編隊(duì)協(xié)同作戰(zhàn)中的數(shù)據(jù)關(guān)聯(lián)技術(shù)研究*

王春雨 嵇成新 李 樂

(海軍大連艦艇學(xué)院研究生管理大隊(duì)1) 大連 116018)(海軍大連艦艇學(xué)院科研部2) 大連 116018)

1 引言

在現(xiàn)代海戰(zhàn)中,高技術(shù)的應(yīng)用使各種武器的機(jī)動(dòng)速度大為提高,特別是高速精確制導(dǎo)武器的使用,使水面艦艇的預(yù)警時(shí)間越來越短,對編隊(duì)防空系統(tǒng)提出了嚴(yán)峻的考驗(yàn)。遂行協(xié)同防空作戰(zhàn),是水面艦艇生存的必然需求。美國海軍早在1997年初便成功地開發(fā)了協(xié)同作戰(zhàn)系統(tǒng)(Cooperative Engagement System,CES),并在艾森豪威爾號航母和黃蜂號兩棲攻擊艦上進(jìn)行了CEC系統(tǒng)的戰(zhàn)術(shù)使用實(shí)驗(yàn),用于實(shí)現(xiàn)各平臺傳感器和武器動(dòng)態(tài)分配組合,最大限度地發(fā)揮聯(lián)合作戰(zhàn)能力,整合編隊(duì)進(jìn)行協(xié)同作戰(zhàn)。本文介紹了編隊(duì)協(xié)同作戰(zhàn)系統(tǒng),并對其中的數(shù)據(jù)融合關(guān)鍵技術(shù)之一的數(shù)據(jù)關(guān)聯(lián)進(jìn)行了初步探討。

2 編隊(duì)協(xié)同作戰(zhàn)系統(tǒng)

2.1 協(xié)同防空理論的提出

水面艦艇對空防御系統(tǒng)的基本功能要求是對空間目標(biāo)狀態(tài)的準(zhǔn)確估計(jì),即對空間目標(biāo)的跟蹤。只有在對飛機(jī)、導(dǎo)彈等戰(zhàn)術(shù)目標(biāo)準(zhǔn)確跟蹤的前提下才可能對目標(biāo)進(jìn)行特性測量、識別和監(jiān)控。然而單平臺設(shè)備的探測、跟蹤能力有限,利用編隊(duì)內(nèi)多平臺進(jìn)行數(shù)據(jù)融合,通過它們之間協(xié)調(diào)和性能互補(bǔ)的優(yōu)勢,可以有效克服單個(gè)傳感器、單艦的不確定性和局限性,是提高探測、跟蹤能力的一種有效途徑。

編隊(duì)協(xié)同作戰(zhàn)系統(tǒng),是利用計(jì)算機(jī),通信和網(wǎng)絡(luò)技術(shù),把編隊(duì)中各戰(zhàn)艦的目標(biāo)探測系統(tǒng)、指控系統(tǒng)和武器系統(tǒng)以及直升機(jī)等有機(jī)聯(lián)系,形成網(wǎng)絡(luò),允許編隊(duì)各艦以極短的延時(shí)共享各種探測器獲取的所有數(shù)據(jù),從而使整個(gè)戰(zhàn)斗群能高度協(xié)同作戰(zhàn),取代以往各自為戰(zhàn)的海上防空作戰(zhàn)模式。該系統(tǒng)的核心設(shè)備是協(xié)同作戰(zhàn)處理器(Cooperative Engagement Processor,CEP)和數(shù)據(jù)分配系統(tǒng)(Data Distribution System,DDS)。CEP用于處理由所在艦和CEC網(wǎng)絡(luò)中各艦提供的數(shù)據(jù),與武器分系統(tǒng)的處理機(jī)相連接,以便及時(shí)、精確地進(jìn)行協(xié)同作戰(zhàn)。DDS采用相控陣天線和大功率行波管發(fā)射機(jī),用于可靠、近實(shí)時(shí)地分配數(shù)據(jù),其傳輸能力比通常的戰(zhàn)術(shù)數(shù)據(jù)鏈高幾個(gè)數(shù)量級。

2.2 協(xié)同作戰(zhàn)系統(tǒng)的功能

協(xié)同作戰(zhàn)系統(tǒng)的功能主要有三個(gè)方面:

1)復(fù)合跟蹤與識別:將編隊(duì)中的各艦載雷達(dá)探測到的數(shù)據(jù)經(jīng)過濾波、加權(quán)并進(jìn)行綜合處理后得出目標(biāo)航跡,各艦可據(jù)此進(jìn)行目標(biāo)跟蹤和識別。如果某型艦載雷達(dá)在一段時(shí)間內(nèi)未更新目標(biāo)諸元,可利用其它艦的雷達(dá)數(shù)據(jù)對目標(biāo)航跡進(jìn)行更新。

2)捕獲提示:CEC系統(tǒng)已經(jīng)形成目標(biāo)航跡的情況下,如果某艦的雷達(dá)未能獲得此航跡,協(xié)同作戰(zhàn)系統(tǒng)可自動(dòng)地啟動(dòng)捕獲提示功能,使雷達(dá)快速捕獲到目標(biāo),而且可大大增強(qiáng)捕獲的距離。

3)協(xié)同作戰(zhàn):使編隊(duì)中各個(gè)艦艇在極端的延時(shí)內(nèi)共享其他艦的雷達(dá)數(shù)據(jù),發(fā)射與制導(dǎo)導(dǎo)彈對目標(biāo)進(jìn)行攻擊,即所謂“依靠遙信息作戰(zhàn)”。被攻擊的目標(biāo)可以是機(jī)動(dòng)的,甚至是本艦雷達(dá)未捕獲到的目標(biāo)。如在美軍宙斯盾艦上,可以用來自本艦以外的信息發(fā)射標(biāo)準(zhǔn)Ⅱ型艦空導(dǎo)彈,進(jìn)行中段制導(dǎo),將末段的照射雷達(dá)指向目標(biāo)。

3 編隊(duì)協(xié)同防空中的數(shù)據(jù)關(guān)聯(lián)技術(shù)

海上編隊(duì)協(xié)同防空作戰(zhàn)中有效抗擊來襲目標(biāo),首先要求實(shí)現(xiàn)對機(jī)動(dòng)目標(biāo)快速、可靠、精確地跟蹤、指示和識別,多目標(biāo)數(shù)據(jù)關(guān)聯(lián)技術(shù)的優(yōu)化是實(shí)現(xiàn)有效跟蹤的重要環(huán)節(jié)。

在現(xiàn)代海戰(zhàn)中,水面艦艇編隊(duì)的多個(gè)傳感器接收到的量測數(shù)據(jù)回波可能源于目標(biāo),也可能來自雜波。為了形成各目標(biāo)的軌跡,必須解決關(guān)聯(lián)區(qū)域內(nèi)的量測候選回波與目標(biāo)配對的問題,即數(shù)據(jù)關(guān)聯(lián)問題。數(shù)據(jù)關(guān)聯(lián)過程是將候選回波與已知目標(biāo)軌跡相比較并最后確定正確的觀測軌跡配對的過程[1]。

多平臺協(xié)同防空作戰(zhàn)系統(tǒng)中的數(shù)據(jù)相關(guān)問題可分為三類:點(diǎn)跡點(diǎn)跡相關(guān)—航跡起始;點(diǎn)跡航跡相關(guān)—航跡保持或更新;航跡航跡相關(guān)—航跡綜合。本文研究的是點(diǎn)跡—航跡關(guān)聯(lián)算法。當(dāng)今關(guān)聯(lián)算法分為兩大類:一類是傳統(tǒng)的基于統(tǒng)計(jì)和似然的方法,另一類是基于神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)的方法。

3.1 最近鄰方法(nearest neighbor,NN)[1]

Singer在 1971年提出最近鄰方法(nearest neighbor,NN),選擇落在跟蹤門之內(nèi)且與被跟蹤目標(biāo)預(yù)測位置距離最近的量測作為與目標(biāo)關(guān)聯(lián)的回波信號,該距離定義為新息向量的加權(quán)范數(shù):

該算法計(jì)算簡單,然而在多回波環(huán)境下,離預(yù)測位置最近的候選回波不一定就是目標(biāo)的真實(shí)回波,因此不適在目標(biāo)密度較大或目標(biāo)做機(jī)動(dòng)運(yùn)動(dòng)時(shí)應(yīng)用。

3.2 概率數(shù)據(jù)關(guān)聯(lián)和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法

為了解決最近鄰方法的缺陷,有效地解決雜波環(huán)境中的單目標(biāo)跟蹤,Bar-Shalom和 Tse于1975年提出了概率數(shù)據(jù)關(guān)聯(lián)(probability data association,PDA)方法[2],此后相繼出現(xiàn)了用于跟蹤雜波環(huán)境中的單個(gè)機(jī)動(dòng)目標(biāo)的交互式多模型數(shù)據(jù)關(guān)聯(lián)(IMMPDA)算法,以及適用于多目標(biāo)情形的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(joint probabilistic data association,JPDA)[3]。交互式多模型算法是目前混合估計(jì)算法的主流,將其與PDA方法相結(jié)合的交互式多模型數(shù)據(jù)關(guān)聯(lián)(IMM-PDA)算法可以有效處理雜波環(huán)境下單目標(biāo)的跟蹤問題。該算法的濾波綜合公式為:

圖1 IM M-PDA算法基本思想

JPDA算法是當(dāng)今雜波干擾環(huán)境下多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)的最具代表性的算法,基于Bayesian理論在PDA基礎(chǔ)上改進(jìn)而成。根據(jù)落入跟蹤波門內(nèi)的所有點(diǎn)跡的不同排列形式的聯(lián)合假設(shè),計(jì)算點(diǎn)跡屬于目標(biāo)的聯(lián)合概率。為了表示有效回波和各個(gè)目標(biāo)跟蹤門的關(guān)系,Bar-Shalom引入了確認(rèn)矩陣的概念,確認(rèn)矩陣[3]被定義為:

JPDA算法的困難在于難以確切得到聯(lián)合事件 θk,i和關(guān)聯(lián)事件θj,tk的概率。θk,i是所有候選回波的指數(shù)函數(shù),隨著回波密度增加出現(xiàn)計(jì)算上的組合爆炸現(xiàn)象。針對PDA和JPDA算法的缺陷,一些學(xué)者結(jié)合問題的特殊性將其進(jìn)行改進(jìn),以減小計(jì)算量及存儲量,出現(xiàn)了多種次優(yōu)形式的算法[5],使其適應(yīng)于各種不同環(huán)境。例如最近鄰概率數(shù)據(jù)關(guān)聯(lián)(ENNPDA),耦合概率數(shù)據(jù)關(guān)聯(lián)算法(CPDA),聯(lián)合綜合概率數(shù)據(jù)關(guān)聯(lián)算法(JIPDA)[6]和綜合聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法(IJPDA)算法[7]。

3.3 多假設(shè)方法(multiple hypothesis tracking,MHT)[8]

基于“全鄰”最優(yōu)濾波器和Bar-Shalom的聚概念,Reid提出了多假設(shè)(multiple hypothesis tracking,MH T)技術(shù)。MHT[8～9]中k時(shí)刻關(guān)聯(lián)假設(shè)集Ωk由k-1時(shí)刻的關(guān)聯(lián)假設(shè)集 Ωk-1和當(dāng)前量測集Zk關(guān)聯(lián)得到,量測可能來自新目標(biāo)、虛警、或者己有目標(biāo),通過一個(gè)有限長度的時(shí)間滑窗,建立多個(gè)候選假設(shè),并通過假設(shè)評估,假設(shè)管理(假設(shè)刪除、假設(shè)合并等)實(shí)現(xiàn)多目標(biāo)的跟蹤。

多假設(shè)法適用于低檢測概率、密集雜波和高虛警率情況下的多目標(biāo)跟蹤,然而過多依賴已進(jìn)入跟蹤的目標(biāo)數(shù),虛警回波數(shù),新目標(biāo)數(shù),虛假目標(biāo)密度以及被檢測目標(biāo)密度等先驗(yàn)信息,計(jì)算復(fù)雜,工程難以實(shí)現(xiàn)。從概率角度考慮數(shù)據(jù)關(guān)聯(lián)問題,R.L.Streit和 T.E.Luginbubl[10～11]將期望極大化算法[12](EM)引入其中來解決不完全數(shù)據(jù)估計(jì)問題,在一般的目標(biāo)跟蹤假設(shè)基礎(chǔ)上稍作修改,提出了概率多假設(shè)方法(PMHT),將數(shù)據(jù)關(guān)聯(lián)和跟蹤過程組合為迭代過程,每個(gè)迭代過程依次執(zhí)行期望步(E-步)和極大化步(M-步),直至相鄰兩次迭代的參量無需顯著變化。

4 數(shù)據(jù)關(guān)聯(lián)方法新發(fā)展

4.1 基于智能技術(shù)的關(guān)聯(lián)算法

理論上講,當(dāng)前主要的關(guān)聯(lián)算法有兩個(gè)弱點(diǎn)[13]:計(jì)算量大,對目標(biāo)機(jī)動(dòng)的先驗(yàn)信息要求高。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理能力,良好的適應(yīng)性、自組織性和較強(qiáng)的學(xué)習(xí)、聯(lián)想功能,有助于解決傳統(tǒng)跟蹤技術(shù)中的快速響應(yīng)與提高跟蹤精度的矛盾,克服組合爆炸等問題。從早期的基于BP網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)的自適應(yīng)關(guān)聯(lián)算法,到將Boltzmann機(jī)和模擬退火算法與關(guān)聯(lián)結(jié)合,解決Hopfield網(wǎng)絡(luò)易產(chǎn)生局部極小點(diǎn)問題,神經(jīng)網(wǎng)絡(luò)顯示了良好的可行性。將神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊數(shù)學(xué)等技術(shù)結(jié)合,形成智能融合系統(tǒng),是該領(lǐng)域的重要發(fā)展趨勢[14～15]。近年來,智能技術(shù)被廣泛應(yīng)用于數(shù)據(jù)關(guān)聯(lián)之中,如模糊數(shù)據(jù)關(guān)聯(lián)算法[16],基于遺傳算法的數(shù)據(jù)關(guān)聯(lián)法[17],基于聚類的快速數(shù)據(jù)關(guān)聯(lián)算法[18]等等,取得了較好的融合效果。

4.2 數(shù)據(jù)關(guān)聯(lián)和粒子濾波相結(jié)合

傳統(tǒng)的IMM-PDA關(guān)聯(lián)算法中主要是基于推廣卡爾曼濾波(EKF)[19]算法,采用參數(shù)化的解析形式對系統(tǒng)的非線性進(jìn)行近似,只適用于濾波誤差和預(yù)測誤差很小的情況;當(dāng)濾波誤差和預(yù)測誤差較大時(shí),濾波初期估計(jì)協(xié)方差下降太快會導(dǎo)致濾波不穩(wěn)定甚至發(fā)散,并且其對于噪聲為非高斯的系統(tǒng)效果不佳。粒子濾波通過非參數(shù)化的蒙特卡羅模擬方法來實(shí)現(xiàn)遞推貝葉斯濾波,適用于任何能用狀態(tài)空間模型表示的非線性系統(tǒng),以及傳統(tǒng)卡爾曼濾波無法表示的非線性系統(tǒng),精度可以逼近最優(yōu)估計(jì)。將粒子濾波引入數(shù)據(jù)關(guān)聯(lián)之中,可有效解決在雜波環(huán)境下的多個(gè)目標(biāo)機(jī)動(dòng)以及量測和目標(biāo)之間的關(guān)聯(lián)問題[20～22]。文獻(xiàn)[23]將粒子濾波器(PF)同概率數(shù)據(jù)關(guān)聯(lián)(JPDA)結(jié)合,通過采用重要性重采樣技術(shù)克服了標(biāo)準(zhǔn)PF退化現(xiàn)象,降低了計(jì)算量。文獻(xiàn)[24]提出了一種結(jié)合粒子濾波器和吉布斯采樣器的多機(jī)動(dòng)目標(biāo)跟蹤算法,較好解決了在雜波環(huán)境的多機(jī)動(dòng)目標(biāo)跟蹤問題。

5 結(jié)語

數(shù)據(jù)關(guān)聯(lián)技術(shù)的優(yōu)化,尤其是雜波條件下多機(jī)動(dòng)目標(biāo)關(guān)聯(lián)技術(shù)的發(fā)展,將有效提升協(xié)同作戰(zhàn)系統(tǒng)對機(jī)動(dòng)目標(biāo)的精確指示能力和實(shí)時(shí)跟蹤性能,實(shí)現(xiàn)編隊(duì)內(nèi)傳感器信息的精確交換和武器系統(tǒng)的有效抗擊,對提升海上編隊(duì)整體作戰(zhàn)能力發(fā)揮重要作用。

[1]Singer R A.,Stein J J.An Optimal tracking filter for processing sensor data of imprecisely determined origin in surveillance systems[C]//Proceedings of the 1971 IEEE Conferenceon Decision and Control,Miami Beach,1971:171～175

[2]Bar-Shalom Y,T se E.T racking in a cluttered environment with probabilistic data association[J].Automatic,1975,11(9):451～460

[3]Bar-Shalom Y,Fortmann T E.Tracking and Data Association[M].New York:Academic Press,1988

[4]Bar-Shalom Y.Multitarger-Mutisensor Tracking,Applications and Advances[M].Boston:Artech House,1992

[5]S Blackman,R J Dempster,M T Busch,et al.IMM/MHT solution to radar benchmark tracking problem[J].IEEE Trans on AES,1999,35(2):730～738

[6]Robert L Popp,Krishna R Pattipati,Yaakov Bar-Shalom.M-Best S-D assignment algorithm with application to multitarget tracking[J].IEEE Trans on AES,2001,37(1):22～39

[7]Somnath Deb,Murali Yeddanapudi,Krishna R Pattipati et al.A generalized S-D assignment algorithm for multisensor-multitargetstateestimation[J].IEEE T rans on AES,1997,33(2):523～538

[8]Reid D B.An algorithm for tracking multiple targets[J].IEEE Trans on Automatic Control,1979(24):843～854

[9]Mori S,Chong CY,Wishner RP,et al.Multi-Target Multi-Sensor T racking Problems:a General Approach[C]//Proc 1983 American Control Conf:1983;San Francisco,CA,1983

[10]Streit R L,Luginbuhl T E.Maximum likelihood method for probabilistic multi-hypothesis tracking[C]//Proceedings of SPIE International Symposium,Signal and data Processing of Small Targets.Bellingham,WA,USA:The International Society for Optical Engineering,1994:394～405

[11]Streit R L,Luginbuhl T E.A Probabilistic multi-hypothesis tracking algorithm without enumeration and pruning[C]//Proceedings of the Sixth Joint Service Data Fusion Symposium.Laurel,MD,1993:1015～1024

[12]Dempster A,Laird N,Rubin D.Maximum likelihood from incomplete data via the EMalgorithm[J].Journal of the Royal Statistical Society,1977,39(Series B):1～38

[13]郁光輝,戴亞平,侯朝楨,等.復(fù)雜環(huán)境下多機(jī)動(dòng)目標(biāo)跟蹤問題研究[J].火力與指揮控制,2002,27(2):15～19

[14]Tseng D C,Chen Y L,Liu M S.Wavelet-Based multi-spectral image fusion methods[J].Information Fusion,2001(2):177～186

[15]J.Gu,M.Meng,A.Faulker.Micro sensor based eye movement detection and neural network based sensor fusion and fault detection and recovery[C]//Proceedings of IEEE Canadian Conference on Electrical and computer Engineering,2000,1

[16]CHEN Y M,HUANG H C.Fuzzy logic approach to multisensor data association[J].Mathematics and Computer in Simulation,2000,52(3):399～412

[17]PULFORD G W.Data fusion of multi-radar system by using genetic algorithm[J].IEEE Trans on Aerospace and Electronic Systems,2002,38(2):601～611

[18]CHUMMUN R,KIRUBARAJANT.Fast data association using multidimensional assignment with clustering[J].IEEE T rans on Aerospace and Electronic Systems,2001,37(3):898～910

[19]何友,修建娟,張晶煒,等.雷達(dá)數(shù)據(jù)處理及應(yīng)用[M].北京:電子工業(yè)出版社,2006,1

[20]Frank,Oliver,Nieto,et al.Multiple targets tracking using sequential Monte Carlo methods and statistical data association[J].IEEE/RSJ International Conference on Robotics and Automation,2001(2):1665～1670

[21]Karlsson R,Gustafson F.Monte Carlo data association for multiple target tracking[J].IEEE Target T racking:Algorithms and Applications,2001(1):13/1～13/5

[22]Schultz D,Burgard W,Fox D,et al.Tracking multiple moving targets with a mobile robot using particle filters and statistical data association[J].IEEE International Conference on Robotics and Automation,2001(2):1665～1670

[23]朱志宇,皇豐輝,姜長生.雜波環(huán)境下的粒子濾波器數(shù)據(jù)關(guān)聯(lián)方法[J].電光與控制,2008,15(2):50～54

[24]李延秋,沈毅,劉志言.雜波環(huán)境下多機(jī)動(dòng)目標(biāo)跟蹤的一種新粒子濾波器算法研究[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù),2005(2):39～46