第1章：目标运动模型——从匀速到交互式多模型
各位同学，咱们今天聊聊目标运动模型。说实话，这是制导控制里最基础、也最绕不开的一块。你想想看，导弹要打中目标，首先得知道目标怎么动。目标不动？那叫打固定靶，初中生都会。但现实中的目标，它可不会乖乖等你打。
我做了十几年制导控制，见过太多因为模型选错导致脱靶的案例。嗯，今天就把我踩过的坑、总结的经验，一次性讲清楚。
4.1 匀速直线运动模型（CV模型）
先说最简单的。匀速直线运动，说白了就是目标速度大小和方向都不变。数学上怎么写？
状态向量：X = [x, y, z, vx, vy, vz]^T
状态方程：X(k+1) = F * X(k) + w(k)
其中 F 是状态转移矩阵：
F = [1, 0, 0, dt, 0, 0;
0, 1, 0, 0, dt, 0;
0, 0, 1, 0, 0, dt;
0, 0, 0, 1, 0, 0;
0, 0, 0, 0, 1, 0;
0, 0, 0, 0, 0, 1]
这个模型简单吧？但我要提醒你——千万别在实战中直接套用。为什么？因为真实目标几乎没有匀速的。我当年刚入行时，用CV模型去跟踪一架做机动转弯的无人机，结果滤波发散得一塌糊涂。后来才明白，CV模型只适用于：
- 远距离目标（机动影响可忽略）
- 短时间预测（比如1-2秒内）
- 目标确实在巡航状态
4.2 匀加速运动模型（CA模型）
比CV模型进了一步。匀加速模型假设目标加速度恒定。状态向量多了三个加速度分量：
状态向量：X = [x, y, z, vx, vy, vz, ax, ay, az]^T
状态转移矩阵 F 变成 9x9：
F = [1, 0, 0, dt, 0, 0, 0.5*dt^2, 0, 0;
0, 1, 0, 0, dt, 0, 0, 0.5*dt^2, 0;
0, 0, 1, 0, 0, dt, 0, 0, 0.5*dt^2;
0, 0, 0, 1, 0, 0, dt, 0, 0;
0, 0, 0, 0, 1, 0, 0, dt, 0;
0, 0, 0, 0, 0, 1, 0, 0, dt;
0, 0, 0, 0, 0, 0, 1, 0, 0;
0, 0, 0, 0, 0, 0, 0, 1, 0;
0, 0, 0, 0, 0, 0, 0, 0, 1]
这个模型比CV模型好用一些，但有个致命问题——真实目标的加速度很少是恒定的。你想想看，战斗机做急转弯时，加速度是时变的。用CA模型去跟踪，误差会越来越大。
我个人习惯是：如果目标做直线加速（比如导弹追击），CA模型够用。但如果目标做转弯机动，赶紧换模型。
4.3 Singer模型
好，终于说到Singer模型了。这是1970年Singer提出来的，专门解决机动目标跟踪问题。它的核心思想是：把加速度建模成一阶马尔可夫过程。
什么意思呢？就是说加速度不是恒定的，而是随时间随机变化，但变化有相关性。数学上：
加速度模型：a(k+1) = e^(-α*dt) * a(k) + w(k)
其中 α 是机动频率，反映加速度变化的快慢
w(k) 是零均值白噪声，方差由机动幅度决定
这个模型的好处是：你不需要知道目标具体怎么机动，只要调好α参数就行。α怎么选？
| 目标类型 | α推荐值 | 说明 |
|---|---|---|
| 民航客机 | 0.01 - 0.1 | 机动缓慢，变化平滑 |
| 战斗机 | 0.1 - 1.0 | 机动频繁，变化较快 |
| 导弹 | 1.0 - 10 | 高机动，变化剧烈 |
4.4 当前统计模型
这个模型是周宏仁教授在1984年提出的。它和Singer模型很像，但有个关键改进——加速度均值不再是零，而是当前估计值。
你想想看，如果目标正在做5g的机动，你用零均值去建模，肯定不准。当前统计模型把加速度均值设为当前滤波估计值，这样更贴合实际。
状态方程：
X(k+1) = F * X(k) + U * a_bar(k) + w(k)
其中 a_bar(k) 是当前加速度均值
U 是输入矩阵，把均值引入状态更新
这个模型在工程中很实用。我记得有个项目，目标做蛇形机动，用Singer模型跟踪误差很大，换成当前统计模型后，误差直接降了一半。
但要注意：当前统计模型对初始值敏感。如果初始加速度估计不准，后面会越偏越远。我建议先用Singer模型跑几秒，等滤波稳定了再切到当前统计模型。
4.5 交互式多模型（IMM）
终于到重点了。IMM是目前工程上最常用的机动目标跟踪方法。它的思路很简单：别用单一模型，用多个模型同时跑，然后加权融合。
比如，你可以同时跑CV模型、CA模型、Singer模型，每个模型都有自己的滤波器。然后根据每个模型的残差，动态调整权重。
- 输入交互：各模型的状态和协方差按概率混合
- 滤波更新：每个模型独立做卡尔曼滤波
- 概率更新：根据残差计算每个模型的似然概率
- 输出融合：按概率加权平均各模型输出
我画了一张图，帮你理解IMM的流程：
IMM的好处是：你不需要提前知道目标做什么机动。模型自己会通过概率调整，选出最合适的模型组合。我做过对比测试，IMM比单一Singer模型跟踪精度提高30%以上。
但IMM也有代价——计算量大。三个模型同时跑，计算量是单一模型的3倍。不过现在硬件性能上来了，这点计算量不是问题。
模型选择指南
说了这么多，到底怎么选？我总结了一张表：
| 场景 | 推荐模型 | 理由 |
|---|---|---|
| 远距离巡航目标 | CV模型 | 简单高效，够用 |
| 直线加速目标 | CA模型 | 比CV更准，计算量适中 |
| 中等机动目标 | Singer模型 | 参数可调，适应性强 |
| 高机动目标 | 当前统计模型 | 跟踪精度高，但需调参 |
| 未知机动目标 | IMM | 鲁棒性最强，推荐首选 |
我个人建议：如果计算资源允许，直接上IMM。它虽然复杂，但省心。你不需要猜目标怎么动，模型自己会适应。
好了，这一章就讲到这里。记住一句话：没有最好的模型，只有最合适的模型。实战中多试、多调、多对比，慢慢就有感觉了。