什么是 交互式多模型（Interacting Multiple Model）？
交互式多模型（Interacting Multiple Model）是一种近似 Bayesian 状态估计算法：混合固定模型组中的条件滤波器，分别更新后再按 Posterior 模式概率组合输出。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
先交互先验假设，再运行模型滤波器组
Blom 与 Bar-Shalom 的原始方法通过在递推中特定位置合并假设，管理带 Markov 切换系数的线性系统。条件转移概率为每个目标模式混合先验均值和协方差，其中必须包含不同均值之间的协方差项。
漏掉该扩散项会低估不确定性。不同模式的状态维度、单位、坐标系与语义也必须在混合前兼容；匀速状态与带转弯率状态需要显式变换，不能直接复用数组位置。
用预测证据更新模式概率
每个模式都从混合后的初值执行预测和校正。它的 Innovation 与 Innovation Covariance 定义预测 Likelihood；该值乘以先验模式概率后，在整个模型组内归一化。维度或时间跨度可能导致下溢时应在 Log Space 中计算，并拒绝无效协方差，不能静默赋予零概率。
转移矩阵编码预期的模式驻留时间和切换频率。概率过于黏滞会延迟机动识别，过度允许切换则让概率抖动。高 Posterior 模式概率只是相对于声明模型集的证据，不证明物理系统真实处于该标签。
同时评估状态估计与模式行为
Johns Hopkins APL 教程详细说明交互、Likelihood 更新、状态组合和组件模型选择的重要性。IMM 的质量受模型组上限约束；所有候选都缺失的动力学，不可能靠概率更新恢复。
除状态 RMSE 与一致性外，还应报告切换检测延迟、误切换、模式校准、转移参数敏感性、Likelihood 截断和运行成本，并与最佳单模型及更简单的自适应噪声滤波器比较。只有允许未来观测时才可使用平滑，不能把延迟估计当成实时输出评测。
主要特点
- 维护固定数量的模式条件状态估计器
- 通过 Markov 转移矩阵预测模式概率
- 在各模式更新前混合先验均值与协方差
- 根据量测预测 Likelihood 更新模式概率
- 组合模式内与模式间两部分不确定性
- 以固定复杂度近似指数增长的切换模型 Posterior
常见用途
- 跟踪在直行、加速和转弯间切换的车辆
- 估计突然机动的飞机或水面目标
- 监测具有离散运行工况的机械设备
- 同时维护正常、降级和故障假设的导航系统
- 有限模式集下的混合系统状态估计
示例
Loading code...常见问题
交互式多模型解决什么问题？
IMM 用于系统动力学会在有限模式间切换时估计连续状态。它既不永久押注一个运动模型，也不枚举随时间指数增长的全部模式历史。
为什么该算法称为交互式？
每个模式执行专属更新前，上一时刻的估计会依据 Markov 转移矩阵得到的条件混合概率相互作用。每个目标滤波器因此从所有可能前驱模式的矩匹配组合开始。
IMM 与多模型自适应估计有什么区别？
基础独立模型组可以更新模型概率，却保持各滤波器的先验状态分离。IMM 会在滤波前显式混合模式条件状态和协方差，以固定复杂度共享信息并近似分叉的切换模型 Posterior。
IMM 的转移矩阵应如何调优？
先根据领域行为推导合理的模式驻留时间和转换，再用含足够真实切换的留出序列做敏感性验证。不能只调聚合 RMSE，还要检查检测延迟、误切换、模式校准、协方差一致性和罕见转换。
IMM 能发现模型组中不存在的运动模式吗？
不能。它只能在已声明模型之间重新分配概率。即使全部模型都错误，概率仍会归一化并显得很确定。应监控绝对 Innovation 拟合，必要时保留 Unknown 或回退策略，并根据证据修订模型集。