面向二维空间机动目标跟踪的交互式多模型粒子滤波算法（Interacting Multiple Model Particle Filter，IMM-PF）。该算法将交互式多模型（IMM）框架与粒子滤波（PF）相结合，能够在目标运动模式未知或频繁切换的场景下，实现高精度的非线性状态估计。CV：匀速运动，CT：匀速圆周运动。 原创代码，禁止翻卖，可联系我获取讲解和定制
文章目录
- 程序介绍
- 运行结果
- MATLAB源代码
程序介绍
本代码实现了一种面向二维空间机动目标跟踪的交互式多模型粒子滤波算法（Interacting Multiple Model Particle Filter，IMM-PF）。该算法将交互式多模型（IMM）框架与粒子滤波（PF）相结合，能够在目标运动模式未知或频繁切换的场景下，实现高精度的非线性状态估计。
相比于传统的单模型滤波方法（如纯CV-PF或CT-PF），IMM-PF通过实时估计各子模型的概率权重，自适应地融合多个模型的估计结果，从而在目标进行机动（如转弯）时显著降低跟踪误差。
运行结果
轨迹包含匀速运动和圆周运动的部分，真值与估计值对比： 
各方法估计位置误差随时间的变化曲线如下： 
各模型实际的使用顺序是：CV、Ct、CV，下面是计算出来的各模型概率：
能看出来检测较为准确。
MATLAB源代码
部分代码如下：
% CV和CT模型组成的IMM,PF，二维
% 作者V：matlabfilter（可联系获取一对一定制、讲解）
% 2026-03-05/Ver1
%% 建模与初始化
clear; clc; close all;
rng(1); % 固定随机种子
N = 600; % 仿真时间步
T = 1; % 采样间隔
x0 = [1000;10;1000;10]; % 初始状态 [x位置, x速度, y位置, y速度]
xA = []; % 真实状态存储
%% 粒子滤波参数
Np = 1000; % 粒子数量
resample_thresh = 0.9; % 重采样阈值（有效粒子数 < Np*此值时重采样）
%% 模型定义
% CV 匀速运动模型
Q1 = 0.00001 * diag([1,1]);
fCV = @(x, w) [x(1) + T*x(2) + T^2/2*w(1);
x(2) + T*w(1);
x(3) + T*x(4) + T^2/2*w(2);
x(4) + T*w(2)];
% CT 匀速圆周运动模型
w_ct = –pi/360; % 角速度
Q2 = (0.00001)^2 * diag([1,1]);
完整代码：https://download.csdn.net/download/callmeup/92712019
如需帮助，或有导航、定位滤波相关的代码定制需求，请点击下方卡片联系作者
