面向目標跟蹤的多傳感器數(shù)據(jù)融合研究綜述
隨著現(xiàn)代目標跟蹤場景的日益復(fù)雜化，單一傳感器探測系統(tǒng)已無法滿足目標跟蹤的實際需求，多傳感器數(shù)據(jù)融合技術(shù)成為復(fù)雜場景下目標跟蹤問題的重要解決方案。本文綜述了多傳感器數(shù)據(jù)融合中的數(shù)據(jù)關(guān)聯(lián)和估計融合這兩項關(guān)鍵過程的基本原理與研究現(xiàn)狀，整理了神經(jīng)網(wǎng)絡(luò)、強化學(xué)習(xí)等人工智能技術(shù)在多傳感器數(shù)據(jù)融合領(lǐng)域應(yīng)用的相關(guān)研究，并對多傳感器數(shù)據(jù)融合方法在目標跟蹤領(lǐng)域的發(fā)展進行了展望。
近年來，隨著空中作戰(zhàn)朝著智能化、隱身化、去中心化等方向發(fā)展，空中戰(zhàn)場環(huán)境呈現(xiàn)出日益復(fù)雜的態(tài)勢，對空中目標的探測難度大幅提高，這給打擊敵方空中目標、奪取制空權(quán)帶來了嚴峻挑戰(zhàn)[1]。為應(yīng)對這一挑戰(zhàn)，機載制導(dǎo)武器作為空中對抗的一項重要手段，其精確打擊目標的能力顯得尤為關(guān)鍵。圖1展示了機載制導(dǎo)武器跟蹤敵方非隱身目標的全過程，首先，載機接收各傳感器探測得到的目標運動狀態(tài)數(shù)據(jù)，并對其進行融合處理；然后，載機的火控系統(tǒng)根據(jù)融合得到的目標運動狀態(tài)信息引導(dǎo)載機飛往最佳攻擊位置并發(fā)射制導(dǎo)武器；最后，通過載機與制導(dǎo)武器傳感器之間的數(shù)據(jù)共享引導(dǎo)制導(dǎo)武器鎖定和跟蹤目標，進而摧毀目標。在整個目標跟蹤過程中，對多傳感器探測數(shù)據(jù)融合的精度決定了機載制導(dǎo)武器跟蹤目標效果的好壞，因此，有必要對數(shù)據(jù)融合方法進行深入研究。
多傳感器信息融合（Multi-Sensor Information Fusion）是指對來自多個傳感器或其他來源的信息進行綜合利用，通過檢測、關(guān)聯(lián)和融合等流程，對未知目標狀態(tài)進行較為精確估計的處理過程[2]。按照融合系統(tǒng)中數(shù)據(jù)抽象的層次，可以將信息融合劃分為數(shù)據(jù)級融合、特征級融合以及決策級融合3個級別。其中，數(shù)據(jù)級融合對量測數(shù)據(jù)的抽象程度最低，直接對傳感器的量測數(shù)據(jù)進行融合處理，本文主要圍繞數(shù)據(jù)級融合相關(guān)研究和方法進行梳理和分析。具體到空戰(zhàn)領(lǐng)域，多傳感器數(shù)據(jù)融合技術(shù)可以充分利用協(xié)同作戰(zhàn)體系的信息優(yōu)勢，為多導(dǎo)彈協(xié)同制導(dǎo)提供有效的信息保障[3]，這對提高系統(tǒng)對環(huán)境的認知能力、增強決策支持和提升響應(yīng)效率方面有著重要作用。
目前，多傳感器數(shù)據(jù)融合技術(shù)已經(jīng)在目標跟蹤領(lǐng)域得到了快速發(fā)展，如何在復(fù)雜場景下改進相關(guān)模型和算法以提高融合精度是目前數(shù)據(jù)融合的研究熱點。本文選取了數(shù)據(jù)融合過程中數(shù)據(jù)關(guān)聯(lián)和估計融合這兩項關(guān)鍵技術(shù)，首先，對其國內(nèi)外研究現(xiàn)狀進行了梳理和分析；然后，對近年來基于人工智能的關(guān)聯(lián)與融合相關(guān)研究的發(fā)展現(xiàn)狀進行了闡述；最后，對多傳感器數(shù)據(jù)融合方法在目標跟蹤領(lǐng)域的未來發(fā)展方向進行了展望。
在目標跟蹤過程中，目標數(shù)量可能是未知的，當(dāng)只有一個目標時，由于傳感器噪聲和外界干擾，可能會認為有多個目標；如果有多個目標，系統(tǒng)可能無法判斷量測數(shù)據(jù)是來自所跟蹤目標，還是虛警或其他目標，因此，需要通過數(shù)據(jù)關(guān)聯(lián)過程建立傳感器量測數(shù)據(jù)與目標源的對應(yīng)關(guān)系，從而提高后續(xù)數(shù)據(jù)融合過程的可靠性。數(shù)據(jù)關(guān)聯(lián)一般分為量測-量測、量測-航跡、航跡-航跡關(guān)聯(lián)3種情形，其中，量測-量測關(guān)聯(lián)一般屬于航跡起始研究范疇，本文不做討論，主要針對后兩種情況進行綜述。
量測-航跡關(guān)聯(lián)是指將傳感器量測與已知目標航跡進行關(guān)聯(lián)處理，從而實現(xiàn)對已有航跡的保持或?qū)顟B(tài)的更新[4]。
最近鄰（Nearest Neighbor， NN）方法是最簡單的數(shù)據(jù)關(guān)聯(lián)方法，該方法的核心思想是將以目標預(yù)測位置為中心的空間區(qū)域作為跟蹤波門，選取落入關(guān)聯(lián)波門范圍內(nèi)且距離中心最近的量測作為與目標關(guān)聯(lián)的最優(yōu)量測[5]。最近鄰方法簡單易用，但是采用馬氏距離最小作為關(guān)聯(lián)成功的條件沒有考慮不同量測誤差的相關(guān)性，且在目標密集、傳感器噪聲較大的情況下關(guān)聯(lián)正確率會快速下降。針對以上問題，許多學(xué)者進行了改進，文獻[6]提出一種改進馬氏距離的最近鄰關(guān)聯(lián)方法，將觀測值和預(yù)測值的協(xié)方差引入關(guān)聯(lián)過程，解決了由傳感器測量誤差帶來的錯誤數(shù)據(jù)關(guān)聯(lián)的問題。文獻[7]提出一種自適應(yīng)距離最近鄰關(guān)聯(lián)方法，用狀態(tài)估計向量的位置信息的替代預(yù)測值作為關(guān)聯(lián)波門的中心來計算與下一時刻量測的距離，提高了正確關(guān)聯(lián)概率。文獻[8]考慮到現(xiàn)有最近鄰方法普遍以統(tǒng)計距離為準則，沒有考慮各個量測屬性的重要程度不同，使關(guān)聯(lián)結(jié)果易受單個屬性的影響，因此，采用信息熵理論來確定各量測屬性的權(quán)重系數(shù)，再根據(jù)權(quán)重系統(tǒng)來改進最近鄰關(guān)聯(lián)方法，提高了數(shù)據(jù)關(guān)聯(lián)的正確率。
以上方法專注于改進最近鄰方法的統(tǒng)計距離計算算法，而沒有考慮關(guān)聯(lián)波門內(nèi)的量測分別與多個目標相關(guān)的可能，對此有人提出了全局最近鄰（Global Nearest Neighbor， GNN）方法[9]，在計算統(tǒng)計距離的基礎(chǔ)上考慮了數(shù)據(jù)關(guān)聯(lián)的各種可能，增強了關(guān)聯(lián)的穩(wěn)定性。文獻[10]提出一種基于當(dāng)前運動模型的交互多模型全局最近鄰關(guān)聯(lián)算法，該方法對不同運動狀態(tài)的目標采取不同的關(guān)聯(lián)模型，并在關(guān)聯(lián)過程中考慮了歷史信息的影響，提高了雜波環(huán)境下數(shù)據(jù)關(guān)聯(lián)的正確率和穩(wěn)定性。文獻[11]針對傳統(tǒng)GNN方法容易因虛警、漏檢造成誤關(guān)聯(lián)的缺點，利用關(guān)聯(lián)代價和模糊隸屬度分兩次濾除無關(guān)目標，提高了關(guān)聯(lián)正確率。
概率數(shù)據(jù)關(guān)聯(lián)（Probability Data Association， PDA）的方法是另一類常用的數(shù)據(jù)關(guān)聯(lián)方法。與最近鄰方法只選擇與目標預(yù)測位置距離最短的量測值與目標航跡進行關(guān)聯(lián)不同，PDA方法會計算落入跟蹤波門內(nèi)所有量測來自目標的后驗概率，然后根據(jù)后驗概率對所有量測求加權(quán)平均值，得到新的最優(yōu)量測[12]。該方法能有效降低雜波對目標狀態(tài)更新的影響，但只適用于單目標跟蹤的情況。為了適應(yīng)多目標跟蹤的情況，文獻[13]將交互多模型（Interacting Multiple Model， IMM）算法與PDA方法相結(jié)合提出了IMM-PDA方法。該方法將IMM中每個狀態(tài)模型都對應(yīng)一個關(guān)聯(lián)波門，各個模型利用各自的量測集合進行數(shù)據(jù)關(guān)聯(lián)，但IMM-PDA方法在量測集合選取和模型概率更新方面存在不足，可能會產(chǎn)生失跟和誤跟的情況。對此，文獻[14]提出一種聯(lián)合交互式概率數(shù)據(jù)關(guān)聯(lián)算法，該算法對IMM中各濾波器設(shè)置相同的關(guān)聯(lián)波門進行濾波，使目標跟蹤性能有所提高。文獻[15]在綜合IMM-PDA方法框架基礎(chǔ)上，利用了目標量測信息，以最小均方誤差為準則找到了最優(yōu)波門中心，提高了關(guān)聯(lián)正確率。文獻[16]針對由于量測不確定性使PDA方法受雜波影響隨時間增大的問題，在PDA基礎(chǔ)上引入距離加權(quán)概念，對關(guān)聯(lián)概率進行二次加權(quán)處理，改善了密集雜波情況下的目標跟蹤效果。文獻[17]針對PDA方法在數(shù)據(jù)量較大時計算效率較低的問題，提出一種基于變分貝葉斯的概率數(shù)據(jù)關(guān)聯(lián)方法，該方法基于變分貝葉斯框架來獲取狀態(tài)近似后驗概率密度函數(shù)，降低了關(guān)聯(lián)過程中的計算復(fù)雜度。
聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probability Data Association， JPDA）方法是基于PDA方法提出的一種適用于多目標跟蹤場景的一種關(guān)聯(lián)方法，該方法原理如圖2所示。其中，
分別為航跡（i=1,2）在k時刻量測值的先驗估計，以其為中心構(gòu)造兩個關(guān)聯(lián)波門，
為分別落到這兩個關(guān)聯(lián)波門內(nèi)的有效量測。在JPDA算法中，首先要把落入關(guān)聯(lián)波門內(nèi)的所有量測值做不同排列的聯(lián)合假設(shè)，然后計算它們分別與各個航跡的關(guān)聯(lián)概率，最后利用關(guān)聯(lián)概率分別求落入不同關(guān)聯(lián)波門內(nèi)有效量測的加權(quán)平均值，從而得到不同航跡的最優(yōu)量測。由于JPDA方法引入了聯(lián)合事件的概念，使得其計算量巨大，不利于對目標的實時跟蹤。許多學(xué)者對JPDA方法進行了改進，文獻[18]提出一種近似最優(yōu)的JPDA算法，降低了計算量，但也降低了算法的有效性和可靠性。文獻[19]對JPDA算法中用于表示量測與多目標關(guān)聯(lián)波門關(guān)系的確認矩陣進行了改進，同時在數(shù)據(jù)關(guān)聯(lián)過程中引入目標類別信息，在降低計算復(fù)雜度的同時提高了目標和雜波密集情況下的關(guān)聯(lián)精度。文獻[20-22]將模糊聚類思想引入數(shù)據(jù)關(guān)聯(lián)方法，利用模糊隸屬度簡化了JPDA算法關(guān)聯(lián)概率的計算，從而有效降低了計算復(fù)雜度，提高了算法實時性。
以上方法一般只基于上一掃描周期的關(guān)聯(lián)決策和當(dāng)前掃描周期的量測數(shù)據(jù)來給出當(dāng)前的關(guān)聯(lián)決策[23]。由于量測噪聲、虛警雜波和目標機動等情況的存在，僅利用單次掃描的數(shù)據(jù)可能不足以實現(xiàn)正確關(guān)聯(lián)，而多假設(shè)跟蹤（Multiple Hypothesis Tracking， MHT）方法則利用了多次掃描周期的數(shù)據(jù)進行數(shù)據(jù)關(guān)聯(lián)。MHT方法采用了延遲決策邏輯，保持多個可能的關(guān)聯(lián)假設(shè)使其繼續(xù)傳遞，以便利用后續(xù)周期的數(shù)據(jù)來進行優(yōu)化決策，適用于存在噪聲干擾和一定漏檢率的多目標跟蹤場景中的數(shù)據(jù)關(guān)聯(lián)問題[24]。MHT方法跟蹤性能優(yōu)越，但需要對關(guān)聯(lián)假設(shè)進行枚舉，對系統(tǒng)的計算量和存儲量的要求較高，工程應(yīng)用難度較大。文獻[23]在MHT的基礎(chǔ)上引入一種關(guān)聯(lián)深度自適應(yīng)算法，在關(guān)聯(lián)過程中盡可能保留高可能假設(shè)以降低計算量。文獻[25]針對多機動目標跟蹤問題，在MHT的基礎(chǔ)上引入了IMM算法。文獻[26]針對密集多目標跟蹤問題提出一種基于特征輔助的MHT方法，該方法在出現(xiàn)漏檢和誤關(guān)聯(lián)的情況時可以從量測數(shù)據(jù)中提取目標快速變化的特征來輔助數(shù)據(jù)關(guān)聯(lián)，提升了跟蹤性能。
航跡-航跡關(guān)聯(lián)是指判斷來自不同傳感器的航跡是否來自同一目標，以下簡稱為航跡關(guān)聯(lián)，這種關(guān)聯(lián)一般存在于分布式多傳感器數(shù)據(jù)融合系統(tǒng)中。
最早的航跡關(guān)聯(lián)方法有加權(quán)法和修正法[27]，這兩種方法將航跡關(guān)聯(lián)問題轉(zhuǎn)化為假設(shè)檢驗問題，分別適用于航跡估計誤差獨立和相關(guān)的情況，但在目標密集、航跡交叉等場景下關(guān)聯(lián)性能較差。為改善航跡關(guān)聯(lián)性能，何友教授以加權(quán)法和修正法為基礎(chǔ)，將航跡當(dāng)前時刻的關(guān)聯(lián)與歷史航跡聯(lián)系起來，提出了序貫航跡關(guān)聯(lián)方法[28]，該方法示意圖如圖3所示。首先將航跡關(guān)聯(lián)問題轉(zhuǎn)化為以下假設(shè)檢驗問題：① H0表示傳感器1的局部航跡i與傳感器2的局部航跡j關(guān)聯(lián)；② H1表示傳感器1的局部航跡i與傳感器2的局部航跡j無關(guān)聯(lián)。然后根據(jù)局部傳感器的歷史航跡數(shù)據(jù)計算得到檢驗統(tǒng)計量
則接收H0，否則接收H1。以上方法均為基于統(tǒng)計思想的航跡關(guān)聯(lián)方法，實現(xiàn)簡單、計算量小，易于工程應(yīng)用。
考慮到在實際情況中，傳感器除了自身存在測量誤差，還會受到環(huán)境干擾等因素影響，使不同傳感器對同一目標探測數(shù)據(jù)不一致的可能性加大，使用傳統(tǒng)關(guān)聯(lián)方法容易出現(xiàn)錯、漏關(guān)聯(lián)的情況，不能對傳感器局部航跡進行有效判定。針對傳感器誤差存在時的航跡關(guān)聯(lián)問題，文獻[29-30]從量測數(shù)據(jù)中提取目標間拓撲特征來進行航跡關(guān)聯(lián)，有效降低了傳感器誤差給關(guān)聯(lián)結(jié)果帶來的影響。文獻[31]考慮了航跡誤差的不確定性，在關(guān)聯(lián)前對數(shù)據(jù)進行了剔除、擇優(yōu)操作，但沒有考慮航跡質(zhì)量對關(guān)聯(lián)過程的影響。文獻[32]針對因傳感器漏檢造成目標航跡中斷的問題，根據(jù)分航跡的時間、位置和方位角信息實現(xiàn)了新老航跡的準確關(guān)聯(lián)。文獻[33-34]根據(jù)先驗數(shù)據(jù)對航跡質(zhì)量進行評估，并以此為依據(jù)對關(guān)聯(lián)門限進行調(diào)整，從而實現(xiàn)誤差變化情況下的自適應(yīng)航跡關(guān)聯(lián)。
當(dāng)航跡批數(shù)較多且比較密集時，基于統(tǒng)計的關(guān)聯(lián)方法關(guān)聯(lián)正確率會明顯下降，因此，許多學(xué)者引入模糊數(shù)學(xué)理論來解決航跡關(guān)聯(lián)問題，灰色理論是其中一種。文獻[35]將灰色理論引入航跡關(guān)聯(lián)算法中，該方法用灰關(guān)聯(lián)度來描述航跡之間的相似程度，進而根據(jù)灰關(guān)聯(lián)度進行航跡關(guān)聯(lián)的判決。文獻[36]提出多局部節(jié)點情況下一種基于多維分配思想的灰色航跡關(guān)聯(lián)算法，實現(xiàn)了全局最優(yōu)的航跡關(guān)聯(lián)判決，但是該算法沒有利用航跡歷史信息。文獻[37]在多維分配灰色航跡關(guān)聯(lián)方法的基礎(chǔ)上采用序貫方法對灰關(guān)聯(lián)度進行修正，將當(dāng)前時刻航跡與歷史航跡聯(lián)系起來，提高了關(guān)聯(lián)的準確性和穩(wěn)定性。文獻[38]根據(jù)灰關(guān)聯(lián)度矩陣判斷雷達航跡之間的競爭關(guān)系，并適時利用雷達關(guān)聯(lián)的歷史信息對當(dāng)前關(guān)聯(lián)進行修正，提高了目標密集情況下的關(guān)聯(lián)正確率。灰色關(guān)聯(lián)方法具有對樣本量要求不高、不依賴噪聲先驗分布規(guī)律等優(yōu)點，當(dāng)前灰色關(guān)聯(lián)的研究趨勢主要是如何充分利用航跡歷史信息提高目標密集場景下航跡關(guān)聯(lián)的可靠性。
除此之外，模糊聚類思想也被引入航跡關(guān)聯(lián)算法中。在模糊聚類中，每個數(shù)據(jù)都被賦予一組隸屬度，用以表示其屬于每個聚類的程度。文獻[39]對多雷達系統(tǒng)的多個航跡進行模糊化聚類統(tǒng)計，當(dāng)目標數(shù)量較多導(dǎo)致采集數(shù)據(jù)量較大時，采用分步法對航跡信息進行模糊聚類處理，實現(xiàn)了多目標數(shù)據(jù)的精確關(guān)聯(lián)。文獻[40]提出一種基于模糊等價關(guān)系的異類傳感器航跡關(guān)聯(lián)算法，該算法將歷史和當(dāng)前時刻的方位信息視為模糊因子，基于等價關(guān)系對航跡進行模糊聚類，實現(xiàn)了航跡關(guān)聯(lián)的判定。文獻[41-42]采用一種自適應(yīng)密度聚類的航跡關(guān)聯(lián)方法，基于最大熵方法來確定各個航跡的隸屬度并進行關(guān)聯(lián)，在目標數(shù)量未知的情況下實現(xiàn)了較低計算成本的實時航跡關(guān)聯(lián)。基于模糊聚類的關(guān)聯(lián)方法在目標密集場景下適應(yīng)性較好，但這類方法參數(shù)設(shè)置較為復(fù)雜，不利于工程實現(xiàn)。
對于現(xiàn)有的量測-航跡關(guān)聯(lián)方法，在傳感器數(shù)據(jù)比較簡單、目標稀疏、噪聲干擾較小且計算資源有限的情況下，適合采用最近鄰方法進行關(guān)聯(lián)；PDA方法相較于最近鄰方法更適用于雜波干擾較多的情況，但仍受限于目標稀疏的場景；JPDA方法針對目標密集情況有良好效果，但計算量較大；MHT方法的一大特點是能夠?qū)僭O(shè)集合進行維護和更新，適用于多目標跟蹤以及航跡交叉、遮擋等復(fù)雜情況，但也需要考慮數(shù)據(jù)融合系統(tǒng)的計算和存儲性能。
對于航跡-航跡關(guān)聯(lián)，基于模糊數(shù)學(xué)的航跡關(guān)聯(lián)方法和基于統(tǒng)計的航跡關(guān)聯(lián)方法相比，在關(guān)聯(lián)精度和計算效率上更占優(yōu)勢?？紤]到現(xiàn)代空戰(zhàn)中，目標往往不是單獨行動，而是多目標集群協(xié)同作戰(zhàn)，這意味著目標跟蹤過程中的目標批次和雜波等信息成倍增長，傳統(tǒng)的關(guān)聯(lián)方法無法滿足實時精確關(guān)聯(lián)的需求。因此，需要對關(guān)聯(lián)方法不斷改進，既要針對越來越復(fù)雜的航跡關(guān)聯(lián)場景提高關(guān)聯(lián)精度，降低錯、漏關(guān)聯(lián)的概率，也要考慮采用并行計算等方法合理安排計算資源，避免因目標批次的增多或雜波密度的增大導(dǎo)致計算中的組合爆炸，影響關(guān)聯(lián)準確率。
在完成數(shù)據(jù)關(guān)聯(lián)后，需要對關(guān)聯(lián)到同一個目標的數(shù)據(jù)進行估計融合。估計融合假定參與融合的傳感器量測數(shù)據(jù)均來源于同一個目標，然后利用這些量測數(shù)據(jù)對所要估計的目標狀態(tài)進行研究，以獲得更精確的估計值。根據(jù)原始量測數(shù)據(jù)是否直接用于融合，可以將融合結(jié)構(gòu)分為集中式、分布式和混合式3類。其中，混合式融合是前兩種融合方法的綜合，兼具前兩者的優(yōu)點和不足，本文不開展討論，著重對集中和分布式融合相關(guān)研究進行綜述。
集中式融合也稱量測融合，是指將傳感器的原始量測數(shù)據(jù)直接傳入融合中心進行融合處理，其過程如圖4所示。常見的集中式融合方法主要有并行濾波、序貫濾波和數(shù)據(jù)壓縮濾波3類[4]。
并行濾波是指通過量測擴維將多傳感器量測方程組成廣義量測方程，再進行統(tǒng)一濾波處理來實現(xiàn)多傳感器數(shù)據(jù)融合估計；序貫濾波是指按順序依次利用各傳感器量測對狀態(tài)估計進行濾波更新；數(shù)據(jù)壓縮濾波是指先對各傳感器量測數(shù)據(jù)進行壓縮處理，得到融合中心的偽量測，再利用偽量測進行統(tǒng)一濾波更新。目前，以上3種方法基于線性卡爾曼濾波的融合研究已趨于完善，文獻[43]基于擴展卡爾曼濾波器（Extend Kalman Filter， EKF）將集中式融合方法向非線性系統(tǒng)進行了推廣。文獻[44]以多模復(fù)合制導(dǎo)為背景，對3種集中式融合方法進行研究，在傳感器噪聲不相關(guān)的情況下，3種方法對目標的跟蹤效果均滿足精度要求。
在以上3種方法中，序貫濾波不同于其他兩種基于批量融合的方法，該方法通過對量測數(shù)據(jù)按時間順序分步更新，降低了系統(tǒng)方程的維度，一定程度上可以緩解集中式融合受限于通信帶寬和中心處理器性能的情況，改善濾波過程的實時性，提高濾波精度[45]，其過程如圖5所示。
分別為k-1時刻的目標狀態(tài)估計值和協(xié)方差矩陣，將其作為目標初始狀態(tài)輸入濾波器，得到目標在k時刻的狀態(tài)預(yù)測值
分別為各傳感器在k時刻對目標的量測值，對第i個傳感器量測進行濾波得到目標在k時刻的中間狀態(tài)估計值
。將以上目標的中間狀態(tài)估計值作為下一次濾波時的預(yù)測值，對下一個傳感器量測值進行濾波處理，以此類推，將最后一個傳感器量測值的濾波結(jié)果作為目標在k時刻的最終狀態(tài)估計。
目前，對序貫濾波融合的研究較為廣泛，文獻[45]針對多傳感器系統(tǒng)通信受限的問題，在濾波融合過程中采用周期性的分組有序通信策略，實現(xiàn)了對傳感器數(shù)據(jù)的有序處理，降低了計算復(fù)雜度。針對傳統(tǒng)線性卡爾曼濾波算法不適用于復(fù)雜機動目標融合跟蹤的問題，文獻[43]和[46-47]將擴展卡爾曼濾波、無跡卡爾曼濾波（Unscented Kalman Filter， UKF）、容積卡爾曼濾波（Cubature Kalman Filter， CKF）等非線性濾波算法與序貫融合算法相結(jié)合，提高了多傳感器融合系統(tǒng)對復(fù)雜機動目標的跟蹤性能，但只考慮了傳感器量測噪聲為高斯白噪聲的情況。文獻[48-49]考慮了多傳感器融合系統(tǒng)具有非高斯白噪聲的情況，并提出了對應(yīng)的序貫濾波融合算法以減小非高斯白噪聲對融合精度的影響。文獻[50]采用了粒子濾波（Particle Filter， PF）算法進行融合跟蹤，該算法基于蒙特卡洛方法，不需要對固定點抽樣，具有靈活性強、易于實現(xiàn)等優(yōu)點，對非線性非高斯系統(tǒng)具有較好的適應(yīng)性，但也存在粒子退化、計算量較大等問題[51]。此外，文獻[52-53]針對異步多傳感器系統(tǒng)在跟蹤機動目標過程中存在較大時空偏差的問題，提出一種序貫的時空偏差補償和數(shù)據(jù)融合方法，該方法在目標機動的情況下能同時完成時空偏差和目標狀態(tài)的估計，具有較強的適用性。
分布式融合也稱航跡融合，是指各傳感器先對自身量測數(shù)據(jù)進行預(yù)處理形成局部航跡，再送到融合中心進行融合處理。航跡融合主要包括兩步，航跡關(guān)聯(lián)和航跡狀態(tài)估計融合，其示意圖如圖6所示。各傳感器的局部航跡通過1.2節(jié)的方法進行關(guān)聯(lián)，然后對關(guān)聯(lián)到同一個目標的局部航跡進行融合處理，得到目標最終的系統(tǒng)航跡。其中，根據(jù)是否使用系統(tǒng)航跡的狀態(tài)估計，又可將航跡融合分為局部航跡到局部航跡的融合，以及局部航跡到系統(tǒng)航跡的融合[2]。
簡單凸組合方法是最早提出的分布式航跡融合方法，該方法假設(shè)各傳感器局部航跡的估計誤差相互獨立，以估計誤差的協(xié)方差矩陣表達式作為權(quán)值對局部航跡進行加權(quán)融合[54]。但是在實際應(yīng)用中，由于共同先驗估計和過程噪聲的影響，各航跡估計誤差往往是相關(guān)的，此時簡單凸組合方法融合結(jié)果是次優(yōu)的。Bar Shalom-Campo融合方法將局部估計誤差的互協(xié)方差矩陣引入了融合計算中，取得了較好的效果，但采用該方法計算互協(xié)方差矩陣需要大量信息，實際應(yīng)用中可能難以獲取，且融合結(jié)果無法做到全局最優(yōu)[55]。對此，有學(xué)者提出一種信息矩陣融合（Information Matrix Fusion， IMF）方法[56]，該方法是基于量測擴維的集中式融合算法通過矩陣變換得到的，無需計算互協(xié)方差，但只在線性系統(tǒng)下全局最優(yōu)。文獻[57]將先驗信息加以考慮，提出一種最大后驗概率（Maximum A Posterior Probability，MAP）融合方法，該方法在存在反饋機制的條件下可以做到全局最優(yōu)。
針對分布式融合系統(tǒng)中互協(xié)方差數(shù)據(jù)難以獲取的問題，文獻[58]提出一種協(xié)方差交叉（Covariance Intersection，CI）融合方法，該方法不需要考慮局部估計誤差的相關(guān)性，通過最小化融合后得到誤差協(xié)方差上界以得到保守的融合估計。目前，國內(nèi)外學(xué)者基于協(xié)方差交叉方法針對不同場景提出了多種改進方案。文獻[59]針對經(jīng)典CI方法融合結(jié)果過于保守的問題，提出一種逆協(xié)方差交叉的融合方法，提高了融合精度。文獻[60]針對經(jīng)典互協(xié)方差算法中存在計算量大且占用通信資源較多的缺點，提出一種快速協(xié)方差交叉算法，可大幅減小計算負擔(dān)。文獻[61]提出一種序貫協(xié)方差交叉算法，此算法能在小幅降低融合精度的前提下，大幅減小融合過程的計算負擔(dān)。文獻[62]進一步提出一種序貫快速協(xié)方差交叉算法，在減小計算負擔(dān)的同時保證各融合節(jié)點的融合結(jié)果與融合次序無關(guān)，且在保證融合結(jié)果一致性的同時降低了計算復(fù)雜度，但是該方法主要對線性系統(tǒng)進行分析，在系統(tǒng)非線性的情況下融合結(jié)果次優(yōu)。
以上方法一般都假設(shè)融合過程中各傳感器提供的信息是完備的，然而考慮到傳感器量測誤差和環(huán)境干擾，分布式融合過程中傳感器提供的信息具有不完備性，主要表現(xiàn)在量測丟失、傳感器觀測精度存在差異等情況。
針對融合過程中傳感器量測隨機缺失的問題，文獻[63]在EKF的基礎(chǔ)上引入丟失參數(shù)來確定是否對估計結(jié)果進行修正，降低了量測丟失階段噪聲對估計結(jié)果精度的影響，但收斂速度也隨之減慢。文獻[64]針對每個局部傳感器子系統(tǒng)設(shè)計了最優(yōu)估計器，并采用矩陣加權(quán)融合估計算法推導(dǎo)了矩陣加權(quán)的分布式融合估計器，該估計器由于采用并行結(jié)構(gòu)，對量測丟失的信號具有很好的補償作用，但當(dāng)傳感器數(shù)量較多時，其融合方法計算復(fù)雜，不適合工程應(yīng)用。此外，針對傳感器觀測精度存在差異的情況，文獻[65]利用目標運動狀態(tài)特征求解局部航跡之間的最佳隸屬度，在融合中心用最佳隸屬度算法完成權(quán)值分配實現(xiàn)航跡融合，該方法在傳感器跟蹤精度較差的情況下對機動目標有很好的跟蹤效果，但沒有考慮量測丟失的情況。文獻[66]結(jié)合交互式多模型濾波算法提出多模型航跡質(zhì)量的概念，將其用于權(quán)值分配，并引入了反饋機制，提高了航跡融合精度，但該方法隨著傳感器數(shù)量的增多計算更加復(fù)雜，且融合精度沒有明顯提升。
以上方法對單一條件下的航跡融合問題比較適宜，但未考慮實際情況中量測丟失和傳感器觀測精度存在差異的情況同時存在，使得航跡質(zhì)量出現(xiàn)動態(tài)變化的情況。文獻[67]利用標準熵量化了各個傳感器局部航跡的不確定程度，刪除了質(zhì)量較差的局部航跡，該方法雖提高了系統(tǒng)最終航跡的精度，但該方法是從整體上對航跡進行剔除，沒有充分利用局部航跡。文獻[68]提出一種基于信息質(zhì)量選擇的動態(tài)航跡融合方法，該方法用局部線性濾波器來獲取局部航跡和信息熵，利用信息熵選取質(zhì)量好的航跡進行航跡融合，提高了在傳感器不同精度和不同量測丟失率情況下對機動目標的跟蹤性能。文獻[69]在文獻[68]研究的基礎(chǔ)上引入改進的模糊C均值（Fuzzy C-Means， FCM）算法對局部航跡按隸屬度進行類別劃分，使單一時刻數(shù)據(jù)點更少受到差數(shù)據(jù)點的影響。
綜上所述，當(dāng)傳感器數(shù)據(jù)較為簡單、目標批次較少時，可以采用集中式融合方法，直接對原始量測數(shù)據(jù)進行估計融合，能夠獲得較高的估計精度。其中，基于序貫濾波的融合方法與并行濾波和數(shù)字壓縮濾波方法相比，由于采取分布更新的策略，對通信帶寬和融合中心性能的要求較小。因此，建議在集中式融合場景中采用序貫濾波方法。
考慮到目前空中戰(zhàn)場需要跟蹤的目標運動軌跡日益復(fù)雜，傳感器探測手段也越來越多樣化，產(chǎn)生的跟蹤信息也越來越繁雜，有必要采取分布式融合方法。和集中式融合相比，分布式融合對通信帶寬和融合中心處理器性能的要求較低，具有易于擴展、生命力強等優(yōu)點。如果兩條航跡均為傳感器航跡，且傳感器局部估計誤差不相關(guān)，采用簡單凸組合融合算法是全局最優(yōu)的；如果各傳感器各局部估計誤差存在相關(guān)性，若相關(guān)性已知，可采用Bar Shalom-Campo融合方法，若相關(guān)性未知，可采用CI融合方法。針對航跡融合過程傳感器提供數(shù)據(jù)存在不確定性的問題，例如，傳感器量測誤差較大或因通信異常造成傳感器數(shù)據(jù)缺失，應(yīng)根據(jù)融合需求設(shè)置合理的質(zhì)量評估指標對傳感器數(shù)據(jù)的質(zhì)量進行量化分析，對于質(zhì)量較差的航跡，應(yīng)采取整體刪除或剔除部分異常點的措施，以提高航跡融合的精度。
隨著目標跟蹤場景日益復(fù)雜，傳感器探測手段不斷豐富，需要進行融合的數(shù)據(jù)量急劇膨脹。盡管人們提出了一系列用于數(shù)據(jù)融合的模型和算法，但這些方法往往應(yīng)用場景受限，難以兼顧實際跟蹤過程中目標機動性強、雜波分布密集以及傳感器精度較差等復(fù)雜不確定情況。近年來，隨著計算機技術(shù)的進步以及人工智能技術(shù)的發(fā)展，許多學(xué)者將人工智能技術(shù)應(yīng)用于數(shù)據(jù)融合過程。人工智能是一種在沒有特定程序情況下從給定數(shù)據(jù)中學(xué)習(xí)的技術(shù)，基于人工智能方法進行數(shù)據(jù)融合，可以提高在復(fù)雜不確定目標跟蹤場景下的融合精度。
強化學(xué)習(xí) （Reinforcement Learning， RL） 是一個智能體在復(fù)雜不確定環(huán)境中尋求最大化收益的過程，而數(shù)據(jù)關(guān)聯(lián)也是在存在雜波和量測噪聲的復(fù)雜環(huán)境中尋求最大關(guān)聯(lián)正確率的過程，因此，可以用強化學(xué)習(xí)方法進行數(shù)據(jù)關(guān)聯(lián)。文獻[73]將RL算法嵌入進JPDA算法中，以獲得在存在密集雜波情況下量測分布與其關(guān)聯(lián)概率之間的關(guān)系，但還是基于傳統(tǒng)關(guān)聯(lián)方法的框架。文獻[74]突破了傳統(tǒng)數(shù)據(jù)關(guān)聯(lián)的束縛，設(shè)計了一個基于RL的跟蹤與數(shù)據(jù)關(guān)聯(lián)網(wǎng)絡(luò)架構(gòu)，利用RL的動態(tài)探索能力來預(yù)測量測點和目標源關(guān)聯(lián)概率。該方法在密集雜波情況下仍能實現(xiàn)量測與航跡的精確關(guān)聯(lián)，但在量測丟失時精度較差。
與人工智能方法在數(shù)據(jù)關(guān)聯(lián)中的應(yīng)用類似，基于人工智能技術(shù)的數(shù)據(jù)融合方法能夠減少對傳統(tǒng)目標運動模型的依賴，從而更好地適用于復(fù)雜不確定環(huán)境下的目標跟蹤，提高融合結(jié)果的可靠性。
神經(jīng)網(wǎng)絡(luò)算法由于其強大的學(xué)習(xí)和記憶能力在目標跟蹤融合領(lǐng)域有著廣泛應(yīng)用，一部分學(xué)者將其與傳統(tǒng)濾波算法相結(jié)合，起到互補作用。文獻[75]針對無線傳感器網(wǎng)絡(luò)中傳統(tǒng)基于接收信號強度指示器的跟蹤方法對目標跟蹤誤差較大的問題，提出一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的方法，以獲得無線傳感器網(wǎng)絡(luò)中單個二維目標的估計，然后用卡爾曼濾波進行進一步細化。文獻[76]利用循環(huán)神經(jīng)網(wǎng)絡(luò) （Recurrent Neural Network， RNN） 預(yù)測傳感器信號中斷時的量測結(jié)果，從而提高多傳感器組合導(dǎo)航系統(tǒng)的融合精度。也有學(xué)者用神經(jīng)網(wǎng)絡(luò)替代傳統(tǒng)方法中的部分模塊或參數(shù)，而不改變整體的融合框架。文獻[77]利用一種名為長短期記憶（Long Short-Term Memory， LSTM）的改進RNN作為目標運動模型，實現(xiàn)對目標狀態(tài)的一步預(yù)測。文獻[78]通過深度置信網(wǎng)絡(luò) （Deep Belief Networks， DBF）學(xué)習(xí)卡爾曼濾波過程中新息協(xié)方差的一致性，自動調(diào)整過程和量測噪聲的協(xié)方差，提高融合結(jié)果精度的同時防止濾波發(fā)射。還有學(xué)者推翻了原有的融合框架，直接利用神經(jīng)網(wǎng)絡(luò)完成預(yù)測和更新過程。文獻[79]針對運動模型未知的目標跟蹤情況，利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)量測數(shù)據(jù)到目標位置狀態(tài)的映射關(guān)系，并針對多傳感器異步采樣使部分時刻量測缺失的問題，設(shè)計了一種采用時間差數(shù)據(jù)進行補償?shù)纳窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)了異步采樣情況下對目標狀態(tài)的精確融合估計。
除了神經(jīng)網(wǎng)絡(luò)方法外，其他人工智能方法在數(shù)據(jù)融合領(lǐng)域有許多應(yīng)用。文獻[80]利用深度強化學(xué)習(xí)方法對目標跟蹤過程中兩種不同定位算法的權(quán)重進行優(yōu)化調(diào)整，并利用預(yù)測的變化和殘差值訓(xùn)練輸入的雙傳感器定位算法，提高了目標在復(fù)雜環(huán)境下位置數(shù)據(jù)融合的精度和穩(wěn)定性。支持向量機（Support Vector Machine，SVM）是一種機器學(xué)習(xí)算法，文獻[81]針對具有不確定性和非高斯白噪聲的系統(tǒng)模型，提出一種基于卡爾曼濾波和支持向量機的數(shù)據(jù)融合算法，先提高卡爾曼濾波算法計算目標狀態(tài)預(yù)估計，再用提出的KF-SVM方法獲得狀態(tài)估計，該算法不需要計算傳感器的互協(xié)方差矩陣，具有更好的估計精度。
基于人工智能的數(shù)據(jù)關(guān)聯(lián)與融合方法憑借強大的機器學(xué)習(xí)能力很好地滿足了關(guān)聯(lián)與融合過程中的各種需求，減少了對先驗知識的依賴，提高了關(guān)聯(lián)和融合結(jié)果的可靠性。未來人工智能方法在多目標跟蹤場景中有著廣闊的應(yīng)用場景。例如，在傳感器數(shù)據(jù)獲取階段，部分傳感器探測數(shù)據(jù)可能為圖像信息，可以采用深度學(xué)習(xí)算法對該傳感器的圖像信息進行學(xué)習(xí)，從而在跟蹤過程中快速準確地獲取目標特征數(shù)據(jù)。在對傳感器數(shù)據(jù)進行濾波降噪處理時，可以將循環(huán)神經(jīng)網(wǎng)絡(luò)與濾波循環(huán)過程相結(jié)合，構(gòu)成可在線學(xué)習(xí)的循環(huán)濾波神經(jīng)網(wǎng)絡(luò)，實現(xiàn)對目標端到端的狀態(tài)估計與跟蹤。此外，當(dāng)環(huán)境或傳感器性能變化時，可以使用深度強化學(xué)習(xí)算法對系統(tǒng)進行訓(xùn)練，自動選擇合適的融合策略或?qū)Σ煌瑐鞲衅鲾?shù)據(jù)參與融合的權(quán)重進行動態(tài)分配，以適應(yīng)當(dāng)前的跟蹤條件。
目前，基于人工智能的數(shù)據(jù)關(guān)聯(lián)與數(shù)據(jù)融合相關(guān)研究雖然比較廣泛，但是還沒有形成比較系統(tǒng)的研究體系，且人工智能方法的一大缺點是前期需要大量數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練，利用事先訓(xùn)練好的模型來處理復(fù)雜不確定環(huán)境中的目標跟蹤效果較差。如何提高人工智能方法在數(shù)據(jù)融合過程中的適用性和可靠性，需要開展進一步研究。
由以上研究可以看出，目前對多傳感器數(shù)據(jù)融合的研究呈現(xiàn)出蓬勃發(fā)展的態(tài)勢，在目標跟蹤領(lǐng)域取得了顯著進展，但仍存在許多挑戰(zhàn)和待解決的問題。本節(jié)結(jié)合國內(nèi)外相關(guān)技術(shù)研究和項目進展，對面向目標跟蹤的多傳感器數(shù)據(jù)融合研究提出以下幾點展望。
（1） 未來的目標跟蹤系統(tǒng)的智能化和自適應(yīng)性能將進一步提升。隨著對目標跟蹤的實時性和準確性的要求不斷提高，與之相關(guān)的數(shù)據(jù)融合算法需要進一步優(yōu)化以提高處理速度和精度，以強化學(xué)習(xí)、深度學(xué)習(xí)等為代表的人工智能方法為數(shù)據(jù)融合問題的研究提供了新的著力點。采用智能化方法可以更高效地構(gòu)建特征提取和融合模型，以滿足對高速、高機動目標的跟蹤需求。特別是在復(fù)雜戰(zhàn)場環(huán)境下，目標可能受到干擾、偽裝和遮蔽等因素的影響，探測器也可能受到環(huán)境等影響無法持續(xù)獲取目標信息，導(dǎo)致跟蹤難度增加，可以利用智能化方法根據(jù)環(huán)境變化和任務(wù)需求自適應(yīng)調(diào)整參數(shù)和策略，提高復(fù)雜環(huán)境下數(shù)據(jù)融合的魯棒性。
（2） 隨著計算能力的提升和算法的優(yōu)化，未來目標跟蹤系統(tǒng)能夠在更短時間內(nèi)處理大量數(shù)據(jù)，并實時更新目標狀態(tài)，以滿足快速變化的作戰(zhàn)需求?，F(xiàn)有人工智能方法的融合效果高度依賴于事先的學(xué)習(xí)訓(xùn)練，如何根據(jù)跟蹤目標實際情況選取合適的人工智能模型，設(shè)計高效的人工智能算法，在節(jié)省計算資源的同時保障數(shù)據(jù)融合的效果，是未來目標跟蹤和數(shù)據(jù)融合研究的重點和難點。例如，可以利用遷移學(xué)習(xí)的方法，將在其他任務(wù)或領(lǐng)域中預(yù)訓(xùn)練的模型進行微調(diào)，以適應(yīng)目標跟蹤和數(shù)據(jù)融合任務(wù)的特定需求，這樣可以減少對大量標注數(shù)據(jù)的依賴，提高模型的泛化能力；還可以通過增量學(xué)習(xí)的方法，持續(xù)地更新和改進模型，以適應(yīng)新的數(shù)據(jù)和環(huán)境，這樣可以在模型逐步積累更多信息的同時，減少對事先訓(xùn)練模型的依賴，并及時應(yīng)對數(shù)據(jù)分布的變化。
（3） 隨著傳感器技術(shù)的不斷進步，未來不同傳感器之間的協(xié)同探測會更加緊密。在對遠距離運動的目標進行跟蹤時，往往需要依賴多種傳感器和探測源，如雷達、衛(wèi)星、光電等，為充分利用各種信息源的優(yōu)勢，未來的數(shù)據(jù)融合方法需要進一步增強多源數(shù)據(jù)融合能力。這包括研究不同信息源之間的互補性，設(shè)計有效的融合策略，以及針對不同傳感器的探測誤差特性設(shè)計合適的誤差估計和補償算法，以實現(xiàn)對目標的全方位、多角度跟蹤。
?。?） 基于目標行為特征的融合也是未來的發(fā)展方向?？紤]到目標運動是一個持續(xù)過程，通過對多傳感器收集到的目標歷史行為信息進行預(yù)處理和特征提取，可以得到一系列描述目標行為的關(guān)鍵特征，如目標的速度、方向等，以及意圖、偏好等更高級別的行為信息?；谝陨锨捌谛袨樘卣鲗δ繕藸顟B(tài)進行估計和融合處理，一方面實現(xiàn)了對數(shù)據(jù)的可觀壓縮，降低了對通信帶寬的需求，另一方面也為高精度目標跟蹤和預(yù)判提供了有力支持。
?。?） 未來數(shù)據(jù)融合會在戰(zhàn)場態(tài)勢評估與決策支持中發(fā)揮越來越重要的作用。在現(xiàn)代戰(zhàn)場環(huán)境中，目標跟蹤只是戰(zhàn)場整體決策中的一部分，隨著戰(zhàn)場態(tài)勢日益復(fù)雜，未來目標跟蹤將更加注重與其他作戰(zhàn)系統(tǒng)的聯(lián)網(wǎng)和協(xié)同作戰(zhàn)能力，可以將數(shù)據(jù)融合方法與戰(zhàn)場決策支持系統(tǒng)相結(jié)合，實現(xiàn)對戰(zhàn)場態(tài)勢的實時感知和智能分析。通過信息共享和協(xié)同決策，有助于指揮中心更準確地掌握戰(zhàn)場情況，制訂更有效的作戰(zhàn)計劃，不同平臺和部隊的目標跟蹤系統(tǒng)將能夠共同完成更復(fù)雜的任務(wù)，提高整體作戰(zhàn)效能。
本文以空戰(zhàn)環(huán)境中機載制導(dǎo)武器目標跟蹤場景為例，對多傳感器數(shù)據(jù)融合問題中的數(shù)據(jù)關(guān)聯(lián)和估計融合這兩個關(guān)鍵過程的研究現(xiàn)狀進行了梳理。目前，對數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)融合的研究熱點主要集中在如何在提高精度的同時，提高關(guān)聯(lián)與融合過程的實時性和可靠性。隨著作戰(zhàn)環(huán)境日趨復(fù)雜，多傳感器數(shù)據(jù)融合在處理目標跟蹤任務(wù)過程中面臨的不確定因素日益增多，對目標運動狀態(tài)的獲取和估計愈發(fā)困難，這極大增加了對目標精確跟蹤的難度。隨著計算機性能和人工智能技術(shù)的發(fā)展，考慮到日益增長的智能化作戰(zhàn)的需求，基于人工智能方法的數(shù)據(jù)關(guān)聯(lián)和融合研究和應(yīng)用將會越來越廣泛。
本文發(fā)表于《空天防御》2024年第4期，作者：唐勝景， 王太巖， 趙剛練， 郭杰， 李佳麗， 尹航。
