摘 要：为了使交互式多模型算法更好的应用于非线性系统，将转换测量卡尔曼滤波引进到交互式多模型算法中，通过建立IMMCVCACT模型进行仿真，仿真结果表明，相对于单模型结构，引入转换测量卡尔曼滤波算法明显提高了跟踪精度。
关键词：非线性系统； 转换测量卡尔曼滤波； 交互式多模型； 跟踪精度
0 引 言
H.A.P.BIom等人提出的交互式多模型（IMM）算法[1]在多模型（MM）算法的发展过程中有着重要的意义，它是在伪贝叶斯算法的基础上提出的。它具有较高的费效比和较好的跟踪效果，可应用于混合系统的估计问题，并且易于在计算机上实现。它的基本思想是：使用多个模型来匹配目标的不同运动形式，基于每个模型的滤波器独立并行的工作，每个单独的滤波器使用卡尔曼算法滤波，不同模型间的转移概率是一个马尔可夫链[23]，最终的滤波状态估计由每个模型的滤波器加权输出。
在机动目标跟踪中，即使不太复杂的系统，一般都是非线性系统。对于非线性滤波，标准的Kalman滤波器不能直接使用，转换测量卡尔曼滤波算法（Converted Measurement Kalman Filter，CMKF）被认为是目前解决此类问题较好的一种方法。转换测量卡尔曼滤波算法是把极坐标系下的测量值经坐标变换到直角坐标系中，用统计方法求出转换后的测量值误差的均值和方差，然后利用标准卡尔曼滤波器进行滤波。
在实际跟踪问题上，由于目标运动的状态方程在直角坐标系下可以方便地描述为线性的，而传感器的测量值是在球（极）坐标系下给出的，此时测量值与目标状态之间是非线性关系。所以，将转换测量卡尔曼滤波引进到交互式多模型算法中，使其更符合实际。