曾雅俊 王 俊 魏少明 孫進(jìn)平 雷 鵬

(北京航空航天大學(xué)電子信息工程學(xué)院 北京 100191)

1 引言

大數(shù)據(jù)時(shí)代，隨著傳感器監(jiān)測場景越加復(fù)雜，單傳感器監(jiān)測系統(tǒng)已經(jīng)不能滿足人們的要求。為了解決復(fù)雜場景下的多目標(biāo)跟蹤問題，將單傳感器多目標(biāo)跟蹤擴(kuò)展為多傳感器多目標(biāo)跟蹤勢在必行。多傳感器目標(biāo)跟蹤系統(tǒng)采用信息融合方式實(shí)現(xiàn)對目標(biāo)的有效跟蹤，是一種多傳感器信息融合系統(tǒng)。作為現(xiàn)代傳感器系統(tǒng)的核心關(guān)鍵技術(shù)，多傳感器目標(biāo)跟蹤與信息融合技術(shù)在軍事指揮和工業(yè)控制中已得到廣泛應(yīng)用[1,2]。在軍事領(lǐng)域，目標(biāo)跟蹤與信息融合廣泛應(yīng)用于天地一體化組網(wǎng)探測。其中，由蜂群無人機(jī)、無人車、無人船等構(gòu)成的立體組網(wǎng)跟蹤系統(tǒng)能對隱身目標(biāo)進(jìn)行有效探測。目前，美國、歐洲、俄羅斯等國已經(jīng)擁有多個(gè)軍用組網(wǎng)跟蹤系統(tǒng)，如美國的多平臺多傳感器目標(biāo)跟蹤處理系統(tǒng)INCA[3]，北約的指揮控制信息系統(tǒng)NATOCCIS[4]，俄羅斯的貝加爾戰(zhàn)術(shù)系統(tǒng)BANKAA等[5]。近年來，我國也在加快戰(zhàn)略防御系統(tǒng)的研究，將目標(biāo)跟蹤與信息融合列為國防科技的重點(diǎn)項(xiàng)目。在工業(yè)領(lǐng)域，目標(biāo)跟蹤與信息融合也廣泛應(yīng)用于自動駕駛、氣象監(jiān)控、生物醫(yī)學(xué)等[6-9]。因此，目標(biāo)跟蹤與信息融合是有效、可靠、實(shí)用的信息處理工具，推動了社會的發(fā)展與進(jìn)步[10,11]。

多傳感器目標(biāo)跟蹤技術(shù)又稱多傳感器融合技術(shù)，其按體系結(jié)構(gòu)可分為集中式、分布式和混合式3類[12-14]。其中，集中式信息融合系統(tǒng)是將各傳感器獲取的原始量測信息送入中央處理器進(jìn)行時(shí)空配準(zhǔn)、數(shù)據(jù)關(guān)聯(lián)、跟蹤等處理，這種融合方式信息量損失小、數(shù)據(jù)融合精度高，能達(dá)到最優(yōu)意義上的融合[15-23]。但是集中式融合對數(shù)據(jù)質(zhì)量要求較高，需要較大通信帶寬，會加重融合中心負(fù)擔(dān)，導(dǎo)致數(shù)據(jù)處理實(shí)時(shí)性差。分布式信息融合系統(tǒng)的每個(gè)傳感器都有各自的數(shù)據(jù)處理中心，可以獨(dú)自對獲得的量測數(shù)據(jù)進(jìn)行處理。各局部傳感器將處理壓縮后的數(shù)據(jù)送入融合中心，并在融合中心進(jìn)行組合與推理，最終實(shí)現(xiàn)信息融合。與集中式融合相比，分布式融合對信道容量要求低、容錯(cuò)性強(qiáng)、易于擴(kuò)展[24-27]?；旌鲜叫畔⑷诤夏Ｐ鸵蟾鱾鞲衅飨蛉诤现行耐瑫r(shí)發(fā)送原始的量測和經(jīng)過處理后形成的局部目標(biāo)航跡，兼顧了集中式和分布式的優(yōu)點(diǎn)，但混合式融合方式的結(jié)構(gòu)比前兩種融合方式復(fù)雜，增加了通信和計(jì)算上的代價(jià)[28-30]。由于分布式融合結(jié)構(gòu)簡單、易于實(shí)現(xiàn)且應(yīng)用廣泛，因此本文主要對分布式多傳感器多目標(biāo)跟蹤(Distributed Multi-sensor Multi-target Tracking,DMMT)體系中的目標(biāo)跟蹤、傳感器配準(zhǔn)、航跡關(guān)聯(lián)、數(shù)據(jù)融合等關(guān)鍵技術(shù)及其相互關(guān)系進(jìn)行歸納總結(jié)。整體框架如圖1所示，圖中的數(shù)據(jù)融合僅代表信息融合的最終階段。

圖1 分布式多傳感器多目標(biāo)跟蹤流程圖Fig.1 Flowchart of distributed multi-sensor multi-target tracking

客觀上講，信息技術(shù)、網(wǎng)絡(luò)技術(shù)等領(lǐng)域的突破推動了分布式多傳感器多目標(biāo)跟蹤技術(shù)的發(fā)展，從相關(guān)研究的興起到今天，該技術(shù)始終是國內(nèi)外研究人員的重點(diǎn)研究課題，相關(guān)成果不斷涌現(xiàn)。但是分布式多傳感器多目標(biāo)跟蹤是一個(gè)龐大的體系架構(gòu)，其包含諸多關(guān)鍵技術(shù)且比較分散，大量研究往往基于某種特定場景或針對特定關(guān)鍵技術(shù)展開，缺乏較為系統(tǒng)的梳理與總結(jié)。本文總結(jié)了國內(nèi)外相關(guān)研究機(jī)構(gòu)和院校在分布式多傳感器多目標(biāo)跟蹤關(guān)鍵技術(shù)領(lǐng)域的研究進(jìn)展，同時(shí)結(jié)合仿真實(shí)驗(yàn)，分析了典型空間配準(zhǔn)技術(shù)與航跡關(guān)聯(lián)技術(shù)的理論原理與應(yīng)用條件；歸納了現(xiàn)有關(guān)鍵技術(shù)中存在的不足，并指出其未來發(fā)展趨勢，為該領(lǐng)域今后的研究課題提供一定參考。

2 目標(biāo)跟蹤技術(shù)研究進(jìn)展

目標(biāo)跟蹤作為多源信息融合的重要研究內(nèi)容，是實(shí)現(xiàn)傳感器組網(wǎng)探測的重要途徑。目標(biāo)跟蹤的本質(zhì)是利用各傳感器獲得的帶噪聲量測數(shù)據(jù)，對目標(biāo)的狀態(tài)和個(gè)數(shù)進(jìn)行估計(jì)的過程。本節(jié)主要對單傳感器目標(biāo)跟蹤涉及的理論原理與研究方法進(jìn)行詳細(xì)總結(jié)。

2.1 貝葉斯濾波原理

分布式傳感器通過目標(biāo)跟蹤產(chǎn)生各自的目標(biāo)航跡。目標(biāo)跟蹤按目標(biāo)探測個(gè)數(shù)分為單目標(biāo)跟蹤和多目標(biāo)跟蹤，它們都基于貝葉斯框架進(jìn)行遞歸濾波。貝葉斯遞歸建立在目標(biāo)的狀態(tài)模型和觀測模型基礎(chǔ)上，且主要包括預(yù)測和更新兩個(gè)步驟[31]。

在貝葉斯遞推的預(yù)測步驟中，利用狀態(tài)轉(zhuǎn)移概率密度fk|k-1(xk|xk-1)對上一時(shí)刻的后驗(yàn)概率密度函數(shù)fk-1|k-1(xk-1|Zk-1)遞推，獲得目標(biāo)狀態(tài)的先驗(yàn)概率密度函數(shù)fk|k-1(xk|Zk-1)。在更新步驟中，通過引入當(dāng)前時(shí)刻的測量值zk，對目標(biāo)狀態(tài)的先驗(yàn)概率密度進(jìn)行更新，從而得到后驗(yàn)概率密度函數(shù)fk|k(xk|Zk)。后驗(yàn)概率密度函數(shù)fk|k(xk|Zk)封裝了目標(biāo)狀態(tài)xk的 所有信息，同時(shí)包含了量測集合Zk及狀態(tài)先驗(yàn)分布的信息。該時(shí)刻的狀態(tài)可利用最小均方差估計(jì)(Minimum Mean Squared Error,MMSE)或最大后驗(yàn)估計(jì)(Maximum A Posteriori,MAP)得到[1]。貝葉斯濾波適用于線性和非線性系統(tǒng)，線性系統(tǒng)狀態(tài)的最小均方誤差估計(jì)可由卡爾曼濾波方程給出。對于非線性系統(tǒng)，由于后驗(yàn)概率密度函數(shù)fk|k(xk|Zk)的閉式解非常困難，所以產(chǎn)生了許多非線性系統(tǒng)次優(yōu)濾波算法，如擴(kuò)展卡爾曼濾波(Extended Kalman Filter,EKF)[32]、無跡卡爾曼濾波(Unscented Kalman Filter,UKF)[33]、容積卡爾曼濾波(Cubature Kalman filter,CKF)[34]、粒子濾波(Particle Filter,PF)等[35]。

2.2 單傳感器目標(biāo)跟蹤方法

單目標(biāo)跟蹤場景下，目標(biāo)測量數(shù)據(jù)比較簡單，使用常見的單目標(biāo)濾波算法就能解決其問題。相較于單目標(biāo)跟蹤，多目標(biāo)跟蹤方法更加復(fù)雜，一般分為數(shù)據(jù)關(guān)聯(lián)類多目標(biāo)跟蹤方法和隨機(jī)有限集類多目標(biāo)跟蹤方法。

數(shù)據(jù)關(guān)聯(lián)類多目標(biāo)跟蹤方法最初是Sittler在20世紀(jì)60年代提出，主要用于建立量測與目標(biāo)的對應(yīng)關(guān)系，此后Bar-Shalom等人[36,37]將數(shù)據(jù)關(guān)聯(lián)和卡爾曼濾波相結(jié)合，加快了多目標(biāo)跟蹤技術(shù)的發(fā)展。具有代表意義的關(guān)聯(lián)類跟蹤算法有聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probability Data Association,JPDA)算法[38-40]、聯(lián)合綜合概率數(shù)據(jù)關(guān)聯(lián)(Joint Integrated Probability Data Association,JIPDA)算法[41]、最近鄰數(shù)據(jù)關(guān)聯(lián)(Nearest Neighbor,NN)算法[42,43]、多假設(shè)跟蹤(Multiple Hypothesis Tracking,MHT)算法等[44,45]，這些算法在面對多目標(biāo)跟蹤任務(wù)時(shí)，通過數(shù)據(jù)關(guān)聯(lián)，將多目標(biāo)跟蹤問題轉(zhuǎn)化為單目標(biāo)跟蹤進(jìn)行解決。

1994年，Mahler等人利用有限集統(tǒng)計(jì)學(xué)(Finite Set Statistics,FISST)提出了處理多目標(biāo)跟蹤問題的最優(yōu)多傳感器多目標(biāo)貝葉斯濾波器，在不進(jìn)行數(shù)據(jù)關(guān)聯(lián)的條件下，完成對目標(biāo)狀態(tài)的估計(jì)。由于采用隨機(jī)有限集進(jìn)行貝葉斯遞歸時(shí)會涉及復(fù)雜積分運(yùn)算而無法用于工程實(shí)踐，為了解決這一問題，Mahler[46,47]提出了概率假設(shè)密度(Probability Hypothesis Density,PHD)濾波器。由于PHD只傳遞一階矩，不能對多目標(biāo)的數(shù)目進(jìn)行有效估計(jì)，之后Mahler[47]又提出了勢均衡概率假設(shè)密度(Cardinalized Probability Hypothesis Density,CPHD)濾波器，該濾波器不僅傳遞后驗(yàn)概率密度的一階矩，同時(shí)還傳遞勢分布。針對軌跡集合，文獻(xiàn)[48]提出了基于最小化KL散度的軌跡概率假設(shè)密度(Trajectory Probability Hypothesis Density,TPHD)濾波器和軌跡勢均衡概率假設(shè)密度(Trajectory Cardinalized Probability Hypothesis Density,TCPHD)濾波器，它們均是通過遞歸傳播泊松多軌跡密度對存活軌跡進(jìn)行推理實(shí)現(xiàn)多目標(biāo)跟蹤。此后，Vo等人[49,50]提出了多目標(biāo)多伯努利(Multitarget Multi-Bernoulli,MeMBer)濾波器，它直接用多伯努利分布來逼近多目標(biāo)后驗(yàn)密度，對當(dāng)前時(shí)刻多目標(biāo)狀態(tài)和個(gè)數(shù)進(jìn)行估計(jì)。由于上述隨機(jī)有限集類(Random Finite Set,RFS)多目標(biāo)跟蹤算法無法為目標(biāo)分配航跡，因此文獻(xiàn)[51,52]提出了廣義標(biāo)簽多伯努利(Generalized Labeled Multi-Bernoulli,GLMB)濾波器，它通過在濾波過程中引入標(biāo)簽使得隨機(jī)集算法也能輸出目標(biāo)航跡信息。為了提升GLMB濾波器計(jì)算效率，Reuter等人[53]提出了標(biāo)簽多伯努利(Labeled Multi-Bernoulli,LMB)濾波器，它不僅繼承了多伯努利濾波器在狀態(tài)估計(jì)方面的優(yōu)點(diǎn)，還提高了目標(biāo)航跡標(biāo)簽估計(jì)的準(zhǔn)確性。基于多目標(biāo)共軛先驗(yàn)這一特性，文獻(xiàn)[54]又提出了泊松多伯努利混合(Poisson Multi-Bernoulli Mixture,PMBM)濾波器，并證明了δ-GLMB濾波器是PMBM帶有標(biāo)簽的特例。目前，以上介紹的多目標(biāo)跟蹤算法已經(jīng)得到廣泛應(yīng)用，其跟蹤精度直接影響到后續(xù)多傳感信息融合性能。表1給出了典型的單傳感器多目標(biāo)跟蹤方法及其性能對比。

表1 典型的多目標(biāo)跟蹤方法性能對比Tab.1 Performance comparison of different multi-target tracking methods

3 分布式傳感器配準(zhǔn)技術(shù)研究進(jìn)展

在分布式多傳感器多目標(biāo)跟蹤過程中，需要把來自多個(gè)傳感器的數(shù)據(jù)轉(zhuǎn)換到相同的時(shí)空參照系中。由于不同傳感器傳輸速率及采樣周期不同，而且存在傳感器系統(tǒng)偏差和量測誤差，直接進(jìn)行轉(zhuǎn)換會降低數(shù)據(jù)融合精度，因此在對多傳感器數(shù)據(jù)處理時(shí)需要進(jìn)行傳感器時(shí)空配準(zhǔn)[55]。由于時(shí)間配準(zhǔn)與空間配準(zhǔn)對融合結(jié)構(gòu)不敏感，故本文列出的配準(zhǔn)方法稍加變化同樣適用于集中式融合系統(tǒng)。

3.1 分布式傳感器時(shí)間配準(zhǔn)

時(shí)間配準(zhǔn)就是將各傳感器對同一目標(biāo)的異步量測信息配準(zhǔn)到同一時(shí)刻。典型的時(shí)間配準(zhǔn)方法有最小二乘法[56-58]、內(nèi)插外推法、曲線插值法、曲線擬合法[59,60]以及卡爾曼濾波類方法[61,62]。最小二乘法最早由Blair教授提出，它通過將多個(gè)數(shù)據(jù)壓縮成一個(gè)新的量測數(shù)據(jù)以達(dá)到數(shù)據(jù)對齊，但這種方法只適用于勻速運(yùn)動目標(biāo)，對非勻速運(yùn)動目標(biāo)會產(chǎn)生模型失配，導(dǎo)致配準(zhǔn)效果不理想。內(nèi)插外推法通過內(nèi)插外推方式實(shí)現(xiàn)時(shí)間對齊，該方法一般將高精度觀測數(shù)據(jù)向低精度觀測數(shù)據(jù)推算以實(shí)現(xiàn)多類傳感器的時(shí)間同步。最小二乘法與內(nèi)插外推法模型相對簡單，因此應(yīng)用廣泛。

曲線插值與曲線擬合適用于非均勻采樣場景。其中，曲線插值方法是在內(nèi)插外推法的基礎(chǔ)上采用曲線替代直線進(jìn)行插值，曲線擬合法則是直接通過量測數(shù)據(jù)擬合形成一條光滑曲線，然后進(jìn)行重采樣獲取對應(yīng)時(shí)刻數(shù)據(jù)。這兩種方法性能基本相同，計(jì)算量都會隨著選擇參與計(jì)算的節(jié)點(diǎn)數(shù)的增加而呈指數(shù)增長?？柭鼮V波類方法可以調(diào)整目標(biāo)運(yùn)動模型，在目標(biāo)運(yùn)動狀態(tài)復(fù)雜時(shí)，相比于其他時(shí)間配準(zhǔn)方法，配準(zhǔn)精度會明顯提高。圖2與表2給出了常見的時(shí)間配準(zhǔn)方法及其性能對比。

表2 多傳感器時(shí)間配準(zhǔn)方法性能對比Tab.2 Comparison of multi-sensor time registration methods

圖2 時(shí)間配準(zhǔn)方法Fig.2 Time registration methods

3.2 分布式傳感器空間配準(zhǔn)

空間配準(zhǔn)是利用多傳感器對空間公共目標(biāo)的探測信息對傳感器的系統(tǒng)偏差進(jìn)行估計(jì)和補(bǔ)償?shù)倪^程，它可以提高信息融合精度[63]。

圖3中傳感器A、傳感器B分別對同一參考目標(biāo)T進(jìn) 行測量，獲得相應(yīng)的量測 TA和 TB。由于配準(zhǔn)誤差(ΔrA,ΔθA)和 (ΔrB,ΔθB) 與姿態(tài)角累積誤差 Δφ的存在，量測 TA和 TB相距目標(biāo)真值存在一定偏差。這種偏差不僅影響后續(xù)參數(shù)估計(jì)精度，嚴(yán)重時(shí)甚至?xí)`判為兩個(gè)目標(biāo)，導(dǎo)致虛假目標(biāo)的出現(xiàn)。故在分布式傳感器信息融合過程中，首先需要對各個(gè)傳感器的偏差進(jìn)行修正。

圖3 空間配準(zhǔn)幾何示意圖Fig.3 Illustration of spatial registration

常見的空間配準(zhǔn)算法按目標(biāo)類型可分為合作目標(biāo)空間配準(zhǔn)與非合作目標(biāo)空間配準(zhǔn)[64]。兩類配準(zhǔn)算法的區(qū)別體現(xiàn)在是否已知目標(biāo)的位置。若已獲知目標(biāo)的精確位置，可采用合作目標(biāo)空間配準(zhǔn)算法實(shí)現(xiàn)傳感器的精確配準(zhǔn)。若無法提前獲知目標(biāo)的準(zhǔn)確位置，則采用非合作目標(biāo)空間配準(zhǔn)算法。通常，基于合作目標(biāo)的配準(zhǔn)算法適用于傳感器出廠校準(zhǔn)，而基于非合作目標(biāo)的配準(zhǔn)算法則適用于系統(tǒng)偏差變化及一些無法安置校準(zhǔn)源的場合。但在實(shí)際工程應(yīng)用中往往難以獲得目標(biāo)的準(zhǔn)確位置，因此本文主要對非合作目標(biāo)空間配準(zhǔn)方法進(jìn)行綜述。

非合作目標(biāo)的空間配準(zhǔn)算法又可以分為離線空間配準(zhǔn)算法和在線空間配準(zhǔn)算法兩類。離線配準(zhǔn)算法認(rèn)為傳感器系統(tǒng)偏差在一段時(shí)間內(nèi)保持不變，將其建模為固定值并對其進(jìn)行估計(jì)，離線空間配準(zhǔn)算法主要包括最小二乘法(Least Squares,LS)[65-67]、廣義最小二乘法(General Least Squares,GLS)[68]、實(shí)時(shí)質(zhì)量控制法(Real Time Quality Control,RTQC)[69]、精確極大似然估計(jì)法(Exact Maximum Likelihood,EML)[70,71]和極大似然配準(zhǔn)法(Maximum Likelihood Registration,MLR)[72,73]等。其中，RTQC和LS算法忽略了傳感器量測噪聲的影響，所以只有當(dāng)量測噪聲很小時(shí)，算法的性能才比較好。GLS算法雖考慮了量測噪聲的影響，但由于其和LS算法一樣，只能以兩兩配對的方式對系統(tǒng)偏差進(jìn)行估計(jì)，故而性能難以達(dá)到最優(yōu)。EML算法則利用傳感器在系統(tǒng)平面中的量測值，運(yùn)用極大似然法則對目標(biāo)的位置和傳感器的偏差同時(shí)進(jìn)行估計(jì)，其對坐標(biāo)轉(zhuǎn)換過程中的系統(tǒng)偏差的正余弦結(jié)果進(jìn)行了近似，建立了偏差與量測之間線性化模型，并采用迭代的方法獲得系統(tǒng)偏差估計(jì)。MLR則改進(jìn)了這種近似方法，基于泰勒展開的方法建立了偏差與量測之間線性化模型，獲得了接近克拉默-拉奧下界的偏差估計(jì)結(jié)果。

另一方面，在線配準(zhǔn)算法則認(rèn)為系統(tǒng)偏差為漸變值，可采用卡爾曼濾波(KF)類方法獲得偏差的實(shí)時(shí)估計(jì)。在線配準(zhǔn)算法主要包括基于卡爾曼濾波方法、基于擴(kuò)展卡爾曼濾波方法以及基于無跡卡爾曼濾波方法。文獻(xiàn)[74,75]利用卡爾曼濾波來估計(jì)傳感器的系統(tǒng)偏差，該方法只適用于同一平臺內(nèi)的多傳感器信息融合系統(tǒng)，它同時(shí)要求傳感器的測量誤差和姿態(tài)誤差較小且不隨時(shí)間變化，對于非線性問題無法很好解決。文獻(xiàn)[76]提出了基于擴(kuò)展卡爾曼濾波的配準(zhǔn)算法，擴(kuò)展卡爾曼濾波是對非線性函數(shù)的泰勒展開式進(jìn)行線性化截?cái)?，從而將非線性問題線性化。由于截?cái)嗔烁唠A展開項(xiàng)，該方法存在著濾波發(fā)散的問題。對于非線性系統(tǒng)模型，文獻(xiàn)[77,78]提出了基于無跡卡爾曼濾波的傳感器誤差配準(zhǔn)算法，并對這種算法進(jìn)行了系統(tǒng)的介紹和應(yīng)用。由于無跡卡爾曼濾波不需要對非線性系統(tǒng)進(jìn)行線性化，避免了線性化的近似過程，也避免了雅可比矩陣的計(jì)算，在精度和收斂速度上都要優(yōu)于擴(kuò)展卡爾曼濾波，因而這種配準(zhǔn)算法可以更好地應(yīng)用于非線性系統(tǒng)的偏差估計(jì)。此外，對于低檢測概率與高密度雜波環(huán)境下的空間配準(zhǔn)問題，文獻(xiàn)[79-81]提出基于隨機(jī)有限集(RFS)的空間配準(zhǔn)方法，該方法可以同時(shí)對多目標(biāo)進(jìn)行跟蹤和配準(zhǔn)。表3給出了常見的多傳感器非合作目標(biāo)空間配準(zhǔn)方法分類。

表3 多傳感器非合作目標(biāo)空間配準(zhǔn)方法分類Tab.3 Classification of multi-sensor spatial registration methods based on non-cooperative targets

在完整測量中，傳感器可以獲得目標(biāo)的完整三維位置信息(距離R、俯仰角θ、方位角φ)，而在不完整測量中，無法獲得完整的三維信息。一般來說，提供不完整測量的傳感器包括被動傳感器(電子支援措施、紅外等)和部分主動傳感器(測距雷達(dá)、超聲波等)，這些傳感器只能分別提供角度和距離信息。為了解決MLR方法對不完整量測數(shù)據(jù)配準(zhǔn)模型失配的問題[72]，北航ATR實(shí)驗(yàn)團(tuán)隊(duì)[82]提出了一種基于殘留偏差估計(jì)的離線空間配準(zhǔn)方法(Residual Bias Estimation Registration,RBER)。該方法將所有量測值分為完整量測與非完整量測兩部分，首先在公共坐標(biāo)系下對完整量測進(jìn)行最大似然估計(jì)，求出目標(biāo)位置估計(jì)，然后基于序貫濾波技術(shù)用非完整量測數(shù)據(jù)對進(jìn)行序貫更新得到更新后的目標(biāo)位置估計(jì)，再將轉(zhuǎn)換到量測坐標(biāo)系，并在量測坐標(biāo)系下對所有量測進(jìn)行最大似然估計(jì)，最后通過迭代得到待估參數(shù)ρ，并利用顯著性目標(biāo)的量測信息消除傳感器的系統(tǒng)偏差，更具體的公式及描述見參考文獻(xiàn)[82]。

WGS84坐標(biāo)系下的不完整測量場景如圖4所示。其中，傳感器1、傳感器2和傳感器3都獲得完整量測(例如：距離R、俯仰角θ、方位角φ)，而傳感器4僅獲得不完整量測(例如：俯仰角θ、方位角φ)，其中，非合作目標(biāo)2是顯著性目標(biāo)，用于空間配準(zhǔn)。

圖4 空間配準(zhǔn)場景Fig.4 Scene of spatial registration

圖5是配準(zhǔn)前后顯著性目標(biāo)在WGS84坐標(biāo)系下的位置?？梢钥闯?，配準(zhǔn)前直接利用原始數(shù)據(jù)進(jìn)行目標(biāo)狀態(tài)估計(jì)的結(jié)果偏離目標(biāo)真值。經(jīng)RBER算法配準(zhǔn)后，有效地消除了系統(tǒng)偏差對目標(biāo)狀態(tài)估計(jì)的影響，目標(biāo)狀態(tài)估計(jì)抖動結(jié)果逼近真值。因此，在進(jìn)行多傳感器信息融合前，有必要對各個(gè)傳感器進(jìn)行空間配準(zhǔn)。

圖5 WGS84坐標(biāo)系下配準(zhǔn)前后顯著性目標(biāo)位置[82]Fig.5 Registration results before and after registration in the WGS84 coordinate system[82]

4 分布式傳感器航跡關(guān)聯(lián)技術(shù)研究進(jìn)展

在分布式多傳感器多目標(biāo)跟蹤系統(tǒng)中，每個(gè)信源具有獨(dú)立的信息處理系統(tǒng)，能獨(dú)立對周圍環(huán)境目標(biāo)跟蹤，生成對應(yīng)的目標(biāo)航跡。由于傳感器間的探測區(qū)域存在重疊，來自不同系統(tǒng)的航跡可能代表同一目標(biāo)。因此，如何找出同一目標(biāo)對應(yīng)的航跡就是分布式數(shù)據(jù)融合系統(tǒng)中的航跡關(guān)聯(lián)問題。此外，在分布式傳感器航跡關(guān)聯(lián)之前需要將各個(gè)傳感器探測的目標(biāo)位置轉(zhuǎn)化到公共坐標(biāo)系，故這里的航跡主要指目標(biāo)的三維航跡。

4.1 分布式傳感器航跡關(guān)聯(lián)

航跡關(guān)聯(lián)算法主要分為兩類，一類是基于統(tǒng)計(jì)類的方法，一類是基于模糊數(shù)學(xué)的方法?；诮y(tǒng)計(jì)的方法最早的研究應(yīng)該歸功于Kanyuck和Singer[83]提出的加權(quán)距離檢驗(yàn)法，其采用卡方分布檢測兩個(gè)估計(jì)是否屬于同一個(gè)目標(biāo)。該方法假設(shè)兩個(gè)估計(jì)獨(dú)立，Bar-Shalom[84]進(jìn)一步對此結(jié)果進(jìn)行了修正，通過引入兩個(gè)估計(jì)協(xié)方差陣交叉項(xiàng)，給出了相關(guān)條件下的加權(quán)距離檢驗(yàn)方法。為了解決航跡交叉、分叉等場景下出現(xiàn)錯(cuò)、漏關(guān)聯(lián)的問題，何友教授等人[85,86]借用雷達(dá)信號中序貫檢測的思想，提出了獨(dú)立序貫航跡關(guān)聯(lián)方法，該方法引入航跡的歷史信息來提升航跡關(guān)聯(lián)性能。此外，借用雙門限信號檢測的思想，文獻(xiàn)[87]提出雙門限航跡關(guān)聯(lián)算法，該算法通過增加卡方分布門限檢測的關(guān)聯(lián)樣本數(shù)來增強(qiáng)對復(fù)雜環(huán)境的適應(yīng)能力。

基于模糊數(shù)學(xué)處理的方法采用不確定模型描述航跡之間的關(guān)系，通過建立航跡的隸屬度函數(shù)、置信測度來判斷航跡之間的隸屬度或置信度，進(jìn)而獲取航跡關(guān)系[88,89]。典型基于模糊數(shù)學(xué)的方法有模糊雙門限航跡關(guān)聯(lián)、模糊綜合評判航跡關(guān)聯(lián)等。當(dāng)然，除了主流的航跡關(guān)聯(lián)方法外，也有文獻(xiàn)將機(jī)器學(xué)習(xí)用于航跡關(guān)聯(lián)，如文獻(xiàn)[90]提出基于直方統(tǒng)計(jì)特征的多特征組合航跡關(guān)聯(lián)方法，其利用物體運(yùn)動特征，提取航跡間的速度差分布直方圖，并將這些特征組合，最后基于機(jī)器學(xué)習(xí)的方法進(jìn)行航跡關(guān)聯(lián)。圖6給出了典型的航跡關(guān)聯(lián)方法及分類。

圖6 典型的航跡關(guān)聯(lián)方法及分類Fig.6 Classification of track-to-track association methods

在廣域多傳感器場景中，隨著目標(biāo)與傳感器數(shù)量的增加，航跡關(guān)聯(lián)中的分配問題從2-D分配變成S-D分配。S-D分配是一種N-P難問題，最優(yōu)解的獲得除了進(jìn)行全局搜索，當(dāng)前并無更好的策略。經(jīng)典的分配方法分別采用拉格朗日松弛法和序貫m-best算法尋求該問題的次優(yōu)解，在保證運(yùn)算代價(jià)的基礎(chǔ)上，取得了較好的效果。其中，拉格朗日松弛法就是在原始的目標(biāo)函數(shù)中加入拉格朗日乘子來移除一組約束，依次降低高維分配維度。這個(gè)方法的關(guān)鍵是選擇恰當(dāng)?shù)睦窭嗜粘俗觼砥仁乖搩?yōu)化問題滿足移除的約束[91]。序貫m-best算法是按照設(shè)定的順序依次進(jìn)行2D分配得到m個(gè)最優(yōu)分配結(jié)果，再將m個(gè)最優(yōu)分配結(jié)果進(jìn)行下一次的迭代分配[92,93]。

針對多傳感器探測目標(biāo)數(shù)目不一致場景，文獻(xiàn)[89]提出了模糊度函數(shù)的方法，根據(jù)目標(biāo)狀態(tài)估計(jì)建立航跡間的模糊因素集，但是其參數(shù)設(shè)置復(fù)雜，需要大量的仿真調(diào)整參數(shù)，導(dǎo)致計(jì)算量大。為此，文獻(xiàn)[82]提出一種基于新目標(biāo)密度的序貫m-best航跡關(guān)聯(lián)算法(Sequential M-Best Track Association algorithm based on the New Target Density,SMBTANTD)，通過迭代的方式每次引入來自下一個(gè)傳感器的航跡并將這些航跡與先前的結(jié)果關(guān)聯(lián)。同時(shí)引入新目標(biāo)密度的概念，將下一個(gè)傳感器所測得的目標(biāo)定義為新目標(biāo)，在計(jì)算量較小的條件下有效解決了多傳感器測量目標(biāo)數(shù)目不一致的代價(jià)分配問題。

在多傳感器探測目標(biāo)數(shù)目不一致的場景下，我們對3種典型航跡關(guān)聯(lián)算法的性能進(jìn)行了對比分析。公共坐標(biāo)系下的航跡關(guān)聯(lián)場景如圖7所示，傳感器1、傳感器3和傳感器4探測到目標(biāo)1,2,3，傳感器2只能探測到目標(biāo)1,2。

表4和圖8是圖7場景下正確航跡關(guān)聯(lián)率的兩種不同表現(xiàn)形式，與基于傳統(tǒng)廣義似然加權(quán)(Generalized Likelihood)和模糊函數(shù)(Fuzzy function)算法相比，基于新目標(biāo)密度的序貫m-best航跡關(guān)聯(lián)方法(SMBTANTD)在計(jì)算量較小的條件下關(guān)聯(lián)正確率得到較大提升。

圖7 航跡關(guān)聯(lián)場景Fig.7 Scene of track-to-track association

圖8 航跡關(guān)聯(lián)正確率[82]Fig.8 Accuracy of track association[82]

表4 航跡關(guān)聯(lián)性能對比Tab.4 Comparison of multi-sensor track-to-track association methods

4.2 分布式傳感器空間配準(zhǔn)與航跡關(guān)聯(lián)關(guān)系

空間配準(zhǔn)和航跡關(guān)聯(lián)是多傳感器信息融合中的重要組成部分，空間配準(zhǔn)和航跡關(guān)聯(lián)的質(zhì)量直接影響到后續(xù)融合的性能[94]。但是空間配準(zhǔn)與航跡關(guān)聯(lián)互為前提條件，目前很少有研究能同時(shí)考慮航跡關(guān)聯(lián)和傳感器空間配準(zhǔn)。在大多數(shù)空間配準(zhǔn)算法中，假設(shè)航跡關(guān)聯(lián)問題已經(jīng)得到解決。同樣，在航跡關(guān)聯(lián)算法中，默認(rèn)完成了空間配準(zhǔn)。在實(shí)際應(yīng)用中，航跡關(guān)聯(lián)和空間配準(zhǔn)往往是耦合的。事實(shí)上，錯(cuò)誤的航跡關(guān)聯(lián)導(dǎo)致不精確的空間配準(zhǔn)，而錯(cuò)誤的空間配準(zhǔn)會干擾數(shù)據(jù)獲取，導(dǎo)致航跡關(guān)聯(lián)混亂[95,96]。

對于航跡關(guān)聯(lián)與空間配準(zhǔn)之間的耦合問題，現(xiàn)有解決方法主要分為兩類。第1類是對航跡關(guān)聯(lián)和系統(tǒng)誤差進(jìn)行聯(lián)合估計(jì)，其中，文獻(xiàn)[97]提出了一種聯(lián)合處理傳感器關(guān)聯(lián)、配準(zhǔn)和融合的方法，該方法將期望最大化(Expectation Maximization,EM)算法與KF結(jié)合，通過E步和M步交替迭代獲得參數(shù)估計(jì)結(jié)果。文獻(xiàn)[98]則提出了一種基于穩(wěn)健迭代的聯(lián)合航跡關(guān)聯(lián)與系統(tǒng)誤差估計(jì)算法，該算法本質(zhì)思想是將錯(cuò)誤關(guān)聯(lián)結(jié)果視為系統(tǒng)誤差估計(jì)中的野值，它能較好地適應(yīng)系統(tǒng)誤差較大、虛警漏警較高的工作環(huán)境。除此之外，文獻(xiàn)[99]將系統(tǒng)誤差環(huán)境下的航跡關(guān)聯(lián)問題建模為全局最近鄰模式(Global Nearest Pattern,GNP)數(shù)據(jù)關(guān)聯(lián)問題，該方法代價(jià)函數(shù)包括兩個(gè)觀測集之間的偏差，為分配問題提供了最大似然解。第2類是以系統(tǒng)誤差不敏感的目標(biāo)特征為基礎(chǔ)來設(shè)計(jì)航跡關(guān)聯(lián)算法。其中，文獻(xiàn)[100]利用目標(biāo)的拓?fù)涮卣鳂?gòu)建關(guān)聯(lián)費(fèi)用矩陣，然后基于線性分配算法對費(fèi)用矩陣求解關(guān)聯(lián)關(guān)系。

為了解決航跡關(guān)聯(lián)與空間配準(zhǔn)之間的耦合問題，文獻(xiàn)[82]提出了一種基于顯著性目標(biāo)的交替迭代解耦算法，如圖9所示。首先，通過目標(biāo)特征屬性(雷達(dá)散射截面、高分辨距離像、微動、海拔等)選擇單個(gè)穩(wěn)定強(qiáng)的顯著性目標(biāo)。然后，采用合適的濾波器(如卡爾曼濾波器)對空間配準(zhǔn)后的多傳感器多目標(biāo)量測分別進(jìn)行濾波跟蹤，得到各個(gè)傳感器對應(yīng)的目標(biāo)航跡。最后，對不同傳感器不同目標(biāo)航跡進(jìn)行關(guān)聯(lián)，本次航跡關(guān)聯(lián)率較高的目標(biāo)可作為下一次空間配準(zhǔn)的顯著性目標(biāo)。通過重復(fù)這一過程，可以提高空間配準(zhǔn)和航跡關(guān)聯(lián)的精度。

圖9 航跡關(guān)聯(lián)與空間配準(zhǔn)關(guān)系[82]Fig.9 Relationship of track-track association and spatial registration[82]

5 分布式傳感器數(shù)據(jù)融合技術(shù)研究進(jìn)展

分布式多傳感器多目標(biāo)跟蹤又稱分布式多傳感器數(shù)據(jù)融合[15]。在該系統(tǒng)中，各局部傳感器首先基于單傳感器多目標(biāo)跟蹤算法，形成各自目標(biāo)航跡，接著各傳感器將目標(biāo)航跡送入融合中心完成時(shí)空配準(zhǔn)與航跡關(guān)聯(lián)，然后融合中心基于某種融合準(zhǔn)則對來自同一目標(biāo)的航跡進(jìn)行估計(jì)融合，最終形成穩(wěn)定、高精度的全局航跡。第2-4節(jié)分別是目標(biāo)跟蹤、傳感器配準(zhǔn)、航跡關(guān)聯(lián)的歸納總結(jié)，本節(jié)主要對分布式多傳感器多目標(biāo)跟蹤系統(tǒng)涉及的估計(jì)融合準(zhǔn)則以及基于估計(jì)融合準(zhǔn)則的分布式多傳感器目標(biāo)跟蹤方法進(jìn)行綜述總結(jié)。

5.1 分布式傳感器估計(jì)融合準(zhǔn)則

傳感器估計(jì)融合，或者說是針對估計(jì)問題的融合，是傳統(tǒng)估計(jì)理論與數(shù)據(jù)融合理論的有機(jī)結(jié)合，即在估計(jì)未知量的過程中，如何有效利用多個(gè)數(shù)據(jù)集包含的有用信息來提高目標(biāo)狀態(tài)的估計(jì)精度。圖10給出了高斯隨機(jī)變量的估計(jì)融合過程，它直觀地反應(yīng)出在各傳感器無偏估計(jì)的條件下，多傳感器融合后的目標(biāo)狀態(tài)估計(jì)精度明顯高于單個(gè)傳感器所得的目標(biāo)狀態(tài)估計(jì)精度。

圖10 分布式多傳感器估計(jì)融合Fig.10 Distributed multi-sensor estimation fusion

分布式多傳感器航跡融合是估計(jì)融合最主要的應(yīng)用領(lǐng)域之一。航跡融合是指基于一定的融合規(guī)則，對多傳感器提供的航跡信息進(jìn)行最優(yōu)組合得到更加精確的目標(biāo)狀態(tài)信息。如表5所示，分布式航跡估計(jì)融合算法包括簡單凸組合融合算法、Bar-Shalom-Campo融合算法、最大后驗(yàn)概率狀態(tài)估計(jì)融合等。簡單凸組合融合算法是傳感器局部估計(jì)誤差不相關(guān)條件的最優(yōu)融合估計(jì)，它的融合結(jié)果與中心式融合相同[101,102]。Bar-Shalom-Campo融合算法考慮到局部傳感器估計(jì)由于共同的過程噪聲引起的相關(guān)性，它是最大似然(Maximum Likelihood,ML)意義下的最優(yōu)估計(jì)，將融合后得到估計(jì)的不確定性減少到原來的70%，若假設(shè)局部傳感器估計(jì)獨(dú)立，則會減少到50%[103,104]。一般情況下很難獲取數(shù)據(jù)的相關(guān)信息，為了解決這一問題，Uhlmann[105]提出了協(xié)方差交叉(Covariance Intersection,CI)融合算法。然而CI融合受限于高斯輸入，為了滿足任意概率密度函數(shù)融合，Hurley[106]以貝葉斯理論為基礎(chǔ)提出了適用于任意概率密度函數(shù)的廣義協(xié)方差交叉(Generalized Covariance Intersection,GCI)融合。為了充分利用局部估計(jì)信息，美國Chang教授等人[107]提出了基于最大后驗(yàn)概率(MAP)估計(jì)融合方法，它把各傳感器局部估計(jì)作為先驗(yàn)信息來計(jì)算全局航跡估計(jì)。

表5 多傳感器估計(jì)融合方法對比Tab.5 Comparison of multi-sensor estimation fusion methods

依據(jù)全局信息是否會反饋到局部估計(jì)器，將航跡融合分為不帶反饋?zhàn)顑?yōu)分布式融合與帶反饋的最優(yōu)分布式融合[108,109]。四川大學(xué)朱允民教授團(tuán)隊(duì)[110]已經(jīng)證明反饋并不能改善全局航跡的跟蹤性能，但是它可以減小局部估計(jì)的誤差協(xié)方差陣。針對局部傳感器目標(biāo)狀態(tài)空間不同(其中一個(gè)在笛卡爾坐標(biāo)系，另一個(gè)在極坐標(biāo)系)，存在非線性轉(zhuǎn)換的航跡融合問題，Bar-Shalom等人[111-113]推導(dǎo)了此情況下的線性最小均方根誤差(Linear Minimum Mean Squared Error,LMMSE)估計(jì)方法及其互相關(guān)計(jì)算方法。

近年來，平均共識融合引起了國內(nèi)外學(xué)者的廣泛關(guān)注，平均共識融合分為算數(shù)平均融合(Arithmetic Average,AA)與幾何平均融合(Geometric Average,GA)兩類。文獻(xiàn)[114]指出，與AA融合相比，GA融合具有更好的虛警抑制能力。但是，AA融合以其魯棒性強(qiáng)、計(jì)算效率高且有較強(qiáng)的抗局部故障和漏檢能力得到國內(nèi)外學(xué)者的青睞。為此，西北工業(yè)大學(xué)李天成教授團(tuán)隊(duì)[115-117]對AA融合與GA融合的性能進(jìn)行了詳細(xì)對比與綜述，并將AA融合推廣到分布式多傳感器多目標(biāo)檢測與跟蹤領(lǐng)域。

由于單類傳感器在作為獨(dú)立系統(tǒng)部署時(shí)存在特定的弱點(diǎn)，因此對兩個(gè)或多個(gè)異類傳感器獲得的航跡信息有效融合是非常有利的。針對異類傳感器航跡融合，首先根據(jù)目標(biāo)在空間的位置信息是否有缺失分為完整量測和不完整量測。量測的完整與否將影響量測結(jié)果能否直接轉(zhuǎn)入笛卡爾坐標(biāo)系。如三坐標(biāo)雷達(dá)可同時(shí)獲得目標(biāo)在測量坐標(biāo)系下的俯仰、方位及斜距信息，其量測可稱為完整量測，經(jīng)過目標(biāo)跟蹤后可以得到笛卡爾坐標(biāo)系下完整目標(biāo)狀態(tài)估計(jì)。一些無源傳感器只能獲得目標(biāo)在測量坐標(biāo)系下的角度信息，其量測則不完整，因此，異類傳感器航跡融合常指利用量測坐標(biāo)系下的不完整量測信息，對笛卡爾坐標(biāo)系下完整目標(biāo)狀態(tài)估計(jì)進(jìn)行更新，這一過程通常可采用非線性濾波的方式實(shí)現(xiàn)[118,119]。典型的非線性濾波方法如擴(kuò)展卡爾曼濾波融合(EKF)、無跡卡爾曼濾波融合(UKF)、粒子濾波融合(PF)等[120-122]。

5.2 基于估計(jì)融合的分布式多傳感器目標(biāo)跟蹤

分布式多傳感器多目標(biāo)跟蹤建立在單傳感器多目標(biāo)跟蹤的基礎(chǔ)上，它需要同時(shí)考慮多目標(biāo)跟蹤方法與融合準(zhǔn)則兩個(gè)因素，跟蹤方法與融合準(zhǔn)則的不同都會對分布式多傳感器多目標(biāo)跟蹤的性能產(chǎn)生不同的影響。如表6所示，與單傳感多目標(biāo)跟蹤框架類似，分布式多傳感器多目標(biāo)跟蹤也分為數(shù)據(jù)關(guān)聯(lián)和隨機(jī)有限集兩大類。基于關(guān)聯(lián)類的分布式多傳感器多目標(biāo)跟蹤方法研究較早，其中具有代表意義的有分布式聯(lián)合數(shù)據(jù)關(guān)聯(lián)跟蹤(Distributed Multi-Sensor multiple Cheap Joint Probability Data Association,DMS-CJPDA)[123]、分布式多傳感器多假設(shè)跟蹤(Distributed Multi-Sensor Multiple Hypothesis Tracking,DMS-MHT)[124,125]等。

表6 典型的多傳感器多目標(biāo)跟蹤方法性能對比Tab.6 Performance comparison of multi-sensor multi-target tracking methods

隨著適用于任意概率密度的GCI融合的提出，基于隨機(jī)有限集的分布式多傳感器多目標(biāo)跟蹤取得了較大的進(jìn)展。2013年，üney等人[126]將隨機(jī)有限集與GCI融合準(zhǔn)則結(jié)合，建立一種一致性的分布式多傳感器多目標(biāo)跟蹤方法。該方法推導(dǎo)出了用于融合計(jì)算的指數(shù)混合密度(Exponential Mixture Densities,EMD)的顯式公式，實(shí)現(xiàn)了基于GCI融合準(zhǔn)則的分布式PHD濾波算法。同期，Battistelli等人[127]提出了一種分布式CPHD濾波方法，該方法通過結(jié)合網(wǎng)絡(luò)共識理論得到了基于GCI融合準(zhǔn)則的分布式CPHD濾波數(shù)值解，也增強(qiáng)了分布式傳感器融合的網(wǎng)絡(luò)延展性。與PHD,CPHD濾波器相比，多伯努利(Multi-Bernoulli,MB)濾波器能更好地平衡算法性能與計(jì)算量之間的關(guān)系，具有魯棒性強(qiáng)、性能穩(wěn)定等優(yōu)點(diǎn)。同時(shí)，針對多傳感器網(wǎng)絡(luò)節(jié)點(diǎn)間量測相關(guān)性未知等問題，文獻(xiàn)[128]提出了基于GCI準(zhǔn)則的MB分布式濾波器融合算法(GCI-MB)，并給出了GCI-MB融合的后驗(yàn)分布解析表達(dá)式，為分布式融合提供了先決條件。由于上述方法均無法為多目標(biāo)分配航跡，因此，2018年，F(xiàn)antacci等人[129]在不同傳感器間共享相同標(biāo)號空間假設(shè)的基礎(chǔ)上，首次提出了標(biāo)號多目標(biāo)分布式融合方法，并且給出了基于GCI融合準(zhǔn)則的GLMB和LMB的閉式表達(dá)。但是，該方法并沒有進(jìn)一步解釋不同傳感器間共享相同標(biāo)號空間的內(nèi)在含義，同時(shí)也沒有對該假設(shè)的成立條件進(jìn)行實(shí)際驗(yàn)證。此后，李溯琪等人[130]在標(biāo)號隨機(jī)有限集理論框架下，建立了濾波器間標(biāo)號不一致問題的數(shù)學(xué)模型，并定量分析了標(biāo)號不一致對GCI融合性能的影響，得出了GCI融合對濾波器間標(biāo)號不一致現(xiàn)象敏感的結(jié)論。在此結(jié)論分析基礎(chǔ)上，2018年，李溯琪等人[131]又提出了基于免標(biāo)號的穩(wěn)健GCI融合算法，并將其推廣至分布式GLMB濾波器、LMB濾波器。

GCI融合也稱GA融合是平均共識融合方法的一種，另一種平均共識融合方法是AA融合，這兩種融合方法都可以有效避免公共信息的重復(fù)計(jì)算，且都屬于近似次優(yōu)的分布式融合方法。與GCI分布式融合對應(yīng)，西北工業(yè)大學(xué)李天成等人[115,116]將AA融合推廣到分布式多傳感器PHD,MeMBer濾波器。與此同時(shí)，電子科技大學(xué)高林等人[132,133]則將AA融合推廣到分布式多傳感器CPHD,GLMB,LMB濾波器。綜上所述，與基于關(guān)聯(lián)類的分布式多傳感器多目標(biāo)跟蹤理論相比，基于隨機(jī)有限集的分布式多傳感器多目標(biāo)跟蹤技術(shù)是當(dāng)今信息融合領(lǐng)域的研究熱點(diǎn)，但其理論研究還存在諸多問題，有待進(jìn)一步解決與完善。

6 分布式多傳感器多目標(biāo)跟蹤技術(shù)存在的問題及發(fā)展方向

目前，分布式多傳感器多目標(biāo)跟蹤已經(jīng)取得了一定的成果，并廣泛應(yīng)用于軍事、民用領(lǐng)域，但是在目標(biāo)跟蹤、空間配準(zhǔn)、航跡關(guān)聯(lián)、航跡融合等關(guān)鍵技術(shù)方面仍存在諸多難點(diǎn)。

(1) 在多目標(biāo)跟蹤方面，復(fù)雜場景下動態(tài)未知雜波的存在對弱目標(biāo)探測和跟蹤構(gòu)成了嚴(yán)峻的挑戰(zhàn)，動態(tài)雜波會降低目標(biāo)檢測效果，產(chǎn)生大量虛假量測，導(dǎo)致目標(biāo)跟蹤性能下降。所以檢測跟蹤一體化以及自適應(yīng)雜波動態(tài)估計(jì)在多目標(biāo)跟蹤領(lǐng)域具有重要研究意義。

(2) 在空間配準(zhǔn)方面，由于系統(tǒng)偏差可能隨時(shí)間發(fā)生變化，雖然已經(jīng)有基于濾波類的在線空間配準(zhǔn)算法，但是在目標(biāo)機(jī)動條件下，在線空間配準(zhǔn)算法由于目標(biāo)運(yùn)動模型失配導(dǎo)致配準(zhǔn)精度相對較低。此外，基于非合作目標(biāo)空間配準(zhǔn)需要尋找相對穩(wěn)定的公共顯著性目標(biāo)，但實(shí)際場景下顯著性目標(biāo)提取相對困難，所以復(fù)雜場景下的高精度、實(shí)時(shí)空間配準(zhǔn)具有重要研究意義。

(3) 在航跡關(guān)聯(lián)方面，現(xiàn)有的航跡關(guān)聯(lián)算法關(guān)聯(lián)閾值隨場景變化而變化，難以設(shè)定。其次，含有殘留偏差的航跡無法進(jìn)行有效關(guān)聯(lián)，雖然有一些基于航跡形狀特征的抗偏差關(guān)聯(lián)算法，但是在異類航跡關(guān)聯(lián)場景下某些傳感器(紅外、電子支援措施等)無法直接得到目標(biāo)的航跡形狀信息。這時(shí)，如何進(jìn)行有效航跡關(guān)聯(lián)也是需要解決的問題。

(4) 在航跡融合方面，由于殘留偏差的影響，不同傳感器對目標(biāo)跟蹤產(chǎn)生的誤差遠(yuǎn)小于待融合局部航跡之間的位置估計(jì)差。此種情況下的融合估計(jì)值將被視為不合理，這就需要設(shè)定檢測門限對每條航跡的殘留偏差進(jìn)行實(shí)時(shí)評估，然而門限的設(shè)定通常是比較困難的。所以對融合航跡的實(shí)時(shí)質(zhì)量評估也是未來航跡融合的重要發(fā)展方向。

7 結(jié)語

分布式多傳感器多目標(biāo)跟蹤由于其系統(tǒng)生命力強(qiáng)、易于擴(kuò)展等優(yōu)點(diǎn)在各個(gè)領(lǐng)域得到越來越廣泛的應(yīng)用。本文在分布式多傳感器多目標(biāo)跟蹤框架下，分別對目標(biāo)跟蹤、傳感器配準(zhǔn)、航跡關(guān)聯(lián)和數(shù)據(jù)融合涉及的關(guān)鍵算法進(jìn)行了梳理，并分析了這些算法的優(yōu)缺點(diǎn)及其適用條件。針對信息不完整量測場景下的空間配準(zhǔn)問題，重點(diǎn)介紹了基于殘留偏差的空間配準(zhǔn)方法，對于多傳感器探測目標(biāo)數(shù)目不一致的關(guān)聯(lián)場景，重點(diǎn)介紹了基于新目標(biāo)密度的航跡關(guān)聯(lián)算法。最后分析了復(fù)雜場景下分布式多傳感器多目標(biāo)跟蹤關(guān)鍵技術(shù)存在的難點(diǎn)及發(fā)展方向，為該領(lǐng)域未來的研究提供了一定的參考。