创新点说明：

在道路上行驶的目标，其速度受到道路约束。如果能获得道路信息，则可以作为先验信息引入跟踪系统提高滤波精度。目前针对道路约束下目标跟踪问题的研究只局限于简单运动模型，对于复杂运动目标跟踪问题缺少好的建模和状态估计方法。本文基于前人提出的一维运动建模滤波方法的基础上进行了进一步的研究： （1） 根据先验道路信息，建立一维道路约束坐标空间，实现约束坐标卡尔曼滤波方法，并针对该方法提出了优化的初始化方法； （2） 结合交互式多模型方法和不敏卡尔曼滤波方法提出了交互式多模型约束坐标卡尔曼滤波方法，是一种有效的非线性滤波方法，可应对复杂运动目标跟踪问题。

研究目的：

解决道路约束下目标复杂运动建模和状态估计问题。

研究方法：

（1） 通过一维运动建模方法对目标运动进行建模，该方法利用目标行驶里程数及对应的速度和加速度作为状态变量。保证目标自由度为1，相比自由空间运动建模更贴近物理实际； （2） 在一维约束坐标空间利用经典的线性卡尔曼滤波方法进行滤波，实现线性等式约束下的约束坐标卡尔曼滤波方法； （3） 通过最小均方误差融合方法将冗余的多维观测进行融合，得到更准确的初始化结果，提出多维观测联合初始化方法； （4） 将约束坐标卡尔曼滤波方法与经典的交互式多模型方法结合，引入近匀速和近匀加速模型，提出交互式多模型约束坐标卡尔曼滤波方法； （5） 针对复杂约束下约束坐标下的目标状态和地理坐标下的量测之间存在的非线性关系，引入不敏卡尔曼滤波方法进行滤波处理。

结果：

（1） 在线性等式约束场景下，约束坐标卡尔曼滤波方法滤波结果的均方根误差低于无约束状态估计方法和传统约束状态估计方法； （2） 在线性等式约束场景下，采用多维观测联合初始化方法的约束坐标卡尔曼滤波方法的初始均方根误差明显比采用传统单维观测初始化方法时低； （3） 在非线性等式约束下复杂运动目标跟踪场景下，交互式多模型约束坐标卡尔曼滤波方法滤波结果的均方根误差低于其他使用现有CV，CA，CT模型的无约束交互式多模型滤波方法。

结论：

（1） 约束坐标卡尔曼滤波方法由于模型更接近物理实际，有效抑制了模型失配现象，因此滤波精度要高于现有方法。 （2） 多维观测联合初始化方法有效利用了冗余的观测信息，通过多维观测融合过程提高了初始化过程利用的信息量，从而降低误差，提高了初始化精度。 （3） 约束坐标卡尔曼滤波方法采用一维运动建模方法，使得原本相互耦合的目标轨迹和速度相互独立，降低了描述复杂运动的难度。结合交互式多模型方法，可以有效应对目标机动。而其他算法由于模型失配，滤波结果出现不同程度的发散。由此可见，交互式多模型约束卡尔曼滤波方法是应对复杂约束下复杂运动状态估计问题的一种很有潜力的方法。

关键词：地面目标；运动建模；道路约束；初始化；交互式多模型。