陆新东，胡振涛，刘先省，金 勇

（河南大学计算机与信息工程学院，河南开封 475004）

0 引言

机动目标跟踪中，被估计对象一般存在多种运动模式且随时可能在各模式间切换，为有效描述机动目标状态变化过程，通常将跟踪系统建模为多模型。目前应用较为普遍的是交互式多模型（interacting multiple models，IMM）［1］，针对不同的应用背景，其子滤波器结合卡尔曼滤波器或扩展卡尔曼滤波器，但对于强非线性系统，这类算法的滤波精度不高。考虑粒子滤波器不受系统非线性和噪声类型限制的优点［2～4］，Yang N等人利用粒子滤波替换 IMM 中的子滤波器，提出IMM粒子滤波 （interacting multiple model particle filtering，IMMPF）算法［5，6］，并衍生出 IMM卡尔曼—粒子滤波器等改进算法［7］，改善强非线性对跟踪精度的影响。

然而在实际工程环境中，单传感器受到传输误差、计算误差、环境噪声和人为干扰等影响，量测值存在不确定性因素，造成估计值与真实值间存在较大误差。随着多源信息融合技术的发展，多传感器系统成为多源信息融合领域的研究热点之一，如何利用多传感器量测数据实现复杂系统状态估计具有重要意义。熊伟等人基于多源信息融合技术，提出多传感器顺序粒子滤波算法、IMM分布式估计融合算法等［8，9］，此类算法可较好地解决强机动目标的状态估计问题，而对多模式运动的目标，估计精度不能保证。基于以上分析，本文在IMMPF基础上，结合多传感器量测的特点，提出一种基于IMM的顺序粒子滤波算法，进一步提取和利用多量测的冗余和互补信息，提高系统状态估计精度。……