分布式多傳感器多目標(biāo)跟蹤方法綜述

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項目。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)處理實時性差。分布式信息融合系統(tǒng)的每個傳感器都有各自的數(shù)據(jù)處理中心，可以獨自對獲得的量測數(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，但混合式融合方式的結(jié)構(gòu)比前兩種融合方式復(fù)雜，增加了通信和計算上的代價[28-30]。由于分布式融合結(jié)構(gòu)簡單、易于實現(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，同時結(jié)合仿真實驗，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)和個數(shù)進(jìn)行估計的過程。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)對上一時刻的后驗概率密度函數(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)前時刻的測量值zk，對目標(biāo)狀態(tài)的先驗概率密度進(jìn)行更新，從而得到后驗概率密度函數(shù)fk|k(xk|Zk)。后驗概率密度函數(shù)fk|k(xk|Zk)封裝了目標(biāo)狀態(tài)xk的 所有信息，同時包含了量測集合Zk及狀態(tài)先驗分布的信息。該時刻的狀態(tài)可利用最小均方差估計(Minimum Mean Squared Error,MMSE)或最大后驗估計(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可由卡爾曼濾波方程給出。對于非線性系統(tǒng)，由于后驗概率密度函數(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，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。由于采用隨機(jī)有限集進(jìn)行貝葉斯遞歸時會涉及復(fù)雜積分運算而無法用于工程實踐，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，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概率密度的一階矩，同時還傳遞勢分布。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)后驗密度，對當(dāng)前時刻多目標(biāo)狀態(tài)和個數(shù)進(jìn)行估計。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)估計方面的優(yōu)點，還提高了目標(biāo)航跡標(biāo)簽估計的準(zhǔn)確性?；诙嗄繕?biāo)共軛先驗這一特性，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，需要把來自多個傳感器的數(shù)據(jù)轉(zhuǎn)換到相同的時空參照系中。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)處理時需要進(jìn)行傳感器時空配準(zhǔn)[55]。由于時間配準(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 分布式傳感器時間配準(zhǔn)

時間配準(zhǔn)就是將各傳感器對同一目標(biāo)的異步量測信息配準(zhǔn)到同一時刻。典型的時間配準(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，它通過將多個數(shù)據(jù)壓縮成一個新的量測數(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動目標(biāo)，對非勻速運動目標(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)插外推方式實現(xiàn)時間對齊，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)推算以實現(xiàn)多類傳感器的時間同步。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)時刻數(shù)據(jù)。這兩種方法性能基本相同，計算量都會隨著選擇參與計算的節(jié)點數(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)運動模型，在目標(biāo)運動狀態(tài)復(fù)雜時，相比于其他時間配準(zhǔn)方法，配準(zhǔn)精度會明顯提高。圖2與表2給出了常見的時間配準(zhǔn)方法及其性能對比。

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

圖2 時間配準(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)估計精度，嚴(yán)重時甚至?xí)`判為兩個目標(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)偏差在一段時間內(nèi)保持不變，將其建模為固定值并對其進(jìn)行估計，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]、實時質(zhì)量控制法(Real Time Quality Control,RTQC)[69]、精確極大似然估計法(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，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，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，運用極大似然法則對目標(biāo)的位置和傳感器的偏差同時進(jìn)行估計，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。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時估計。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)，它同時要求傳感器的測量誤差和姿態(tài)誤差較小且不隨時間變化，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)行線性化截斷，從而將非線性問題線性化。由于截斷了高階展開項，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。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實驗團(tuán)隊[82]提出了一種基于殘留偏差估計的離線空間配準(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，求出目標(biāo)位置估計，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，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，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)估計的影響，目標(biāo)狀態(tài)估計抖動結(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，每個信源具有獨立的信息處理系統(tǒng)，能獨立對周圍環(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)計類的方法，一類是基于模糊數(shù)學(xué)的方法?；诮y(tǒng)計的方法最早的研究應(yīng)該歸功于Kanyuck和Singer[83]提出的加權(quán)距離檢驗法，其采用卡方分布檢測兩個估計是否屬于同一個目標(biāo)。該方法假設(shè)兩個估計獨立，Bar-Shalom[84]進(jìn)一步對此結(jié)果進(jìn)行了修正，通過引入兩個估計協(xié)方差陣交叉項，給出了相關(guān)條件下的加權(quán)距離檢驗方法。為了解決航跡交叉、分叉等場景下出現(xiàn)錯、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)計特征的多特征組合航跡關(guān)聯(lián)方法，其利用物體運動特征，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，在保證運算代價的基礎(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個最優(yōu)分配結(jié)果，再將m個最優(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)。同時引入新目標(biāo)密度的概念，將下一個傳感器所測得的目標(biāo)定義為新目標(biāo)，在計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。事實上，錯誤的航跡關(guān)聯(lián)導(dǎo)致不精確的空間配準(zhǔn)，而錯誤的空間配準(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，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)誤差估計算法，該算法本質(zhì)思想是將錯誤關(guān)聯(lián)結(jié)果視為系統(tǒng)誤差估計中的野值，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，該方法代價函數(shù)包括兩個觀測集之間的偏差，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)費用矩陣，然后基于線性分配算法對費用矩陣求解關(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)涉及的估計融合準(zhǔn)則以及基于估計融合準(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 分布式傳感器估計融合準(zhǔn)則

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

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

分布式多傳感器航跡融合是估計融合最主要的應(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、最大后驗概率狀態(tài)估計融合等。簡單凸組合融合算法是傳感器局部估計誤差不相關(guān)條件的最優(yōu)融合估計，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，將融合后得到估計的不確定性減少到原來的70%，若假設(shè)局部傳感器估計獨立，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信息，美國Chang教授等人[107]提出了基于最大后驗概率(MAP)估計融合方法，它把各傳感器局部估計作為先驗信息來計算全局航跡估計。

表5 多傳感器估計融合方法對比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器，將航跡融合分為不帶反饋最優(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[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(其中一個在笛卡爾坐標(biāo)系，另一個在極坐標(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)估計方法及其互相關(guān)計算方法。

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[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立系統(tǒng)部署時存在特定的弱點，因此對兩個或多個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。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)估計進(jìn)行更新，這一過程通常可采用非線性濾波的方式實現(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，它需要同時考慮多目標(biāo)跟蹤方法與融合準(zhǔn)則兩個因素，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?；陉P(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)出了用于融合計算的指數(shù)混合密度(Exponential Mixture Densities,EMD)的顯式公式，實現(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算量之間的關(guān)系，具有魯棒性強(qiáng)、性能穩(wěn)定等優(yōu)點。同時，針對多傳感器網(wǎng)絡(luò)節(jié)點間量測相關(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，同時也沒有對該假設(shè)的成立條件進(jìn)行實際驗證。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，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，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。

(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、實時空間配準(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，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差。此種情況下的融合估計值將被視為不合理，這就需要設(shè)定檢測門限對每條航跡的殘留偏差進(jìn)行實時評估，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時質(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)點在各個領(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)存在的難點及發(fā)展方向，為該領(lǐng)域未來的研究提供了一定的參考。