【MATLAB例程】交互式多模型（IMM），模型使用：CV，CT左转、CT右转，二维平面，三个模型的IMM，滤波使用EKF

## 核心算法与模型设计 1. **IMM算法框架** - **交互（Mixing）**：基于模型转移概率矩阵 `pij` 和当前模型概率，计算混合初始状态和协方差。 - **卡尔曼滤波**：对每个模型独立进行状态预测与更新，计算残差及协方差。 - **模型概率更新**：根据残差似然函数动态调整各模型权重（`Model_P_up`函数）。 - **状态综合**：加权融合各模型输出，得到最终估计（`Model_mix`函数）。 2. **运动模型** - **CV模型（匀速）**：状态转移矩阵 `F1` 描述线性运动。 - **CT1模型（左转）**：状态转移矩阵 `F2` 含3°/s的左转弯角速度。 - **CT2模型（右转）**：状态转移矩阵 `F3` 含-3°/s的右转弯角速度。 ## 代码结构解析 1. **参数初始化** - 设置仿真时长 `time=100`，采样间隔 `T=1s`，过程噪声 `Q` 和量测噪声 `R`。 - 定义三个模型的状态转移矩阵 `F1/F2/F3` 和量测矩阵 `H`。 - 生成含噪声的仿真数据：目标在20-40秒左转，60-80秒右转，其余时间匀速。 2. **IMM迭代流程** - **初始化**：设定初始状态 `x0`、协方差 `P0` 和模型概率 `u_IMM=[0.3,0.3,0.4]`。 - **主循环**：依次执行模型交互、卡尔曼滤波、概率更新和状态综合，保存各模型及综合结果。 3. **可视化与分析** - **轨迹对比**：绘制真实轨迹、观测值、各模型及IMM估计轨迹（含局部放大图）。 - **误差分析**：计算位置和速度误差，展示IMM在x/y方向的跟踪性能。 - **模型概率曲线**：动态显示各模型