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
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。
