ردیابی به عنوان تخمین حالت های اهداف متحرک با استفاده از مشاهدات آغشته به نویز حسگر یا حسگرها شناخته می شود. در طول سال های گذشته فیلتر های ردیابی مختلفی از قبیل فیلتر گین ثابت (فیلتر ضریب ثابت یا فیلتر های ردیاب (?-­?) و فیلتر های ردیاب (?-­?-­?)، فیلتر کالمن و... ارایه شده است. در میان این فیلتر ها فیلتر کالمن روش متداول و عامه پسندی برای تخمین حالت هاست. مشکل روش های ردیابی هدف با استفاده از فیلتر کالمن این است که معمولا اهداف دارای مد های حرکتی مختلف بوده و تنها یک مدل (استفاده از یک فیلتر کالمن) برای توصیف دقیق حرکت هدف کافی نیست. در رابطه ی با حل این مشکل می توان از چندین فیلتر مختلف برای پوشش دادن مد های حرکتی مختلف سیستم استفاده کرد که به این رویکرد روش مدل های چندگانه می گویند. در این روش در هر نمونه برداری فیلتر مناسب پیدا شده و بیشترین وزن به آن اختصاص می یابد. کارایی الگوریتم مدل های چندگانه به طور جدی وابسته به مجموعه مدل های استفاده شده توسط آن می باشد و لذا تمایل به استفاده از تعداد مدل های زیاد برای افزایش دقت این الگوریتم موجود بوده است. محققان مختلفی نشان داده اند استفاده از تعداد بیشتر مدل ها لزوما باعث افزایش کارایی این الگوریتم نمی شود و حتی باعث افزایش بار محاسباتی می گردد. رویکرد رایج برای حل این مشکل استفاده از الگوریتم های بهتر برای افزایش کارایی این الگوریتم می باشد. هدف از این پژوهش افزایش کارایی و دقت مدل های چندگانه همکارانه به عنوان یکی از مهمترین کلاس های مدل های چندگانه در حضور مانور است. در روش پیشنهاد شده، ابتدا به الگوریتم مدل های چندگانه همکارانه قابلیت تخمین شتاب افزوده می شود که این کار با استفاده از فیلتر کالمن افزوده انجام شده و قابلیت این الگوریتم را در مانورهای پایین و متوسط افزایش می دهد. در ادامه ی روند بهبود این الگوریتم، رفتار مدل های موجود در این الگوریتم با استفاده از منطق فازی به گونه ای اصلاح می شود تا مدل های موجود در آن بتوانند رنج وسیعی از مانورهای مختلف هدف را پوشش داده و در نتیجه باعث کاهش بار محاسباتی و افزایش کارایی این الگوریتم شوند. نتایج شبیه سازی نشان می دهد که روش های ارائه شده دقت این الگوریتم را برای ردیابی اهداف مانوردار نسبت به روش های ارایه شده قبل بیشتر افزایش می دهند .