知識輔助的貝葉斯檢測聯(lián)合跟蹤框架與方法

王 峰,邢 雷,梁 彥,馮肖雪

(1. 南京電子技術(shù)研究所，南京 210039;(2. 西北工業(yè)大學，西安 710072)

0 引 言

低信噪比、低信雜比以及人為干擾使得現(xiàn)代雷達目標跟蹤系統(tǒng)所處環(huán)境日益復雜，同時人們對信息的需求不斷提高，使得傳統(tǒng)目標跟蹤技術(shù)越來越力不從心，主要表現(xiàn)在以下幾個方面：電磁環(huán)境和目標特性日趨復雜多變、感知的手段與能力顯著提升、感知需求的內(nèi)容與質(zhì)量要求大大提高。這些環(huán)境與需求的變化使得目標檢測跟蹤呈現(xiàn)出不確定、高機動、多模態(tài)、低數(shù)據(jù)率、低檢測率等諸多復雜特性。

傳統(tǒng)的檢測與跟蹤分開處理的方法會導致回波信息的大量損失，面對上述復雜特性，容易產(chǎn)生虛警和漏檢，使得檢測與跟蹤性能惡化。實際上，目標檢測與跟蹤是兩個緊密耦合的問題，利用回波信號中豐富的雜波、干擾與目標特征信息，可以提高航跡關(guān)聯(lián)與濾波的準確性；利用穩(wěn)定、可靠的航跡信息，可以改善復雜環(huán)境下弱小目標的檢測能力。檢測與跟蹤聯(lián)合處理，有望同時得到更優(yōu)異的檢測與跟蹤性能。

檢測聯(lián)合跟蹤處理技術(shù)通過建立檢測與跟蹤的閉環(huán)反饋，把數(shù)據(jù)處理系統(tǒng)輸出的航跡信息反饋給前端信號處理系統(tǒng)，信號處理基于目標航跡信息以及環(huán)境感知信息，采用自適應(yīng)和智能化檢測方法，提高雜波與干擾環(huán)境下的目標檢測能力；同時，數(shù)據(jù)處理充分利用信號處理發(fā)送的目標信噪比、雷達橫截面積(RCS)、引擎調(diào)制譜、寬帶一維像等信息，大大豐富了數(shù)據(jù)關(guān)聯(lián)信息維度，有利于降低強雜波和密集目標環(huán)境下的誤關(guān)聯(lián)概率，提高目標航跡連續(xù)性和跟蹤精度。

常用的檢測聯(lián)合跟蹤方法主要有檢測前跟蹤(TBD)、基于隨機有限集統(tǒng)計學理論(FISST)的檢測聯(lián)合跟蹤、基于自適應(yīng)粒子濾波的檢測聯(lián)合跟蹤以及基于輔助信源的檢測聯(lián)合跟蹤等方法。其中，基于FISST的檢測聯(lián)合跟蹤算法成為目前國內(nèi)外的一大研究熱點[1-14]。概率假設(shè)密度(PHD)算法由于特征量測的加入以及沒有具體的數(shù)據(jù)關(guān)聯(lián)，可以對來自不同類型且空間位置非常接近的多個目標進行跟蹤，并且避免了在多類目標具有暫時低似然性時永久失跟的可能性。由于PHD濾波器的原理和特點，對處于密集雜波觀測下的多目標進行聯(lián)合檢測、跟蹤和分類(JDTC)[15-16]，可以消除大量雜波并得到每一目標類別各個目標的狀態(tài)精確估計，實現(xiàn)雜波環(huán)境下對新生、衍生以及存活等各類目標的檢測與跟蹤。

本文以雷達為對象，設(shè)計了一種基于知識輔助的貝葉斯檢測聯(lián)合跟蹤處理框架，在此基礎(chǔ)上提出了一種基于聯(lián)合優(yōu)化指標的檢測聯(lián)合跟蹤方法。

1 知識輔助的檢測聯(lián)合跟蹤框架設(shè)計

知識輔助的貝葉斯檢測聯(lián)合跟蹤處理框架如下圖所示：

圖1 知識輔助的貝葉斯檢測聯(lián)合跟蹤處理框架

該框架中包括以下關(guān)鍵模塊：

1.1 動態(tài)知識庫

雷達動態(tài)知識庫按照信息來源可以分為三類：

(1)傳感器自身與環(huán)境交互的信息。主要包括：目標檢測獲取的信息，如雜波強度、分布，干擾頻率、強度、分布，信號包絡(luò)，目標信噪比、RCS等信息；目標跟蹤得到的航跡信息，如目標距離、速度、航向、方位、高度、經(jīng)緯度等信息；目標識別得到的一些信息參數(shù)，如一維像、引擎調(diào)制譜、大中小分類、軍民分類、目標型號等。

(2)其他傳感器探測信息或情報中心發(fā)送的信息。雷達接收電子偵察、通信偵察、紅外、敵我識別等異類傳感器的信息，分層次實現(xiàn)有源無源融合、目標位置與屬性融合等，可以有效地提高航跡質(zhì)量，極大地豐富情報內(nèi)容；接收情報中心發(fā)送的其他平臺雷達探測信息，通過信號級、點跡級、航跡級等不同級別的融合處理，可以提高情報掌握率與航跡精度。比如電子偵察提供的目標信息主要有方位角、頻率與重頻等波形參數(shù)，雷達型號、平臺型號及置信度等，敵我識別信息主要有目標方位、距離、敵我屬性等。

(3)從外界其他渠道得到的信息。比如氣象信息、海況信息、地理信息、高層信息、民航航路信息、目標的機動特性等。

雷達動態(tài)知識庫包含的先驗信息種類很多，合理的利用先驗信息能提高檢測與跟蹤系統(tǒng)的性能。信息按照種類可以分為：

(1)地理信息庫，包含航路信息、道路信息、飛行計劃等信息。

(2)目標信息庫，包含目標類型、行為特性等。

(3)環(huán)境特性庫，包含雜波特性、噪聲特性以及電磁特性等等。

(4)態(tài)勢數(shù)據(jù)庫，包含作戰(zhàn)條例、作戰(zhàn)模式等等。

1.2 知識的獲取、學習與應(yīng)用

通過錄取雷達原始A/D數(shù)據(jù)、點跡數(shù)據(jù)、航跡數(shù)據(jù)、傳感器特性(如波段、類型等)數(shù)據(jù)，以及提取的目標運動特性、目標屬性特征、目標行為特性、干擾特征、雜波特征等信息，構(gòu)建目標與環(huán)境大數(shù)據(jù)庫。

綜合多種異類傳感器及輔助信源提供的海量、多源、異構(gòu)數(shù)據(jù)，采用數(shù)據(jù)挖掘、深度學習、知識記憶與推演等人工智能方法，對大數(shù)據(jù)進行信息與知識挖掘，提取出目標/環(huán)境的內(nèi)在規(guī)律及變化趨勢等知識，構(gòu)建目標/環(huán)境特征知識庫、目標行為知識庫等，改善對目標和環(huán)境的動態(tài)認知能力，提升情報質(zhì)量和效率。

對目標/環(huán)境等知識進行離線或在線學習、加工，提高知識的可用性，在此基礎(chǔ)上對檢測、跟蹤進行聯(lián)合優(yōu)化處理，實現(xiàn)算法及參數(shù)的自適應(yīng)設(shè)計，從而對目標和環(huán)境變化具有很強的自適應(yīng)處理、學習和修正能力，以達到目標檢測、點跡過濾、航跡跟蹤、目標分類與型號識別等性能最優(yōu)。

1.3 檢測與跟蹤一體化處理

引入檢測與跟蹤聯(lián)合處理機制，對可利用的信息和知識進行歸納與分類，在此基礎(chǔ)上利用雜波、干擾與目標檢測特性、輔助信源等知識，將檢測系統(tǒng)和跟蹤系統(tǒng)相互關(guān)聯(lián)，實現(xiàn)檢測與跟蹤的閉環(huán)反饋，滿足復雜環(huán)境下(雜波、干擾等)微弱目標信號檢測與跟蹤處理性能，同時具備多源信息綜合處理能力和檢測跟蹤識別統(tǒng)一處理能力，以提升目標估計與辨識性能。

傳統(tǒng)雷達接收到的雜波本應(yīng)在信號處理端進行抑制以便提取目標信息，若在數(shù)據(jù)處理端將雷達的地海雜波信息與地理信息(如地理信息系統(tǒng)(GIS) 數(shù)據(jù)、航路信息、飛行計劃)相融合，能夠建立航跡-航路/飛行計劃關(guān)聯(lián)策略，區(qū)分航路/非航路目標航跡，從而大大提升對態(tài)勢分析與威脅估計的支撐能力。

此外，綜合利用地海雜波識別結(jié)果、空中目標航跡、大中型艦船目標與地海雜波信號可區(qū)分特征、作戰(zhàn)條例、人工情報、技偵情報等多源多維信息，基于多源動態(tài)信息推理與融合和基于上下文信息的態(tài)勢意圖預測，輔助航母檢測與定位，提高目標檢測概率、縮短發(fā)現(xiàn)時間，降低虛假航跡數(shù)。

1.4 航跡后處理

情報類雷達需要具有持久、良好的目標監(jiān)視能力，當目標航跡出現(xiàn)斷裂時，可以采用航跡后處理技術(shù)提升航跡的連續(xù)性，改善情報質(zhì)量。航跡后處理主要由兩部分組成，一部分是航路航跡相關(guān)，另一部分是航跡片段粘連。

航路航跡相關(guān)主要是利用民航航路等外部輔助信息，建立空中走廊模型，確定航路輔助信息與目標航跡的多特征關(guān)聯(lián)指派關(guān)系，運用多源信息動態(tài)推理和綜合策略，對目標航跡的航路/非航路屬性進行度量與判定識別，以實現(xiàn)異常航路目標的檢測、雷達偏差的提取與跟蹤系統(tǒng)的校正。

航跡片段粘連首先將跟蹤系統(tǒng)的輸出航跡集合分為已終結(jié)航跡集合和新起始航跡集合，然后利用終結(jié)航跡外推、新起始航跡回溯以及基于量測點跡的數(shù)據(jù)關(guān)聯(lián)，實現(xiàn)已終結(jié)航跡與新起批航跡的目標同源性度量、自動判決與信息融合，減少同源目標航跡斷批次數(shù)，改善情報質(zhì)量。

1.5 雷達任務(wù)管理與資源調(diào)度

雷達任務(wù)管理與資源調(diào)度主要基于綜合探測效能最優(yōu)準則實現(xiàn)對搜索、跟蹤、識別等多任務(wù)管理，并允許人在回路干預雷達任務(wù)的執(zhí)行。對雷達環(huán)境進行態(tài)勢感知，為雷達波形等參數(shù)調(diào)度提供豐富可靠的環(huán)境信息，在此基礎(chǔ)上采用在線或離線學習方法，智能化學習雷達波形參數(shù)，實現(xiàn)雷達與探測環(huán)境之間的動態(tài)交互，提升雷達在復雜、多變環(huán)境下的適應(yīng)性和探測性能。

1.6 信號預處理

信號預處理主要完成多通道數(shù)字波束合成、主雜波跟蹤、脈沖壓縮、快速傅立葉變換(FFT)等處理，實現(xiàn)對雷達回波的預處理。

2 基于聯(lián)合優(yōu)化指標的檢測與跟蹤一體化

雷達系統(tǒng)中，噪聲、虛警、目標數(shù)目的時變性、檢測及關(guān)聯(lián)的不確定性大大增加了目標檢測與跟蹤的難度。盡管檢測與跟蹤兩者之間存在強耦合，但通常被作為獨立的問題進行研究，并分別采用檢測、跟蹤指標體系評估處理性能。

本節(jié)基于目標檢測與跟蹤性能聯(lián)合指標體系，提出了一種基于聯(lián)合優(yōu)化指標的檢測與跟蹤一體化方法，該方法針對單次檢測與跟蹤結(jié)果進行聯(lián)合性能優(yōu)化分析，通過網(wǎng)絡(luò)通訊獲取正在進行的信息處理結(jié)果，同時通過各項性能評價指標計算，得到聯(lián)合風險函數(shù)最優(yōu)下的檢測與跟蹤結(jié)果，并實時的輸出各項指標結(jié)果，用來自適應(yīng)調(diào)節(jié)檢測與跟蹤算法。

目前常用的性能評價指標包括：

圖2 聯(lián)合檢測與跟蹤系統(tǒng)性能評價指標

基于廣義貝葉斯聯(lián)合風險函數(shù)的聯(lián)合檢測與跟蹤如下：

α2C2(xi,nj|X,N,Z)+α3C3(xi,nj|X,N,Z)+…

其中X為真實目標狀態(tài)集合，Z為量測集合，N為真實目標數(shù)目，xi為當前時刻第i個目標狀態(tài)，nj為當前時刻第j個航跡狀態(tài)，α為各指標的權(quán)重系數(shù)，C(xi,nj|X,N,Z)為各指標的風險代價。

綜合考慮檢測與跟蹤性能，根據(jù)檢測與跟蹤處理結(jié)果自適應(yīng)優(yōu)化調(diào)整目標檢測、數(shù)據(jù)關(guān)聯(lián)、狀態(tài)濾波等環(huán)節(jié)的算法與參數(shù)，實現(xiàn)聯(lián)合風險函數(shù)值最小化。

基于自適應(yīng)粒子濾波和基于PHD的框架設(shè)計都屬于概率框架，均不具有可擴展能力。基于聯(lián)合優(yōu)化指標的檢測與跟蹤一體化設(shè)計具有更好的靈活性，可根據(jù)不同性能指標設(shè)計跟蹤系統(tǒng)，是以用戶為中心的處理系統(tǒng)，可根據(jù)不同階段不同任務(wù)進行自適應(yīng)調(diào)整。比如，前期主要以發(fā)現(xiàn)目標為首要任務(wù)，性能指標選取可偏重檢測環(huán)節(jié)，中期以穩(wěn)定目標跟蹤為首要任務(wù)，性能指標選取可偏重跟蹤環(huán)節(jié)，而后期則可偏重屬性識別環(huán)節(jié)為準確目標打擊提供支撐。

3 算法仿真

采用上述基于聯(lián)合優(yōu)化指標的檢測聯(lián)合跟蹤方法，解決被動相干定位系統(tǒng)(PLC)中的目標跟蹤問題，選用航跡狀態(tài)估計精度作為目標跟蹤性能指標，選用航跡自動起始成功率作為目標檢測性能指標，分別作為跟蹤風險代價和檢測風險代價進行仿真驗證。

考慮PCL系統(tǒng)包含四個發(fā)射機和一個接收機，在PCL系統(tǒng)中，接收機輸出雙站之間徑向距、徑向距速率和到達方位角信息。

圖3 PCL系統(tǒng)仿真場景與狀態(tài)估計結(jié)果

仿真場景如圖3所示：四個傳感器發(fā)射機(五角星標識)位于矩形區(qū)域的四個角落，一個接收機(圓圈標識)位于矩形區(qū)域的中心位置。目標1、2做交叉勻速直線運動，目標3、4做平行勻速直線運動，目標運動參數(shù)如下表所示：

目標號初始狀態(tài)備注1(-5 km,0.2 km/s,5 km,-0.2 km/s)2(-5 km,0.3 km/s,-5 km,0.15 km/s)3(100 km,0.3 km/s,-10 km,0.3 km/s)4(100 km,0.3 km/s,-5 km,0.3 km/s)

目標狀態(tài)轉(zhuǎn)移矩陣和過程噪聲協(xié)方差矩陣分別為：

傳統(tǒng)的S+1-D方法[17-18]將量測-目標-模式三維關(guān)聯(lián)問題轉(zhuǎn)化為量測-模式靜態(tài)關(guān)聯(lián)與偽量測-航跡動態(tài)關(guān)聯(lián)兩個二維數(shù)據(jù)關(guān)聯(lián)問題，通過構(gòu)造所有模式下的量測集合，同時處理靜態(tài)關(guān)聯(lián)和動態(tài)關(guān)聯(lián)，一次性完成量測-模式-航跡的更新。如圖3～圖5所示，本文提出的方法能夠?qū)崿F(xiàn)對四批目標的精確跟蹤，目標位置估計誤差隨時間收斂，且位置估計精度比S+1-D方法更加優(yōu)越。

圖4 目標1和目標2位置估計精度比較

圖5 目標3和目標4位置估計精度比較

4 結(jié) 語

本文針對雷達系統(tǒng)檢測與跟蹤應(yīng)用，設(shè)計了一種知識輔助的貝葉斯檢測聯(lián)合跟蹤處理框架，該框架充分利用地理信息庫、目標信息庫、環(huán)境特性庫、態(tài)勢數(shù)據(jù)庫等先驗知識以及實時獲取的知識，實現(xiàn)檢測與跟蹤聯(lián)合處理，提升目標檢測與跟蹤性能?；诼?lián)合優(yōu)化指標提出了聯(lián)合風險函數(shù)最小的檢測與跟蹤一體化方法，該方法靈活性強，可根據(jù)任務(wù)和用戶需求自適應(yīng)調(diào)整跟蹤系統(tǒng)。Monte Carlo仿真結(jié)果表明該方法比S+1-D算法具有更好的目標估計性能。