2-12目标一会直行、一会转弯，如何持续跟踪：CV / CT / IMM 交互多模型目标跟踪

一句话介绍： 这套程序用 CV（匀速直线）和 CT（匀速转弯）两个运动模型共同跟踪一个会发生机动的二维目标，并利用 IMM（交互多模型）根据测量数据动态调整两个模型的概率，最终得到比固定单一运动模型更适合“直行—转弯—再直行”目标的状态估计结果。

先看它解决什么问题

目标跟踪最麻烦的地方，不是目标一直匀速直线运动，而是它可能突然改变运动方式。

例如一个目标可能：

先直线匀速 → 中间进入转弯 → 后面重新直线运动

如果整个过程始终只使用 CV 模型，那么转弯阶段容易出现模型失配；如果始终只使用 CT 模型，直线阶段又可能并不合适。

这个程序采用的思路是：

真实运动 + 测量噪声 → CV Kalman 跟踪 + CT Kalman 跟踪 → IMM 根据残差动态计算模型概率 → 融合两个模型结果 → 输出目标位置估计

它的核心不是“提前知道目标什么时候转弯”，而是根据每一时刻的测量结果，判断当前哪个运动模型更符合目标状态。

1. 这个程序真正实现了什么？

工程的主线非常清楚，理解下面几个文件即可。

程序实际完成四类比较：

只使用 CV 模型进行 Kalman 跟踪；

只使用 CT 模型进行 Kalman 跟踪；

使用 CV + CT 两模型构成 IMM 跟踪；

通过 50 次 Monte Carlo 仿真比较位置误差、RMSE 和模型概率。

2. 程序跟踪的目标状态是什么？

程序使用四维状态：

X = [x, vₓ, y, vᵧ]ᵀ

其中：

x：X 方向位置；vₓ：X 方向速度；

y：Y 方向位置；vᵧ：Y 方向速度。

初始状态为：

X₀ = [1000, 10, 1000, 10]ᵀ

也就是目标初始位于约 (1000, 1000)，两个方向的初始速度均为 10。

程序的测量矩阵 H 只直接观测 x 和 y，因此传感器获得的是位置测量，速度需要由动态模型和 Kalman 滤波共同估计。

3. 自带真实轨迹是怎样运动的？

produce_data.m 共生成 400 个时刻的数据，采样周期 T = 1。

运动过程非常适合用来测试 IMM：

所以整个测试目标会经历一次明显的模型切换：

CV → CT → CV

这正是交互多模型滤波器需要处理的典型问题。

4. 测量数据为什么比真实轨迹“乱”很多？

主程序不会直接把真实位置送给滤波器，而是在 x、y 测量中加入高斯噪声。

测量噪声协方差为：

R = diag(2500, 2500)

因此两个方向的测量标准差均为：

σ = √2500 = 50

也就是说，即使真实目标轨迹很平滑，每次位置测量仍可能在真实值周围发生几十米级波动。

程序真正要做的是：

从带噪位置测量中恢复更加平滑、更加接近真实目标状态的位置和速度估计。

5. CV 模型负责什么？

CV 是 Constant Velocity，也就是匀速运动模型。

它假设一个采样周期内速度基本不变，因此：

xₖ = xₖ₋₁ + T·vₓ,ₖ₋₁

yₖ = yₖ₋₁ + T·vᵧ,ₖ₋₁

速度则近似保持：

vₓ,ₖ ≈ vₓ,ₖ₋₁，vᵧ,ₖ ≈ vᵧ,ₖ₋₁

这类模型非常适合目标基本沿直线稳定运动的阶段。

在本程序中，真实轨迹前 150 个时刻和最后 130 个时刻就是由 CV 模型产生的。

6. CT 模型为什么能描述转弯？

CT 是 Constant Turn，也就是程序注释中的“匀速转弯模型”。

与 CV 不同，CT 状态转移矩阵中包含：

sin(ωT)；cos(ωT)

(1 - cos(ωT)) / ω

其中 ω 是转弯角速度。

这些三角函数使 X、Y 两个方向的速度不再完全独立，而是会随着转弯发生耦合，因此能够描述二维平面上的连续转弯运动。

真实数据生成时使用的转弯角速度为：

ω = -π / 360 rad/s

负号代表转向方向。

需要注意，主跟踪程序中的 CT 滤波模型重新设置为：

ω = -π / 270 rad/s

所以滤波器使用的 CT 模型与生成真实轨迹时并不完全一致。这意味着当前 Demo 不只是“完全已知模型条件下跟踪”，还存在一定的转弯模型失配。

7. Kalman 滤波在两个模型中做什么？

无论 CV 还是 CT，程序最终都使用 Kalman 滤波完成状态估计。

它的核心过程可以压缩成两步。

先预测

x̂ₖ⁻ = F x̂ₖ₋₁

Pₖ⁻ = F Pₖ₋₁ Fᵀ + GQGᵀ

其中：

x̂ₖ⁻：根据运动模型预测的当前状态；

Pₖ⁻：预测状态的不确定性；

F：CV 或 CT 的状态转移矩阵；

Q：过程噪声协方差。

再利用测量修正

Kₖ = Pₖ⁻Hᵀ(HPₖ⁻Hᵀ + R)⁻¹

x̂ₖ = x̂ₖ⁻ + Kₖ(zₖ - Hx̂ₖ⁻)

其中 zₖ 是当前带噪位置测量。

简单来说：

运动模型告诉程序“目标大概会走到哪里”，测量值告诉程序“传感器现在看到了哪里”，Kalman 增益 Kₖ 决定两者应该各相信多少。

8. 为什么只用一个 Kalman 模型还不够？

Kalman 滤波本身并不会自动知道目标的运动模式已经改变。

如果始终使用 CV：直线阶段通常比较合适；

目标进入转弯后，CV 的预测方向会逐渐偏离真实轨迹。

如果始终使用 CT：转弯阶段更适合；

长时间直线运动时，固定转弯假设又可能引入不必要的偏差。

所以问题不在于 Kalman 滤波“不好”，而在于：

单个 Kalman 滤波器必须依赖某一种运动模型，而机动目标的模型可能随时间改变。

IMM 就是为了解决这个问题。

9. IMM 到底做了什么？

IMM 全称 Interacting Multiple Model，即交互多模型。

当前程序同时维护两个 Kalman 滤波器：

CV 模型 + CT 模型

每一个时刻，IMM 会完成：

模型概率预测 → 两个模型状态混合 → 分别进行 Kalman 滤波 → 根据测量残差计算模型似然 → 更新模型概率 → 加权融合状态

所以它不是简单地把 CV 和 CT 各算一遍再平均，而是：

当前哪个模型更符合测量数据，哪个模型在最终结果中就占更大权重。

10. 模型概率是怎样变化的？

程序的模型转移概率矩阵为：

这意味着程序假设：

当前运动模型大概率会在下一时刻继续保持，但仍然允许以 1% 的概率切换到另一种模型。

两个模型初始概率均为 0.5。

当新的测量到来后，程序根据两个模型的预测残差和残差协方差计算似然 Λ，再更新模型概率。

两模型情况下可以理解为：

μⱼ(k) = Λⱼ(k)cⱼ / [Λ₁(k)c₁ + Λ₂(k)c₂]

其中：

μⱼ(k)：第 j 个模型更新后的概率；

Λⱼ(k)：当前测量在第 j 个模型下出现的可能性；

cⱼ：根据上一时刻模型概率和转移概率得到的先验模型概率。

如果某段时间 CT 模型明显比 CV 更能解释测量数据，那么 CT 的概率就会提高；重新进入直线运动以后，CV 概率又有机会重新占优。

11. 最终 IMM 结果怎样得到？

两个模型完成各自 Kalman 更新后，程序不会硬选其中一个，而是按照当前模型概率进行融合：

x̂_IMM = μ₁x̂_CV + μ₂x̂_CT

其中：

μ₁：CV 模型概率；

μ₂：CT 模型概率；

x̂_CV：CV 模型当前状态估计；

x̂_CT：CT 模型当前状态估计。

而且：

μ₁ + μ₂ = 1

因此 IMM 的本质可以理解成：

模型概率高的结果多占一些，模型概率低的结果少占一些。

这使滤波器能够在不同运动阶段之间平滑切换，而不是突然把一个模型完全关闭。

12. 为什么 IMM 特别适合这个任务？

优势一：它允许运动模型随时间改变

真实机动目标并不会永远遵守一个固定模型。

这份测试数据本身就经历 CV → CT → CV。如果只选一个模型，那么至少有一段时间一定会发生失配。

IMM 同时保留多个候选模型，因此更适合这种运动状态会切换的目标。

优势二：它不是提前规定“第 151 秒开始转弯”

程序虽然使用真实轨迹做仿真评价，但 IMM 滤波器并没有直接读取“现在进入 CT 阶段”这样的标签。

模型概率主要由测量残差驱动。

所以它体现的是：

根据观测数据判断当前哪个模型更可信。

这比人工提前写死模型切换时间更接近实际目标跟踪问题。

优势三：模型切换不是硬切换

如果直接在某一时刻从 CV 突然切换到 CT，一旦切换判断错误，状态估计可能出现明显跳变。

IMM 使用概率加权，使 CV 和 CT 在一段时间内可以同时存在，只是权重不同，因此模型过渡更加平滑。

优势四：能够同时利用“模型结构”和“测量证据”

CV、CT 提供不同的运动先验，Kalman 滤波负责结合测量，IMM 再利用测量似然决定模型概率。

整个结构形成：

运动模型 → 状态预测 → 测量修正 → 模型判断 → 状态融合

所以它不是只依靠轨迹几何，也不是只依靠瞬时测量，而是把多种信息结合起来。

13. 为什么不直接把测量轨迹平滑一下？

简单滑动平均确实可以降低测量噪声，但它只知道：

“附近几个位置取平均。”

它并不知道目标当前具有怎样的速度，也不知道目标可能正在转弯。

Kalman + IMM 则显式维护：

位置；速度；状态不确定性；

CV/CT 运动模型；模型切换概率。

因此它解决的不只是“曲线变平滑”，而是一个完整的动态状态估计问题。

14. 为什么不始终使用 CT 模型？

CT 看起来比 CV 更复杂，但“更复杂”并不等于始终更合适。

如果目标长期直线运动，而滤波器始终假设存在固定转弯角速度，模型反而可能产生系统性偏差。

所以多模型方法的价值恰恰在于：

不是寻找一个万能模型，而是在不同阶段让不同模型发挥作用。

15. 50 次 Monte Carlo 仿真有什么意义？

主程序设置：

MC = 50

也就是使用相同真实轨迹，但每次重新生成一组随机测量噪声，然后重复运行 CV、CT 和 IMM。

这样可以减少“某一次噪声刚好特别幸运或特别差”带来的偶然影响。

程序统计：

X、Y 方向平均位置误差；

X、Y 方向 RMSE；

两个模型的平均概率。

RMSE 的基本含义是：

RMSE = √[Σ(error²) / MC]

误差越小，说明多次随机测量条件下的跟踪结果总体越接近真实轨迹。

16. 运行后能够得到什么？

程序会把真实轨迹、带噪测量以及 CV、CT、IMM 三种跟踪结果放在一起比较，同时统计 X、Y 方向的位置误差和 RMSE。

更重要的是，它还会记录 CV、CT 两个模型概率随时间的变化。因此除了知道“跟得准不准”，还可以观察：

当目标运动方式发生变化时，IMM 是否会逐渐提高更合适模型的权重。

这比只输出一条滤波曲线更能体现 IMM 的工作机制。

17. 它适合用在哪里？

雷达机动目标跟踪

目标可能先稳定飞行，再进行转弯机动。单一 CV 模型容易在转弯阶段失配，而 IMM 可以同时维护直线和转弯模型。

车辆轨迹估计

车辆会经历直行、转向、重新直行等过程。CV + CT 是这类二维运动的经典基础组合。

无人机或移动机器人定位

当位置传感器含有明显噪声，同时运动方式又会改变时，可以利用类似的多模型状态估计思路提高轨迹连续性。

Kalman / IMM 教学实验

这个工程同时给出了数据生成、单模型 Kalman、模型概率更新和最终状态融合，比较适合理解“单模型滤波为什么会失配，以及 IMM 怎样改善”。

18. 这个程序本身有哪些优势？

对比完整： 同时实现 CV、CT 和 IMM，能够直观看到单模型和多模型之间的差别。

运动场景明确： 自带 CV → CT → CV 的 400 时刻机动轨迹，特别适合验证模型切换。

具有统计评价： 使用 50 次 Monte Carlo，而不是只展示一次随机测量结果。

模型概率可观察： 不只输出状态估计，还能看到两个运动模型的可信度变化。

代码结构清楚： Kalman 滤波、CT 矩阵和主 IMM 流程分开实现，便于学习和修改。

19. 怎么运行？

工程已经带有 data.mat，所以最直接的运行方式是：

将整个 CV_CT_IMM 文件夹放到 MATLAB 当前目录；

直接运行 IMM_TEST.m；

程序自动加载 data.mat；

自动生成带噪测量；

运行 CV、CT 和 IMM 跟踪；

完成 50 次 Monte Carlo 统计并输出结果。

如果希望重新生成真实运动轨迹，可以先运行 produce_data.m，它会重新生成并保存 data.mat，然后再运行 IMM_TEST.m。

由于 produce_data.m 中本身包含随机过程噪声，因此重新生成 data.mat 后，真实轨迹也会发生变化。

20. 哪些参数最值得修改？

可以通过这些参数研究：

测量变差后 IMM 是否仍能稳定跟踪；

模型切换概率如何影响响应速度；

CT 模型角速度不准确时跟踪结果如何变化；

不同过程噪声对模型概率和状态估计有什么影响。

21.需要注意

当前模型只包含 CV 和 CT

真实机动目标还可能出现：

加速；减速；更复杂的转弯率变化；停止；三维运动。

当前 IMM 只有两个模型，因此它适合研究“直线 + 固定转弯”类型的基础多模型跟踪，不代表已经覆盖所有机动形式。

22. 一句话看懂这个项目

这是一个 MATLAB 交互多模型目标跟踪程序：它用 CV 模型描述直线匀速运动，用 CT 模型描述二维转弯运动，再通过 Kalman 滤波分别估计目标状态，并根据测量残差实时更新两个模型的概率，最终按模型概率融合状态结果，从而适应“直线—转弯—直线”这类运动模式会发生变化的机动目标。