基于Matlab的KF、IMM-L与IMM-CT非线性目标定位问题求助

我正在做估计理论教材里的任务，要对比Kalman Filter（KF）、IMM-L和IMM-CT在非线性转弯运动目标定位里的性能，具体要完成滤波器设计、多场景仿真和结果绘图。

我已经写了Matlab代码，但IMM-L的结果完全不符合预期，输出是一条直线，根本没法得到合理的定位轨迹。下面附上任务要求和核心代码，麻烦帮忙找问题并修正。

任务要求 #

针对做匀速转弯运动的目标，分别用KF、IMM-L（基于线性模型的交互式多模型）、IMM-CT（基于恒速转弯模型的交互式多模型）做状态估计，对比三种滤波器的定位精度和跟踪稳定性。

IMM-L核心代码片段 #

% IMM-L 模型集：匀速直线（CV）+ 匀速转弯（CT）模型
modelSet{1} = initCVModel(dt); % 初始化CV模型
modelSet{2} = initCTModel(dt, omega); % 初始化CT模型

% IMM 初始化参数
mixProb = [0.5; 0.5]; % 初始混合概率
x_imm = zeros(4, 1); % 初始状态估计
P_imm = diag([100, 100, 10, 10]); % 初始协方差矩阵

for k = 2:N
    % 更新模型概率
    [mixProb, mu] = updateModelProb(mixProb, modelSet, x_imm, z(:,k), P_imm);
    
    % 状态混合处理
    [x_mix, P_mix] = mixStates(x_imm, P_imm, mixProb, modelSet);
    
    % 各模型独立KF更新
    x_kf = cell(2,1);
    P_kf = cell(2,1);
    for i = 1:2
        [x_kf{i}, P_kf{i}] = kfUpdate(modelSet{i}, x_mix{i}, P_mix{i}, z(:,k));
    end
    
    % 融合各模型状态
    x_imm = zeros(4,1);
    P_imm = zeros(4,4);
    for i = 1:2
        x_imm = x_imm + mu(i)*x_kf{i};
        P_imm = P_imm + mu(i)*(P_kf{i} + (x_kf{i}-x_imm)*(x_kf{i}-x_imm)');
    end
    
    % 存储估计结果
    x_est_immL(:,k) = x_imm;
end

异常现象 #

运行后IMM-L输出的轨迹是一条水平直线，完全偏离了目标的转弯轨迹；而KF和IMM-CT的结果都符合预期，能正常跟踪转弯目标。

我猜测的可能问题点 #

• 状态混合阶段的状态传递逻辑是不是出错了？
• 模型概率更新的计算有没有偏差？
• 状态融合时的加权方式是不是不符合IMM-L的要求？

内容的提问来源于stack exchange，提问作者Robert d Davis