自動目標識別的工程視角述評

郁文賢

(上海交通大學電子信息與電氣工程學院 上海 200240)

1 引言

自動目標識別(Automatic Target Recognition,ATR)伴隨著傳感器探測能力與數(shù)據(jù)處理技術(shù)的進步，得到越來越廣泛的重視和發(fā)展，已成為無人系統(tǒng)智能化、自主化的核心。

事實上，對于自動目標識別甚至“識別(Recognition)”本身，學術(shù)領(lǐng)域和工程應(yīng)用領(lǐng)域目前都還沒有一個明確一致、廣泛接受的定義。Tait[1],Ratches[2],Bir Bhanu[3]以及美國林肯實驗室[4]從技術(shù)維度將ATR視為是處理傳感器數(shù)據(jù)并進行自動目標捕獲與辨識的過程。Schachter[5]則從狹義的技術(shù)角度、廣義的技術(shù)角度和工程系統(tǒng)的角度來解釋了ATR。文獻[6]從應(yīng)用任務(wù)的角度將“識別(Recognition)”放置在一個包括6個層級的分類樹中(即檢測、分類、識別、辨識、特性和指紋)，并將ATR定義為確定目標特性以及類型的過程，以便能夠為半自主、自主系統(tǒng)提供高置信度實時決策。

本文從工程應(yīng)用的角度來理解ATR，認為ATR是一個面向應(yīng)用任務(wù)的感知與決策過程，其功能貫穿于目標搜索、定位、跟蹤、鑒別與決策、引導(dǎo)等任務(wù)鏈的每個環(huán)節(jié)，其系統(tǒng)包含了一系列自動化、智能化的目標信號和信息處理算法以及相應(yīng)的軟硬件，以實現(xiàn)目標種類和類型等屬性的高置信度辨識。本文重點從ATR工程應(yīng)用系統(tǒng)的不同視角與維度，來闡述ATR的內(nèi)涵與特點，并簡要回顧了該領(lǐng)域發(fā)展動態(tài)，重點梳理了ATR的核心技術(shù)體系與系統(tǒng)開發(fā)模式，最后對未來的發(fā)展做了展望。

2 認知ATR的視角

從識別的基本原理來看，ATR可歸于模式識別范疇，關(guān)注的是目標特征問題，這是從特征識別的視角來認知ATR。ATR系統(tǒng)的性能與任務(wù)需求、探測器及平臺特性、目標環(huán)境狀態(tài)以及整個探測體系支持等都直接相關(guān)，其能力是系統(tǒng)各相關(guān)功能的集成，因此需要從任務(wù)驅(qū)動、系統(tǒng)資源優(yōu)化調(diào)度以及整個探測體系支撐等視角來分析與理解。ATR系統(tǒng)具有固有的不確定性，需要從不確定性的視角來認知ATR。學習能力是任何識別系統(tǒng)的核心支撐，因此要從開放環(huán)境動態(tài)學習的視角來認知ATR系統(tǒng)自組織、自生長的內(nèi)在需求。圖1示意了從特征識別、任務(wù)驅(qū)動、優(yōu)化調(diào)度、體系支撐、不確定性和動態(tài)學習6個不同視角來認知ATR的內(nèi)涵與特點。

圖1 ATR的認知視角Fig.1 Perspectives of ATR

2.1 特征識別

目標識別有賴于目標的特征信息。每類目標在特定環(huán)境中都有其固有特性，與大多數(shù)物理現(xiàn)象一樣，目標特性是客觀存在的，而不同目標在特性上具有差異性或唯一性，這從源頭上為目標識別提供了基礎(chǔ)。特征是目標特性在探測器觀測域內(nèi)的外在表現(xiàn)，可認為是目標特性在識別域的物理數(shù)學表征，也是對目標具備的空間、幾何、電磁、運動等特性的感知、分析與描述。

從信息的角度理解，各種測量儀器設(shè)備獲取的目標數(shù)據(jù)可看作特定介質(zhì)下目標特性的調(diào)制，這種調(diào)制是本源的目標特性與現(xiàn)實世界環(huán)境疊加、耦合所產(chǎn)生的信號響應(yīng)，蘊含了豐富的目標信息。因而，ATR的核心任務(wù)正是通過揭示探測空間中復(fù)雜的耦合作用機理、挖掘獲取信號的信息，以實現(xiàn)目標特性的反演。特征提取是從現(xiàn)實測量信號中尋求目標差異性和唯一性的數(shù)學表征過程，實際應(yīng)用中，為了實現(xiàn)可靠的目標識別，關(guān)鍵是快速發(fā)現(xiàn)并獲取特定場景下易于計算且穩(wěn)健的目標特征。

2.2 任務(wù)驅(qū)動

ATR服務(wù)于具體場景下的任務(wù)，與ATR相關(guān)的任務(wù)描述與表征是ATR系統(tǒng)開發(fā)的基礎(chǔ)。與任務(wù)描述相關(guān)的要素包括目標探測范圍與環(huán)境條件、目標數(shù)量與目標類型、識別距離與時間約束、目標識別精度要求、重要目標識別要求、探測平臺特性、探測傳感器配置與功能協(xié)同性、系統(tǒng)數(shù)據(jù)處理能力、數(shù)據(jù)傳輸與通信保障性能、人在環(huán)路特性、先驗知識的支撐能力等。任務(wù)需求不是固定不變的，而是隨實際過程動態(tài)調(diào)整的。

任務(wù)過程可以利用OODA環(huán)來進行描述。OODA環(huán)包含觀察(Observe)-調(diào)整(Orient)-決策(Decide)-行動(Act) 4個環(huán)節(jié)，是由約翰-博伊德于1977年提出的理論，它簡明而深刻地闡釋了如何高效執(zhí)行任務(wù)。圖2是ATR在無人機區(qū)域目標搜索識別與跟蹤探測中的概念性圖示，貫穿任務(wù)過程的關(guān)鍵是對目標的精準識別。

2.3 優(yōu)化調(diào)度

ATR系統(tǒng)需要針對識別任務(wù)要求，依據(jù)目標場景信息、平臺和傳感器特性以及其他相關(guān)要素，優(yōu)化調(diào)度系統(tǒng)探測資源和計算資源才能實現(xiàn)面向識別任務(wù)的最佳匹配效能。任務(wù)規(guī)劃和資源調(diào)度受相關(guān)實際變量的約束，如識別目標類型、環(huán)境與范圍、傳感器類型與性能等，因此在實際應(yīng)用中需要結(jié)合這些約束變量進行綜合分析，如圖3所示，根據(jù)實際識別任務(wù)與場景，對相關(guān)資源(如傳感資源、傳輸資源、計算資源等)進行優(yōu)化調(diào)度，實現(xiàn)目標數(shù)據(jù)獲取與處理，然后對任務(wù)結(jié)果進行評估，并結(jié)合評估結(jié)果繼續(xù)對資源調(diào)度環(huán)節(jié)進行優(yōu)化，以期最佳完成任務(wù)。

2.4 體系支撐

通過對整個體系中目標情報信息的共享和探測能力的協(xié)同，可有效提升每個感知單元的ATR能力，但也對ATR提出了更多的需求和挑戰(zhàn)。一是面向任務(wù)要求，如何實現(xiàn)相關(guān)目標探測數(shù)據(jù)與信息的智能化高效引接；二是如何實現(xiàn)不同探測系統(tǒng)目標數(shù)據(jù)的一致性處理、關(guān)聯(lián)配準與融合；三是各類數(shù)據(jù)與信息處理結(jié)果的置信度可信評估、一體化更新和統(tǒng)一目標視圖的形成；四是面向高速運轉(zhuǎn)的任務(wù)進程，如何在最短時間內(nèi)以最適合的方式向不同任務(wù)節(jié)點提供精準的ATR信息。

2.5 不確定性

ATR結(jié)果的不確定性源于諸多因素。預(yù)設(shè)目標場景的變化、目標對象的未知性、目標與環(huán)境先驗信息與知識的有限性、新型“低、小、隱身”目標、目標實際觀測數(shù)據(jù)的稀少性等，都給目標的搜索發(fā)現(xiàn)、定位跟蹤、干擾鑒別、識別確認與決策執(zhí)行等帶來不確定性。需要對各類數(shù)據(jù)與信息的不確定性來源及特點進行梳理和分析，并成體系地采用針對性的方法進行抑制或消減。應(yīng)將各類不確定性因素進行合理建模，并納入到實際ATR系統(tǒng)的設(shè)計與開發(fā)中。一般通過多源信息融合來消減不確定性對目標識別和決策的影響，其中融合可在數(shù)據(jù)層、特征層或決策層3個層面實現(xiàn)，如圖4所示[7]。

圖4 多源融合層次化結(jié)構(gòu)Fig.4 Hierarchical structure of multi-source fusion

2.6 動態(tài)學習

ATR最終是過程實踐與學習積累形成的能力。無論是通過實際應(yīng)用場景學習積累，還是通過基于先驗?zāi)Ｐ偷奶摂M場景數(shù)據(jù)訓練，復(fù)雜多變的目標場景決定了ATR系統(tǒng)必須具備高效率的增量學習、遷移學習、聯(lián)想學習等動態(tài)學習能力，識別系統(tǒng)也應(yīng)隨著任務(wù)與場景數(shù)據(jù)的不斷積累，動態(tài)實現(xiàn)系統(tǒng)數(shù)據(jù)、算法軟件的更新與識別能力的躍升。以在線持續(xù)學習為例，圖5給出了其自演進架構(gòu)[8]。

圖5 ATR在線學習自演進架構(gòu)[8]Fig.5 ATR online learning and self-evolving architecture[8]

3 ATR發(fā)展的簡要回顧

ATR領(lǐng)域真正得到廣泛關(guān)注還是從20世紀80年代開始[9]。美國國防高級研究計劃局(Defense Advanced Research Projects Agency,DARPA)把ATR列為國防關(guān)鍵技術(shù)方向，20世紀90年代啟動的移動和固定目標自動識別項目(Moving and Stationary Target Automatic Recognition,MSTAR)[10]和2015年啟動的對抗環(huán)境目標識別與適應(yīng)項目(Target Recognition and Adaption in Contested Environments,TRACE)[11]等，都對推進ATR技術(shù)的研究與應(yīng)用起到了積極作用。圖6是MSTAR部分數(shù)據(jù)樣本的示意。

圖6 MSTAR部分數(shù)據(jù)樣本Fig.6 Data samples of MSTAR

ATR領(lǐng)域的研究內(nèi)容非常豐富，本文從整體的技術(shù)發(fā)展特點并結(jié)合ATR試驗驗證技術(shù)來對ATR領(lǐng)域的發(fā)展做一個概略性分析。

3.1 經(jīng)典識別方法

從20世紀60年代開始直至21世紀初，該階段研究涉及了所有的傳感器以及各類ATR識別理論與方法，也普遍采用了知識庫系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)[12-16]，但主要基于特征提取與模式匹配的傳統(tǒng)模式識別基礎(chǔ)框架[17]，我們把這類方法統(tǒng)稱為經(jīng)典識別方法。

光學、紅外圖像目標識別主要是基于20世紀60年代的矩不變理論[18]，重點提取二維不變矩特征和建立基于Hu不變矩等矩不變量的識別系統(tǒng)。雷達目標識別方面，主要依賴目標電磁散射特征、極化特征與多普勒特征等，這些特征的獲取與雷達的探測狀態(tài)相關(guān)[19-21]。對于窄帶雷達，雷達目標的自然諧振頻率、目標雷達散射截面積(Radar Cross Section,RCS)等被用于目標分類識別[22-24]。對于寬帶雷達，主要關(guān)注雷達高分辨距離像(High Resolution Range Profile,HRRP)特征提取。HRRP通常具有方位敏感性和平移敏感性，需采用非相干平均、平移不變性等方法得到穩(wěn)定特征[25-30]。對合成孔徑雷達(Synthetic Aperture Radar,SAR)與逆合成孔徑雷達(Inverse Synthetic Aperture Radar,ISAR)圖像的目標識別方法，一般都是融合了圖像識別與雷達目標電磁特征識別的共性方法[31-35]。激光雷達的目標識別主要依賴于測距圖像中的幾何形狀特征提取[36-38]，利用目標模型特征可以實現(xiàn)與姿勢無關(guān)的激光雷達ATR[39]。

早期的識別方法采用的目標數(shù)據(jù)樣本數(shù)大多較小，算法更多依靠人工設(shè)計出的特征和分類器，且采用小規(guī)模的神經(jīng)網(wǎng)絡(luò)分類器[40-44]。在卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)之前，出現(xiàn)了一些“端到端”的神經(jīng)網(wǎng)絡(luò)雛形，他們只需要輸入原始圖像或信號，從原始數(shù)據(jù)中學習特征并進行目標識別[45-51]，這類方法的問題在于人工選擇的特征通常不完整。

3.2 深度學習方法

借助新一代人工智能深度學習理論與方法的不斷迭代進步，ATR進入了一個新的發(fā)展階段，其研究不再局限于“特征”模式識別框架，我們把相應(yīng)方法歸類為深度學習ATR方法。2012年，AlexNet網(wǎng)絡(luò)首次將深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)用于大規(guī)模圖像識別大幅提高了識別精度[52]。早期的研究將CNN作為特征提取工具，發(fā)現(xiàn)其相比傳統(tǒng)方法擁有更高的目標識別率，這一點在聲吶圖像、雷達圖像的現(xiàn)實識別應(yīng)用中得到了反復(fù)驗證[53-55]。隨后，越來越多的方法開始揚棄“特征”這一傳統(tǒng)模式識別概念，利用CNN實現(xiàn)“端到端”目標識別，即利用CNN來完成特征提取和分類識別全過程[56]。

CNN已被應(yīng)用于導(dǎo)引頭一維距離像識別、紅外圖像識別與雷達圖像目標識別等[57-66]。文獻[67]利用完全學習機來學習CNN特征，在識別的泛化性能和訓練速度方面優(yōu)勢明顯。文獻[68]將CNN與聯(lián)合稀疏表示相結(jié)合，在噪聲樣本和小樣本的條件下都取得了較好的性能。文獻[69]提出的深度嵌套CNN有效提取了雷達回波信號特征，可更好地識別目標。文獻[70]表明，CNN結(jié)合注意力機制可有效聚焦于重要目標區(qū)域，能為SAR識別帶來顯著的性能增益。近期研究也發(fā)現(xiàn)CNN在抗欺騙、干擾等方面具備先天缺陷，在輸入中插入輕微的不可察覺擾動就能輕易實現(xiàn)模型欺騙[71,72]。文獻[73]提出了一種新型的網(wǎng)絡(luò)“防御層”，旨在阻止對抗性噪聲的產(chǎn)生，并防止黑盒和灰盒環(huán)境中的對抗性攻擊。此外，開展噪聲、干擾及多視角情況下的高魯棒性目標識別神經(jīng)網(wǎng)絡(luò)研究已成為當前研究熱點[74-76]。

深度學習ATR方法，在識別率上取得了突破，但其“可解釋性”較差，這會導(dǎo)致ATR系統(tǒng)在應(yīng)用時存在決策風險。可解釋對于增強ATR系統(tǒng)的可信任至關(guān)重要，是ATR技術(shù)更好落地應(yīng)用的關(guān)鍵之一[77]。ATR識別的準確性取決于預(yù)測目標場景模型的精度和實際任務(wù)場景的匹配性，對ATR的可解釋性需要充分結(jié)合預(yù)測模型、目標和任務(wù)場景知識，從物理、統(tǒng)計和知識等多方面來解釋ATR的計算與決策過程。

同時，在ATR領(lǐng)域，要獲得合適的目標數(shù)據(jù)集是一大挑戰(zhàn)，很多情況下甚至是不可能的。當缺乏足夠數(shù)量真實標記數(shù)據(jù)時，遷移學習可將一個訓練好的網(wǎng)絡(luò)應(yīng)用到另一個相似任務(wù)中進行識別[78]。文獻[79]首次展示了模擬數(shù)據(jù)集和真實SAR圖像集之間的遷移學習。文獻[80,81]利用域自適應(yīng)遷移學習，準確地檢測識別出SAR圖像中密集分布的艦船目標。利用生成對抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)學習分布相近的新樣本，可實現(xiàn)對目標數(shù)據(jù)集的增強[82,83]，而通過目標物理模型和對模型目標特征的假設(shè)，來實現(xiàn)訓練樣本擴充也是常見的方法[84]。

3.3 ATR試驗驗證技術(shù)

ATR是一個系統(tǒng)層面的任務(wù)功能，數(shù)據(jù)與場景化試驗驗證是推動ATR系統(tǒng)發(fā)展與應(yīng)用的關(guān)鍵。這里從系統(tǒng)試驗驗證技術(shù)的角度來介紹ATR的相關(guān)發(fā)展。

各類場景化目標數(shù)據(jù)集的構(gòu)建對推動ATR技術(shù)研發(fā)、驗證ATR系統(tǒng)的性能等發(fā)揮著關(guān)鍵作用。數(shù)據(jù)集在構(gòu)建時應(yīng)對實際應(yīng)用中的各類復(fù)雜環(huán)境和影響因素進行細分并予以考慮[85]。美國“無暇”號水聲監(jiān)測船等搜集全球各類水面、水下目標的特征數(shù)據(jù)，形成了目標與威脅特性數(shù)據(jù)庫系統(tǒng)(National Target/Threat Signatures Data System,NTSDS)。MSTAR數(shù)據(jù)集被廣泛應(yīng)用于ATR研究領(lǐng)域[10]，并成為目標識別的基準測試數(shù)據(jù)集。在國內(nèi)，上海交通大學構(gòu)建了國內(nèi)首個SAR圖像解譯數(shù)據(jù)開放共享平臺OpenSARShip，提供了4萬個以上精確標注的SAR圖像海上艦船目標切片[86]，如圖7所示。中國科學院空天信息創(chuàng)新研究院基于高分三號衛(wèi)星數(shù)據(jù)構(gòu)建了面向?qū)挿鶊鼍暗腟AR艦船目標公開樣本數(shù)據(jù)集[87]；海軍航空大學提出了“雷達對海探測數(shù)據(jù)共享計劃”，并分批次公開發(fā)布共享規(guī)范化數(shù)據(jù)集[88]；國防科技大學構(gòu)建了空中弱小目標檢測跟蹤數(shù)據(jù)庫[89]。

圖7 OpenSARShip部分數(shù)據(jù)樣本Fig.7 Data samples of OpenSARShip

通過實測驗證和評估ATR系統(tǒng)的應(yīng)用效能，可形成系統(tǒng)技術(shù)演進閉環(huán)。在2001-2006年，國防科技大學ATR實驗室[90]開展了現(xiàn)役窄帶雷達艦船目標自動識別試驗驗證，在試驗中持續(xù)提升了算法的場景適應(yīng)性，平均識別準確率可達85%以上。但依賴實測構(gòu)建的數(shù)據(jù)集通常會面臨場景有限與目標樣本稀少的問題。20世紀80年代起，DARPA開展了一系列基于模型的ATR數(shù)據(jù)集構(gòu)建，這包括前面提到的MSTAR。而1986年開展的測量與特征情報(Measurement and Signature Intelligence,MASINT)系統(tǒng)，采取基于目標實測數(shù)據(jù)的模型仿真和數(shù)據(jù)增強、增廣來取得高置信度數(shù)據(jù)，在結(jié)合目標實測的情況下，大幅提升了數(shù)據(jù)集的規(guī)模與可用性。

在試驗驗證中引入人在環(huán)路的標注、驗證與判別也是輔助ATR系統(tǒng)演進的重要因素。文獻[91]提出了利用人工判別知識的ATR技術(shù)來進行海上目標識別。文獻[92]則在水下識別領(lǐng)域應(yīng)用了相似策略，通過人類感知與ATR算法協(xié)同使用的方式完成各類水下物體的標注、篩選及識別任務(wù)。文獻[93]同樣針對水下物體識別，在ATR算法基礎(chǔ)上將操作人員納入整體識別系統(tǒng)以擴展及完善系統(tǒng)的識別能力。文獻[94]則在人機結(jié)合基礎(chǔ)上，分析比較不同人機協(xié)同方案在不同海況、尺寸目標情況下真實試驗中的識別能力。

動態(tài)多變的目標場景決定了ATR系統(tǒng)需要適應(yīng)不同任務(wù)場景需求才能實現(xiàn)對目標的可靠識別。美國在20世紀90年代就開展了以任務(wù)場景為驅(qū)動的ATR系統(tǒng)技術(shù)研究，早期典型的案例是1996年起開展的半自動圖像處理(Semi-Automated IMINT(Image Intelligence) Processing,SAIP)項目[95]。2015年起，DARPA開展了一系列以TRACE計劃為代表的智能化識別技術(shù)研究，將發(fā)展重點聚焦于任務(wù)場景驅(qū)動的復(fù)雜環(huán)境、有限數(shù)據(jù)、高實時性、高動態(tài)環(huán)境下的ATR技術(shù)。包括復(fù)雜部署環(huán)境的低虛警率檢測技術(shù)、有限數(shù)據(jù)集下的新目標快速學習技術(shù)以及低功耗系統(tǒng)下的快速目標識別技術(shù)等[95]。2020年開展的動目標識別(Moving Target Recognition,MTR)計劃重點發(fā)展在沒有對方先驗信息或僅有少量信息的情況下，完成對對方高價值目標的自動搜索、識別及跟蹤[96]。

要強調(diào)的是，當前有關(guān)ATR的試驗測試評估還并不成熟。研究ATR系統(tǒng)的評估理論，構(gòu)建有效的體系化、場景化的測試方法，對促進ATR技術(shù)進步和加快ATR工程化應(yīng)用具有重要意義。

4 ATR核心技術(shù)體系與系統(tǒng)開發(fā)模式

4.1 ATR核心技術(shù)體系

ATR核心技術(shù)體系的描述與構(gòu)建可以從ATR系統(tǒng)核心能力的構(gòu)成來梳理，這需要首先明確ATR能力的核(Core)是什么。這里將ATR系統(tǒng)的核心能力歸納為任務(wù)鏈中與ATR密切相關(guān)且有機銜接的3個能力：數(shù)據(jù)信息能力、信息認知能力和感知通信計算支撐能力。

數(shù)據(jù)信息能力是指ATR系統(tǒng)在任務(wù)時空窗口內(nèi)，最佳地使用探測器以及數(shù)據(jù)鏈路所獲得的目標數(shù)據(jù)的識別信息量。如圖8，提升數(shù)據(jù)信息能力涉及的核心技術(shù)有：目標場景分析預(yù)測、任務(wù)建模與動態(tài)生成、多傳感器協(xié)同探測、多源數(shù)據(jù)引接與一致性處理等。要強調(diào)的是，這些核心技術(shù)都涉及目標特性這一共性基礎(chǔ)，只有掌握了目標特性蘊含的規(guī)律，才能有效支撐目標場景分析預(yù)測、識別任務(wù)生成與最優(yōu)化的協(xié)同探測。同時可以看出，優(yōu)化調(diào)度是數(shù)據(jù)信息能力形成過程中的一個共性問題。要說明的是，在實際復(fù)雜環(huán)境中，發(fā)現(xiàn)即識別一般是不可能的，因此ATR系統(tǒng)需要多次或連續(xù)的觀測目標才能獲得更多的識別信息，所以數(shù)據(jù)信息能力的提升也和ATR系統(tǒng)的目標檢測與精確定位跟蹤等能力密切相關(guān)。

圖8 ATR數(shù)據(jù)信息能力的核心技術(shù)構(gòu)成示意圖Fig.8 Illustration of the core technologies of ATR competence regarding data information

信息認知能力是指ATR系統(tǒng)從數(shù)據(jù)中有效提取信息并實現(xiàn)目標檢測、定位、跟蹤、識別與態(tài)勢預(yù)測的能力以及系統(tǒng)動態(tài)學習演進的能力。如圖9，提升信息認知能力涉及的核心技術(shù)有：目標特性先驗知識庫、目標數(shù)據(jù)處理識別算法、人機交互與協(xié)同、系統(tǒng)自適應(yīng)學習、數(shù)據(jù)處理體系架構(gòu)與低功耗實時計算、識別能力驗證與評估等。其中目標特性先驗知識庫是目標數(shù)據(jù)特征信息認知的基礎(chǔ)，各類目標數(shù)據(jù)處理與檢測、跟蹤、識別等算法用于實現(xiàn)目標不同層級與維度的信息認知任務(wù)，人機交互與協(xié)同可以增強目標認知能力，自適應(yīng)學習能力是ATR系統(tǒng)不斷演進的關(guān)鍵，合理的處理體系架構(gòu)可以確保ATR最佳的計算資源保障，而面向工程化應(yīng)用的ATR測試評估可以加速形成ATR系統(tǒng)的任務(wù)實現(xiàn)能力。ATR的信息認知能力不是一蹴而就的，需要ATR系統(tǒng)日積月累的場景化目標數(shù)據(jù)訓練與性能迭代演進。

圖9 ATR信息認知能力的核心技術(shù)構(gòu)成示意圖Fig.9 Illustration of the core technologies of ATR competence regarding information recognition

感知通信計算支撐能力是指ATR所依賴并緊耦合的探測、通信與計算資源、以及運動平臺載體資源等，是目標數(shù)據(jù)獲取、傳輸與計算的基礎(chǔ)支撐能力。運動平臺與載荷決定了目標感知的時間跨度與空間范圍、目標探測的時域、頻域與空間域的分辨能力，通信鏈路提供了數(shù)據(jù)的可靠及時傳輸，各類數(shù)據(jù)處理基礎(chǔ)軟硬件等構(gòu)成的計算系統(tǒng)為算法軟件的運行提供了支持。

圖10是ATR核心技術(shù)能力(ATR Core)的構(gòu)成示意圖。從軟件定義系統(tǒng)來看，所有軟硬件都是ATR系統(tǒng)中獲取、傳輸與處理數(shù)據(jù)的不同功能模塊；因此，在感知通信計算支撐能力確定的情況下，ATR系統(tǒng)的核心關(guān)鍵能力主要在于數(shù)據(jù)信息能力與信息認知能力。其中，目標特性與特征、處理體系架構(gòu)以及支撐ATR在開放場景現(xiàn)實應(yīng)用的自適應(yīng)學習演進是核心技術(shù)中的基礎(chǔ)支撐技術(shù)，而圖10外環(huán)中的場景分析預(yù)測、任務(wù)建模與動態(tài)生成、多傳感協(xié)同探測、人機協(xié)同、處理識別、識別測試評估等技術(shù)構(gòu)成了ATR應(yīng)用的核心技術(shù)鏈。

圖10 ATR Core的核心技術(shù)構(gòu)成示意圖Fig.10 Illustration of the key technologies of ATR Core

4.2 ATR系統(tǒng)實現(xiàn)模式

ATR系統(tǒng)的實現(xiàn)模式是指ATR工程化開發(fā)過程中具有一般性、結(jié)構(gòu)性、穩(wěn)定性、可操作性的特征的歸納和總結(jié)[97]。ATR的任務(wù)特點與技術(shù)框架決定了ATR系統(tǒng)的實現(xiàn)模式，技術(shù)驅(qū)動了架構(gòu)和模式的不斷演進[98,99]。

如圖11所示，ATR系統(tǒng)在實際工程應(yīng)用中，面臨著從封閉環(huán)境(即目標集是有限集、背景確定的環(huán)境)到開放環(huán)境(即目標集包含目標環(huán)境背景變化、目標種類不確定等)的挑戰(zhàn)。

圖11 ATR應(yīng)用從封閉走向開放Fig.11 ATR application: from close form to open form

根據(jù)ATR系統(tǒng)的研究實踐[7,100-102]，ATR工程應(yīng)用系統(tǒng)的開發(fā)重點遵循如下兩種模式: 一是迭代演進模式，這類開發(fā)模式是一種迭代和增量開發(fā)過程；二是開放生態(tài)模式，這類開發(fā)模式是一種基于開放平臺與環(huán)境的ATR實現(xiàn)模式。這兩種模式實際上是需要相互關(guān)聯(lián)與疊加的，這里只是從不同的維度來對ATR系統(tǒng)的工程實現(xiàn)方式進行闡述與討論。由于任務(wù)與應(yīng)用環(huán)境的特殊性，ATR系統(tǒng)實現(xiàn)的迭代方式和開放生態(tài)范圍都有其自身的特點。

4.2.1 迭代演進實現(xiàn)模式

ATR系統(tǒng)的實現(xiàn)，需要經(jīng)過需求捕獲、系統(tǒng)分析、設(shè)計、實現(xiàn)和測試5個過程(如圖12)[102]。

圖12 迭代演進開發(fā)模式演進流程Fig.12 Process of iteratively-evolving development patterns

迭代演進開發(fā)模式充分考慮到ATR任務(wù)與系統(tǒng)的特點，旨在解決開發(fā)過程中需求的多樣性、不確定性等難點，將試驗設(shè)計技術(shù)應(yīng)用到目標識別系統(tǒng)，依托快速原型系統(tǒng)或者通用平臺，在現(xiàn)場試驗中逐步明確需求、突破關(guān)鍵技術(shù)、促進使用和發(fā)現(xiàn)問題，這一過程循環(huán)往復(fù)，不斷完善、更新并逐步固化所開發(fā)的算法和系統(tǒng)功能，促使系統(tǒng)在每一次循環(huán)迭代中，功能和性能增量迭代上升，使之不斷接近用戶真正的使用要求[97]。圖13總結(jié)了筆者團隊開發(fā)的一類雷達目標識別系統(tǒng)具體的工程開發(fā)流程和所使用的方法，由此可見，模式既是復(fù)雜系統(tǒng)本身，也是該系統(tǒng)的實現(xiàn)流程[102]。

圖13 雷達目標識別系統(tǒng)的迭代增長式工程開發(fā)模式Fig.13 An iteratively incremental engineer development model for a radar target recognition system

4.2.2 開放生態(tài)實現(xiàn)模式

現(xiàn)有ATR系統(tǒng)高度封閉的實現(xiàn)模式存在以下問題：對特定任務(wù)需求高度定制化，系統(tǒng)缺乏泛化能力；與現(xiàn)有軟硬件環(huán)境緊耦合，系統(tǒng)移植性差、升級困難；接口與邊界定義無統(tǒng)一規(guī)范，重復(fù)開發(fā)現(xiàn)象普遍；算法、數(shù)據(jù)、模型較封閉，導(dǎo)致重復(fù)建設(shè)、資源浪費。

構(gòu)建開放生態(tài)環(huán)境是解決以上問題的重要途徑。這在機器人與自動駕駛領(lǐng)域有成功案例值得借鑒。例如機器人領(lǐng)域的操作系統(tǒng)(Robot Operating System,ROS)[103]與自動駕駛領(lǐng)域的百度阿波羅(Apollo)等開放生態(tài)環(huán)境，如圖14所示。ROS提供了通信框架、應(yīng)用功能、開發(fā)工具、社區(qū)系統(tǒng)“四位一體”的生態(tài)環(huán)境，其核心是為機器人軟件系統(tǒng)提供了統(tǒng)一框架，將復(fù)雜的機器人軟件系統(tǒng)功能模塊劃分成獨立運行的程序。百度阿波羅開放平臺與ROS類似，阿波羅平臺還通過云端數(shù)據(jù)服務(wù)進行仿真數(shù)據(jù)生成、測試，旨在提升研發(fā)人員快速搭建自動駕駛系統(tǒng)的效率。

圖14 百度Apollo 6.0開放生態(tài)環(huán)境示意圖Fig.14 Illustration of Baidu Apollo 6.0 open ecological environment

ROS與Apollo等開放生態(tài)環(huán)境的成功對ATR系統(tǒng)研發(fā)有極高參考價值。結(jié)合ATR應(yīng)用特點，面向ATR的開放生態(tài)環(huán)境應(yīng)包含以下方面：統(tǒng)一的接口規(guī)范與通信機制、功能模塊的獨立組件化、開發(fā)工具、共享倉庫、數(shù)據(jù)集倉庫、功能模塊倉庫、目標信息倉庫、應(yīng)用場景信息倉庫等。

ATR開放生態(tài)的核心在于向相關(guān)開發(fā)人員開放場景、開放數(shù)據(jù)、開放平臺。20世紀90年代開始，國防科技大學ATR實驗室[104,105]針對多個觀測站艦船目標識別場景和實際使用中的窄帶雷達，基于自主開發(fā)的柔性雷達ATR原型平臺，建立了跨海域、20余類目標、20萬批次的雷達目標信號數(shù)據(jù)倉，為ATR研究人員提供了開放的海上ATR識別場景和快速開發(fā)平臺，將ATR系統(tǒng)的開發(fā)與部署時間從早期需要八九個月逐步降到一周，直至幾個小時。

5 未來發(fā)展挑戰(zhàn)

ATR的發(fā)展永遠在路上。ATR領(lǐng)域當前與未來面臨的挑戰(zhàn)性技術(shù)與工程應(yīng)用問題主要集中在ATR技術(shù)與任務(wù)的耦合、識別系統(tǒng)的預(yù)測水平、與場景的適應(yīng)能力3個方面。

5.1 ATR技術(shù)鏈與應(yīng)用任務(wù)鏈的高效構(gòu)建與耦合

ATR能力服務(wù)于識別任務(wù)，不同任務(wù)階段的需求構(gòu)成了ATR工程應(yīng)用任務(wù)鏈。ATR系統(tǒng)根據(jù)任務(wù)過程中的需求實時提供目標識別與決策支持。但現(xiàn)實情況下，ATR技術(shù)鏈與應(yīng)用任務(wù)鏈的構(gòu)建與耦合長期面臨著眾多困難。這些問題主要有：

(1) ATR能力受限于任務(wù)需求存在的固有不確定性。目前識別任務(wù)的需求一般都是定性為主，任務(wù)想定與實際場景可能存在較大差距，同時也缺乏任務(wù)需求的規(guī)范化表征與生成。任務(wù)需求的不確定性將給ATR系統(tǒng)的開發(fā)，尤其是核心算法的開發(fā)帶來困難。

(2) ATR技術(shù)創(chuàng)新與系統(tǒng)集成之間存在隔閡。ATR是系統(tǒng)的功能集成體現(xiàn)，ATR指標不能簡單的看成是一個數(shù)據(jù)的統(tǒng)計指標，它實際上都是系統(tǒng)性的總體指標。但實際情況是，很多研究ATR的技術(shù)人員，難以了解、參與任務(wù)總體，ATR技術(shù)的創(chuàng)新研究和工程應(yīng)用之間存在很大的縫隙。

(3) ATR效能受限于傳感器自身能力與探測模式。大量的探測設(shè)備，尤其是雷達，都是以目標發(fā)現(xiàn)跟蹤為目的，系統(tǒng)設(shè)計通常遵循的是點目標處理思想，因此傳感器本身就不提供或僅提供很少的精細化描述信息。這種傳統(tǒng)的探測模式在機理上決定了不適用于目標識別模式，即使通過各種處理方法，也難以實現(xiàn)信息“補齊”。這將涉及設(shè)備觀測與使用方式的調(diào)整。

(4) ATR能力的形成與拓展受多元創(chuàng)新協(xié)同不足制約。ATR系統(tǒng)能力的形成需要在使用中迭代，但研制方交付用戶后，一般難以提供、也很少提供與目標識別緊密相關(guān)的數(shù)據(jù)處理、管理與更新等軟件及服務(wù)。在設(shè)備用戶、設(shè)備研制方和ATR技術(shù)與服務(wù)提供方之間還難以形成高效的技術(shù)創(chuàng)新協(xié)同鏈路。

5.2 ATR系統(tǒng)的識別性能受制于預(yù)測目標模型的能力

ATR之難，源于對識別對象不完備、不確定的觀測。目標的非合作性與欺騙性、干擾的引入、環(huán)境的變化以及受限的觀測手段、有限的觀測時空窗口等，都使得通過有限訓練樣本與模型建立的ATR方法很難滿足實際要求。需重點關(guān)注：

(1) 要解決目標與環(huán)境的有效建模問題。建模的要求不是單純?yōu)榱司_，而是要盡可能覆蓋各類可能的目標模型。這需要建立一個復(fù)雜的層次化、網(wǎng)絡(luò)化的目標分類模型空間，在不同的識別層次上采用不同的建模方法。

(2) 要解決特定應(yīng)用場景預(yù)測目標模型的有效選擇、裁剪和快速學習訓練與裝訂問題。要針對各類應(yīng)用場景，快速形成任務(wù)模型與流程，設(shè)置可能目標集合與相應(yīng)的預(yù)測目標模型，快速訓練形成面向特定應(yīng)用任務(wù)的ATR算法軟件。需要通過有效預(yù)測目標場景狀態(tài)或縮小目標場景空間，來降低目標模型預(yù)測的復(fù)雜性，從而提高ATR的可靠性。

(3) 要發(fā)展可解釋性ATR技術(shù)。通過多維度構(gòu)建和表達ATR領(lǐng)域知識，并與任務(wù)驅(qū)動、數(shù)據(jù)驅(qū)動技術(shù)相結(jié)合，將領(lǐng)域知識更好地嵌入到深度模型的學習和推理過程中，發(fā)展解釋性強、泛化性好、魯棒性高ATR模型和技術(shù)。

5.3 ATR系統(tǒng)面臨的場景適應(yīng)性挑戰(zhàn)

ATR處于動態(tài)開放環(huán)境下，新需求、新任務(wù)、新數(shù)據(jù)、新目標不斷出現(xiàn)，目標特性的變化和應(yīng)用場景多樣性要求ATR系統(tǒng)具備快速自學習、自組織、自生長的能力。

(1) 發(fā)展軟件定義的柔性ATR系統(tǒng)架構(gòu)和以識別為核心ATR操作系統(tǒng)，以適應(yīng)快速、靈活定制或更新不同環(huán)境條件下的ATR系統(tǒng)的需要。發(fā)展敏捷、輕量化的ATR系統(tǒng)架構(gòu)和識別處理技術(shù)產(chǎn)品，以適應(yīng)各類靈巧型智能設(shè)備的發(fā)展需求。

(2) 加強目標場景表征與分類研究，形成規(guī)范化的分類、分級ATR目標場景視圖。在此基礎(chǔ)上，發(fā)展ATR跨場景高效遷移學習、融合學習方法，提升跨域、跨場景下的ATR系統(tǒng)能力。

(3) 發(fā)展ATR領(lǐng)域更為有效的系統(tǒng)學習演進理論與方法，使得ATR系統(tǒng)能夠在使用過程中進行持續(xù)高效的進化與擴展，保持對新出現(xiàn)目標類型、樣本特性和場景狀態(tài)穩(wěn)定的識別能力；建立適應(yīng)ATR任務(wù)特點的虛實混合訓練模型與模式，最大程度地構(gòu)建開放的ATR生態(tài)，形成場景、數(shù)據(jù)、算法的閉環(huán)，加速ATR系統(tǒng)的泛化應(yīng)用。

ATR是一個永恒的挑戰(zhàn)。ATR的發(fā)展需要領(lǐng)域相關(guān)技術(shù)的進步與應(yīng)用整合，需要更多的領(lǐng)域研究人員面向應(yīng)用場景深耕細作，不斷的把ATR技術(shù)的研究和工程應(yīng)用推向極限，成就ATR之美。