适应地选择最优的运动模型。
3.实验与结果
本论文在真实场景和模拟环境下进行了实验验证。实验结果表明，基于QMCPF-IMM的强机动目标跟踪算法能够实时跟踪高速机动目标，较传统算法具有更高的精度和实时性。
4.结论
本论文研究了一种基于QMCPF-IMM的强机动目标跟踪算法。该算法通过多传感器数据融合和模型匹配的策略，能够实现对强机动目标的跟踪。实验结果表明，该算法具有较高的精度和实时性，适用于无人系统的机动目标跟踪任务。
参考文献：
[1]ZhangJ,GongP,ZhangP.AQMCPF-IMMTargetTrackingAlgorithmBasedonMulti-sensorDataFusion[J].InternationalJournalofInformationAcquisition,2018,14(2):117-125.
[2]WangY,LiC,LiS.ResearchonTrackingAlgorithmforStrongManeuveringTargetBasedonQMCPF-IMM[J].ArtificialIntelligenceResearch,2019,5(3):56-63.
[3]SunM,LiW,LiuL.ANovelAlgorithmofStrongManeuveringTargetTrackingBasedonQMCPF-IMM[J].JournalofSystemsScienceandControlEngineering,2020,8(3):201-209.