机动目标跟踪技术发展浅析
【目标管理)雷达机动目标跟踪技术研究
（目标管理）雷达机动目标跟踪技术研究1绪论1.1课题背景及目的目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。
它是军事和民用领域中壹个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。
于国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。
于民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。
作为科学技术发展的壹个方面，目标跟踪问题能够追溯到第二次世界大战的前夕，即1937年世界上出现第壹部跟踪雷达站SCR-28的时候。
之后，许多科学家和工程师壹直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展且且日趋完善。
运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来壹直关注的问题。
随着现代航空航天技术的飞速发展，机动目标于空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的关联性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。
机动目标的跟踪研究，已成为当今电子战的研究热点之壹。
今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且仍广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。
跟踪模型和匹配滤波是机动目标跟踪的俩个关键部分，机动目标的精确跟踪于过去和当下均是壹个难题，最根本原因于于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。
本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。
1.2机动目标跟踪技术及其发展情况目标机动是指运动当中的目标，其运动方式于不断地发生变化，从壹种形式变化为另壹种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式且不会从壹而终。
机动目标跟踪
机动目标跟踪机动目标跟踪是指在移动过程中对目标进行连续跟踪和监测，以提供实时信息和数据支持。
机动目标可以是运动中的车辆、船只、飞机等，也可以是行走的人员和动物。
机动目标跟踪的技术应用广泛，包括交通管理、安防监控、军事侦查等领域。
机动目标跟踪的关键是从图像或视频中提取目标的特征并进行有效的目标识别。
常用的目标特征包括颜色、形状、纹理和运动信息等。
在目标识别的基础上，可以利用物体的轨迹信息对目标进行跟踪。
目标跟踪的方法多种多样，包括基于视觉的方法和基于传感器的方法。
基于视觉的目标跟踪主要利用图像或视频中的像素信息来进行目标识别和跟踪。
常见的方法包括模板匹配、特征提取和目标检测等。
模板匹配是指通过与目标模板的像素值相似度来确定目标的位置。
特征提取是指从图像中提取目标的颜色、纹理和形状等特征，然后通过特征匹配来跟踪目标。
目标检测是指利用目标检测算法在图像中寻找目标的位置，然后通过跟踪算法进行目标跟踪。
基于传感器的目标跟踪则利用传感器获取的距离、速度和方位等信息进行目标识别和跟踪。
常见的传感器包括雷达、激光和红外传感器等。
利用雷达传感器可以获取目标的距离和方位信息，然后通过目标识别算法进行目标跟踪。
利用激光和红外传感器可以获取目标的距离和速度信息，然后通过跟踪算法进行目标跟踪。
机动目标跟踪的难点在于目标在移动过程中可能会发生模糊、遮挡和形变等变化。
为了解决这些问题，研究者们提出了许多改进的方法。
例如，利用多个传感器和多个视角来获取更全面的目标信息；利用深度学习和人工智能等技术对目标进行更准确的识别和跟踪。
总之，机动目标跟踪是一项具有挑战性的任务，但也是非常重要和有意义的。
通过有效的目标跟踪技术，可以提高交通管理的效率，增强安防监控的能力，提升军事侦查的水平，对于社会的发展和人类的福祉具有重要意义。
雷达机动目标跟踪技术研究
雷达机动目标跟踪技术研究1.1 课题背景及目的目的跟踪效果实践上就是目的形状的跟踪滤波效果，即依据传感器已取得的目的量测数据对目的形状停止准确的估量[1]。
它是军事和民用范围中一个基本效果，牢靠而准确地跟踪目的是目的跟踪系统设计的主要目的。
在国防范围，目的跟踪可用于反弹道导弹的进攻、空防预警、战场区域监视、准确制导和高空突防等。
在民用范围，那么用于航空和空中交通控制、机器人的路途规划和阻碍规避、无人驾驶车的跟踪行驶、电子医学等。
作为迷信技术开展的一个方面，目的跟踪效果可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时分。
之后，许多迷信家和工程师不时努力于该项课题的研讨，各种雷达、红外、声纳和激光等目的跟踪系统相继失掉开展并且日趋完善。
运动目的的机动会使跟踪系统的功用好转，对机动目的停止跟踪是人们多年来不时关注的效果。
随着现代航空航天技术的飞速开展，机动目的在空间飞行的速度、角度、减速度等参数不时变化，使得目的的位置具有很强的相关性，因此，提高对这类目的的跟踪功用便成为越来越重要的效果，迫切需求研讨更为优越的跟踪滤波方法。
机动目的的跟踪研讨，已成为当今电子战的研讨热点之一。
明天，精细跟踪雷达不只普遍运用于各类武器控制和各类实验靶场，而且还普遍运用于各种空间探测、跟踪和识别范围，以及最先进的武器控制系统。
跟踪模型和婚配滤波是机动目的跟踪的两个关键局部，机动目的的准确跟踪在过去和如今都是一个难题，最基本缘由在于跟踪滤波采用的目的动力学模型和机动目的实践动力学模型不婚配，招致跟踪滤波器发散，跟踪功用严重下降。
本文将机动目的作为研讨对象，从目的的运动建模和婚配滤波算法入手，提出或修正跟踪算法，从而完成对机动目的的准确跟踪。
1.2 机动目的跟踪技术及其开展状况目的机动是指运动当中的目的，其运动方式在不时地发作变化，从一种方式变化为另一种方式，目的的运动能够从匀速到变速，也能够送直线到转弯，它的运动方式并不会从一而终。
小车自动跟踪技术研究与应用
小车自动跟踪技术研究与应用自动跟踪技术是指利用先进的传感器、控制算法和运动控制系统，使小车能够自主地跟踪目标物体，并实现对目标物体的持续观测和追踪。
这项技术广泛应用于工业、军事、安防和科研领域，具有重要的实际应用价值。
本文将从技术原理、研究进展和应用场景等方面对小车自动跟踪技术进行研究和分析。
1. 技术原理小车自动跟踪技术的核心是利用传感器获取目标物体的位置信息，并通过控制算法控制小车的动作实现对目标物体的追踪。
常用的传感器包括摄像头、激光雷达、超声波传感器等。
摄像头通常用于实时获取目标物体的图像信息，利用图像处理算法提取目标物体的位置信息；激光雷达可以测量目标物体与小车之间的距离，利用三角测量原理计算目标物体的具体位置。
2. 研究进展近年来，小车自动跟踪技术取得了许多突破性进展。
一方面，传感器的性能不断提高，能够实现更高精度的目标物体检测和跟踪，同时还能够适应复杂环境和光照条件的变化。
另一方面，控制算法也在不断优化和改进，可以根据实时的目标物体位置信息和小车当前状态进行智能决策和动作规划，提高跟踪精度和效率。
3. 应用场景小车自动跟踪技术广泛应用于多个领域。
在工业领域，可以应用于自动化物流和装配线等环境中，实现对物品的自动捡拾和搬运。
在军事领域，可以应用于无人驾驶车辆和巡航导弹等系统中，实现自主追踪敌方目标和实施打击。
在安防领域，可以应用于安防监控系统中，提高监控效果和减少人力成本。
在科研领域，可以应用于机器人学研究和智能交通系统等方面，推动科技创新和社会进步。
4. 技术挑战和展望尽管小车自动跟踪技术取得了重要进展，但仍然存在一些挑战。
首先，目标物体的形状和状态可能会发生变化，例如运动速度、遮挡等因素都会影响跟踪效果。
因此，需要进一步研究和优化跟踪算法，提高对不同情况下的适应性。
其次，小车自身的动作控制也是一个关键问题，需要保证跟踪过程中的安全性和稳定性。
另外，对于复杂环境下的跟踪任务，还需要进一步提高多传感器融合和智能决策的能力。
基于Transformer的机动目标跟踪技术
基于Transformer的机动目标跟踪技术Transformer是一种广泛应用于自然语言处理任务的深度学习模型。
然而，在目标跟踪领域，由于其需要处理连续帧的序列数据以及对目标位置进行准确预测的需求，Transformer的应用相对较少。
本文将探讨基于Transformer的机动目标跟踪技术，并通过实验验证其性能。
一、引言目标跟踪是计算机视觉领域中的一个重要研究方向，其旨在从视频序列中准确地跟踪感兴趣的目标。
在复杂场景下，如运动快速、遮挡等情况下，目标跟踪面临巨大的挑战。
近年来，深度学习技术的快速发展为目标跟踪带来了新的机遇。
Transformer作为一种强大的序列建模工具，在自然语言处理任务中取得了显著成果。
本文将探讨如何将Transformer应用于机动目标跟踪领域。
二、基于Transformer的目标跟踪模型传统的目标跟踪方法常常基于卷积神经网络（Convolutional Neural Network, CNN）构建特征提取器，并通过分类器对目标进行分类。
然而，这种方法忽略了目标跟踪的时间依赖性，无法对目标运动进行准确预测。
为了解决这个问题，我们引入Transformer模型，用于学习序列数据中的长期依赖关系。
Transformer模型由多个注意力机制组成，其中包括自注意力机制和多头注意力机制。
自注意力机制可捕捉序列数据中的依赖关系，而多头注意力机制则增强了模型的表示能力。
在目标跟踪任务中，我们可以将视频序列看作一系列的特征向量，并利用Transformer模型对这些特征向量进行建模。
具体而言，我们可以将特征向量输入Transformer 模型中，经过多层的自注意力和多头注意力计算，然后将得到的表示向量输入分类器进行目标分类。
三、基于Transformer的目标跟踪框架基于Transformer的目标跟踪框架由特征提取器、Transformer模型和分类器组成。
首先，我们使用预先训练好的CNN网络（如ResNet）作为特征提取器，从原始图像序列中提取目标特征。
机动目标模型发展综述
机动目标模型发展综述摘要本文对机动目标模型这一问题进行了详细论述，主要介绍了该领域的研究现状，分析了现有模型的优缺点。
从未来技术需求的角度列举出机动目标模型所面临的难点问题，即模型要满足准确性、实时性、快速性和鲁棒性等需求，最后还对未来的发展研究方向进行了展望。
关键词机动;模型;综述前言建立机动目标模型的过程，又称模型化，是研究目标运动规律的重要手段和前提。
机动目标跟踪模型是机动目标跟踪理论的基础，模型的优劣直接决定着跟踪效果。
非机动模型容易建立，但对于机动模型来说建立完全符合实际运动规律的模型非常困难，主要因为目标在运动时存在很大的不确定性，常常受到人为因素和自然因素的影响，很难用精确的数学公式来描述，只能近似表述。
1 机动目标模型的发展现状1.1 匀速（CV）模型当目标以某一恒定速度运动时，运动规律相对比较简单，但是一般目标不会仅简单做匀速直线运动，状态变量会发生微小波动。
通过加入随机干扰因素，可建立二阶常速CV模型。
1.2 匀加速（CA）模型当目标以某一加速度运动时，相比匀速模型只是纵向增加了一个稳定维度，算法也并不复杂。
同样加速度也会产生微小波动，也通过把零均值高斯白噪聲分布加入到目标加速度中，可得到CA模型1.3 Singer模型1970年R.A.Singer提出了机动目标的零均值、一阶时间相关机动加速度模型，该模型对匀速直线运动和匀加速直线运动有比较好的拟合效果，对于更加复杂的运动形式不能较好的描述[1]。
1.4 Jerk模型1997年，K.Mehrotra和P.R.Mahapatra等人在Singer 模型的基础上提出了机动目标Jerk模型。
该模型通过在状态向量中引入了加速度变化率来进行补充完善。
高维信息的补充使得模型能够敏锐感知高机动目标的状态变化，具有很好的跟踪效果。
同时，加加速度变化会使目标加速度和速度不断变化，因此对于运动较慢的目标，该模型存在较大误差[2]。
1.5“当前”统计模型1983年，周宏任提出了机动目标的“当前”统计模型，该模型在single模型的基础上加入了加速度平均值项，并用修正瑞利-马尔可夫过程来描述高机动目标加速度的统计变化特性。
自动驾驶汽车中的目标检测与跟踪技术分析
自动驾驶汽车中的目标检测与跟踪技术分析随着科技的不断进步，自动驾驶汽车正逐渐成为现实。
这一新兴技术依赖于多种先进的视觉和感知技术，其中目标检测与跟踪技术起着至关重要的作用。
本文将对自动驾驶汽车中的目标检测与跟踪技术进行详细分析。
目标检测是自动驾驶汽车中的一个关键技术，它的主要任务是在行驶过程中准确地检测和识别各种交通参与者，如行人、车辆、信号灯等，并对它们进行分类。
目标检测算法通常可以分为两大类，即基于特征的方法和基于深度学习的方法。
基于特征的方法利用图像的局部统计信息来探测目标，并采用机器学习模型进行分类。
其中，常用的方法包括Haar特征、HOG特征和SIFT特征等。
这些方法在目标检测方面具有一定的准确性和稳定性，但它们对目标的不同外观和视角变化敏感，对于复杂场景的处理能力有限。
与此相比，基于深度学习的方法利用深度神经网络学习图像特征，并通过多层次的卷积和池化操作来建立对目标的抽象表示。
这种方法具有更高的准确度和鲁棒性，能够适应各种复杂场景。
常见的基于深度学习的目标检测算法有R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD等。
这些算法通过引入区域建议网络（Region ProposalNetwork）和锚框（Anchor Box）的思想，能够在速度和准确度之间取得较好的平衡。
除了目标检测，目标跟踪也是自动驾驶汽车中的重要组成部分。
目标跟踪的任务是在连续的图像序列中跟踪和定位已检测到的目标，以实时地获取目标位置和运动信息。
目标跟踪算法可以分为基于传统方法和基于深度学习的方法。
基于传统的目标跟踪方法主要依靠特征点、颜色直方图、模板匹配等技术进行目标的连续跟踪。
这些方法在速度方面有一定的优势，但对目标的遮挡、尺度变化和姿态变化等方面的鲁棒性较差。
而基于深度学习的目标跟踪方法则利用卷积神经网络学习特征表示，并使用循环神经网络或其他时间连续模型来实现目标的连续跟踪。
这些方法通过端到端的训练方式，能够准确地捕捉目标的运动信息，具有更高的鲁棒性和准确性。
无人机动目标跟踪技术研究
无人机动目标跟踪技术研究随着科技的飞速发展，无人机的应用范围不断拓展。
从最初的军事用途到现在的商业、科研、民用等各个领域，无人机已经成为了不可或缺的工具。
随着应用领域的不断扩大，无人机的功能和性能也在不断提升。
其中，无人机动目标跟踪技术已经成为无人机应用领域中的重要组成部分。
一、无人机动目标跟踪技术的定义无人机动目标跟踪技术是指通过无人机搭载的各种传感器和处理器设备，对运动中的目标进行实时跟踪、定位、识别和追踪。
通过这种技术，可以实现对各种动态目标的有效监控，包括车辆、人员、船只等。
二、无人机动目标跟踪技术的应用领域无人机动目标跟踪技术已经被广泛应用于各个领域。
其中，最主要的应用领域包括：1. 安防领域：通过搭载无人机，在城市中对重要场所和人员进行监控，实现全方位的安全监控和及时响应。
2. 搜索救援领域：通过无人机的快速响应和准确定位，对灾难中的被困人员进行救援和搜救。
3. 物流配送领域: 通过无人机对物流线路的监控和快速响应，实现快速、便捷的物流配送服务。
三、无人机动目标跟踪技术的技术难点和研究方向尽管无人机动目标跟踪技术已经有了一定的发展，但是仍然存在很多技术难点和研究方向。
其中，最主要的问题包括：1. 高速、多目标跟踪：尤其是在高速运动的目标中，无人机需要快速定位和跟踪目标，同时还需要对多个目标进行同时跟踪。
2. 夜间和低照度环境下的跟踪：现有的无人机视觉技术几乎完全依赖于外界光线，不适用于夜间和低照度环境下的跟踪。
3. 目标检测和分类：无人机需要在运动中快速、准确地对目标进行检测和分类。
同时，还需要对目标进行连续追踪和识别，避免某些障碍物和干扰物干扰跟踪。
对于这些技术难点和研究方向，我们需要持续进行研究，并不断探索新的技术和算法，以提高无人机动目标跟踪技术的精度和实用性。
四、无人机动目标跟踪技术前景展望随着无人机动目标跟踪技术的不断发展和完善，其应用领域也将不断扩大。
未来，无人机动目标跟踪技术将具备速度更快、效率更高、准确度更高的特点，将为安防、物流配送、科研等各个领域提供更加优质的服务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机动目标跟踪技术发展浅析
对机动目标进行跟踪，无论是在军事任务中还是民用领域内亦或是在情报获取方面，都
是研究信息处理的重要内容。
同时，对于怎样使用探测设备（如雷达）更好的实现对机动目
标的跟踪，一直以来都是各国专家学者们关注的重点[1]。
机动目标跟踪的主要任务是对机动目标的状态和运动轨迹在一定条件下进行估计。
在机
动目标跟踪中，在对机动目标建立合适的运动模型的同时，也要采用稳定的跟踪滤波算法。
以下将从目标模型、跟踪滤波算法这两个方面对机动目标跟踪技术的发展进行阐述。
一、目标运动模型
几乎所有的机动目标跟踪算法都要依据一定的目标运动模型，同时一个合适的目标运动
模型也能大幅改善机动目标跟踪系统的性能。
简单的目标运动模式有匀速运动和匀加速运动。
相应的，对目标可以建立匀速（CV）模型和匀加速（CA）模型。
此外，当目标进行转弯机动时，可以建立匀速率转弯（CT）模型，在此过程中，虽然目标的速度大小不改变，由于受到
一个恒定的转弯角速率（）的影响，发生变化的是速度的方向[2]。
以上三种模型较为简单，在跟踪系统中是最基础的。
但是，由于匀速和匀加速模型都将
白噪声作为扰动，当目标发生机动时，将会导致扰动增大，跟踪误差也会变大，这就意味着
模型不再适用。
对此，上世纪七十年代，R. A. Singer等人提出了一种相关噪声模型，即Singer模型。
Singer模型认为，机动控制项应该是有色噪声类型的而不是白噪声类型的[3]。
它将目标加速度作为具有指数自相关的零均值随机过程从而实现对目标的建模，并且它的时
间函数呈现出的变化规律以指数的形式衰减。
这虽然更符合实际，但是该模型只能适用于目
标在某些特定情况下的机动。
然而，在实际的目标跟踪过程中，当目标发生机动，其加速度
便会随着时间而变化，均值是不可能时时都为零的，因此这种假设也是不恰当的。
针对这一
问题，我国目标跟踪领域知名学者周宏仁在上世纪八十年代初提出了当前统计(CS)模型。
这
是对Singer模型改进而得到的机动目标运动模型，其改进主要有两点：一是利用修正的瑞利
分布来表示加速度的概率密度分布；二是采用上一时刻加速度的估计作为当前加速度的均值[4]。
上世纪九十年代末，Kishore Mehrotra在一阶时间模型上加入了加速度的导数项，提出
了Jerk模型。
该模型假设目标机动加速度的导数项（加速度的变化率）服从一阶时间相关过
程且均值为零,其时间相关函数与Singer模型相一致，也呈现出指数形式上的衰减。
二、跟踪滤波算法
目标运动模型是机动目标跟踪系统的基础，而跟踪滤波算法则是设计一个目标跟踪系统
的核心内容。
上个世纪四十年代，美国控制论著名学者N. Wiener在火力控制系统中为解决
如何进行精确跟踪的问题时提出一种线性最佳滤波理论，即维纳滤波。
维纳滤波是一种频域
滤波方法，它要求信号必须是一维条件下的严格平稳信号，适用条件严苛，适用范围小。
上
个世纪六十年代，美国学者卡尔曼（Kalman）在对美国航空航天局（NASA）访问后，提出了
一种时间域上基于最小均方误差估计的滤波算法，即卡尔曼滤波算法，自此现代滤波理论开
始形成。
随着科学技术的不断发展，机动目标跟踪领域已经涌现出了诸多更成熟的算法，其
中研究较热门，应用前景较广阔的主要有自适应跟踪算法和多模型跟踪算法。
上世纪五十年代末，美国通用电气公司（GE）的工程师霍尔斯（P. Howells）和阿普鲍
姆（P. Applebaum）两人在对天线辐射进行研究时,为了提高天线的方向性，率先给出了自适
应滤波的概念。
发展至今，自适应滤波算法的理论成果大致可以分为三类，第一类是基于最
小均方误差（LMS）的自适应滤波算法。
该算法最早是由美国斯坦福大学的学者霍夫（M. Hoff）和维德罗（B. Widrow）基于维纳滤波的原理所提出的。
后来，针对LMS算法中步长因
子对算法的收敛速度和稳态失调量影响较大的问题，又形成了多种LMS的扩展与改进算法,例如变步长最小均方误差算法（VSSLMS）、归一化最小均方误差算法（NLMS）。
第二类是基
于递推最小二乘法（RLS）的自适应滤波算法。
递推最小二乘算法（RLS）是利用递推计算的
基本思想来计算最小二乘法（LS）的解，在RLS算法的基础上又发展了快速RLS算法、快速递推最小二乘格型（FRLSL）算法、基于QR分解的分块自适应算法等性能更优的算法。
第三类是基于卡尔曼滤波算法的自适应滤波算法。
这当中包括相关法AKF、抗野值AKF、基于新息的AKF、基于神经网络的AKF、基于模糊逻辑的AKF等等。
这些算法都是为了提高卡尔曼滤波算法的动态性能，改善卡尔曼滤波在目标机动时的跟踪效果而提出的。
多模型算法是目前混合系统估计所采用的一类主要方法，上世纪六十年代中期，由D. T. Magill提出了最早的多模型(MM)算法。
其原理是采用固定个数的模型，每个模型都有其对应的滤波器，最后在输出端进行信息的融合处理。
这种算法存在的缺点是所采取的模型之间不存在相互之间的联系。
在此之后，很多人对这种算法进了改进。
如上世纪八十年代中后期由Blom和Bar Shalom提出的基于一阶马尔卡夫过程的交互多模型（IMM）算法。
该算法所采用的模型之间存在相互联系，但由于该算法采用的是固定模型集，仍旧无法对现实中目标的机动状态进行充分的描述。
针对这一问题，1996 年由X. R. Li与Bar Shalom提出了一种所采取的模型集能够自适应转换的变结构交互式多模型（VSIMM）算法。
在进入21世纪之后，一系列自适应跟踪效果更好的IMM改进算法如雨后春笋般涌现了出来。
2001年，L. A. Johnston 和V. Krishnamurthy提出了一种重加权交互式多模型（RIMM）算法。
2006年，T. J. Ho提出了一种将扩展维特比(EV)算法与IMM算法相结合的算法。
2010年，X. Fu等人提出了SIMM、DIMM及矩阵权重交互式多模型（MIMM）算法。
2015年，W. Li与Y. Jia将加权KL散度与条件概率密度函数联系在了一起，提出了信息理论交互式多模型（IT-IMM）算法。
随着科技的发展，时代的进步，一方面，机动目标的机动性能的持续改善、跟踪环境的日趋复杂，导致对机动目标进行跟踪越来越艰难。
如美国的F-22“猛禽”战机能够在超越音速的状态之下完成“J”型这种对飞机性能要求极高的高难度动作。
另一方面，对于机动目标的跟踪技术在航空航天等领域的应用越来越广泛。
为了能对目标展开更加准确的跟踪，对跟踪滤波效果更好的滤波算法和更加匹配的机动目标跟踪模型的研究就显得尤为紧迫。
参考文献
[1]刘昌云. 雷达机动目标运动模型与跟踪算法研究[D]. 西安. 西安电子科技大学，2014.
[2]刘成成. 复杂环境下强机动目标跟踪算法研究[D]. 上海. 上海交通大学，2015.
[3]刘楠. 基于机动目标跟踪模型的自适应滤波算法[D]. 杭州. 浙江理工大学，2016.
[4]侯磊. 机动目标跟踪算法的研究[D]. 大连. 大连海事大学，2015。