UKF-IMM与EKF-IMM在多目标跟踪中的性能对比

1. 项目背景与核心价值

多目标跟踪领域一直面临着复杂运动模式下的状态估计难题。传统单一模型滤波算法在目标做机动运动时，往往会出现较大的跟踪误差甚至发散。我在某次无人机集群跟踪项目中就深刻体会到了这一点——当目标突然从匀速直线运动转为盘旋机动时，基于EKF的跟踪器产生了超过50米的定位偏差。

交互式多模型(IMM)算法通过并行运行多个滤波器模型，并动态调整模型概率，为解决这一问题提供了思路。但IMM框架下的滤波器选择同样关键。EKF-IMM虽然计算量较小，但在强非线性场景下表现欠佳；而UKF-IMM通过无迹变换更好地处理非线性问题，但计算复杂度较高。这个仿真项目就是要通过定量对比，验证不同组合的实际性能差异。

2. 算法原理深度解析

2.1 IMM算法框架剖析

IMM的核心在于"交互-滤波-融合"的三步循环机制。以三模型(IMM-3)为例：

1. 交互混合：根据上一时刻的模型概率$μ_{k-1}$和马尔可夫转移矩阵$π_{ij}$，计算混合初始状态：
   $$ \hat{x}{0j}^{k-1} = \sum^{3} \hat{x}i^{k-1} μ^{k-1} $$
   其中混合权重$μ_{i|j}$通过贝叶斯公式计算得出。

2. 并行滤波：各模型独立进行预测和更新。这里就是EKF/UKF发挥作用的地方。

3. 概率更新与融合：根据各滤波器的似然函数值$Λ_j$更新模型概率：
   $$ μ_j^k = \frac{Λ_j \bar{c}_j}{c} $$
   最终输出为各模型估计的加权和。

关键经验：转移矩阵$π_{ij}$的设定需要结合实际运动模式。在无人机跟踪中，我通常设置对角元素在0.8-0.95之间，非对角元素均匀分配剩余概率。

2.2 UKF与EKF的本质差异

UKF相比EKF的核心优势在于：

1. Sigma点采样：选取2n+1个Sigma点（n为状态维数），这些点精确捕获均值和协方差：
   $$ \mathcal{X}_0 = \bar{x}, \quad \mathcal{X}_i = \bar{x} \pm (\sqrt{(n+\lambda)P_x})_i $$

2. 无迹变换：将Sigma点通过非线性函数传播