基于交互式多模型平方根容积卡尔曼滤波的船舶轨迹跟踪

摘要

[目的]针对船舶运动状态变化复杂场景下扩展卡尔曼滤波(EKF)的误差不稳定,以及单一运动模型的表征能力受限等问题,提出一种基于交互式多模型(IMM)平方根容积卡尔曼滤波(SCKF)的船舶轨迹跟踪算法。[方法]引入SCKF,并代替EKF来执行自动识别系统(AIS)数据的轨迹跟踪;采用交互式多模型框架将恒速直线模型(CVM)、当前统计模型(CSM)和恒定转向率模型(CTM)及改进的CTM模型进行交互融合,形成3种组合模型来表征AIS轨迹的运动状态,并进行船舶轨迹跟踪实验。[结果]结果显示,对于航向、航向率和航速均发生变化的轨迹,采用组合模型1跟踪时,在轨迹6中SCKF相比EKF的位置信息的均方根误差变化幅度小,精度提高了30.06%;采用组合模型3跟踪时,相比EKF,SCKF在轨迹6中位置信息的均方根误差波动的范围最小,误差减小了60.80%,组合模型3的性能最好,但计算量也最大;对于航速不发生变化的复杂轨迹,采用组合模型2跟踪的性能接近组合模型3。[结论]所提方法能够提高AIS数据的精度并保证AIS数据误差波动的稳定性,为提高船舶运动跟踪和监测提供了可能性。