多传感器多目标数据关联算法综述

主要用于解决杂波环境下的单传感器单目标跟踪问题,
其优点是误跟和丢失目标的概率较小, 缺点是当测量密 度增大后, 计算量增加过大。
联合概率数据关联( JPDA) 是在仅适用于单目标跟
踪的概率数据关联算法的基础上提出来的, 该方法是杂
波环境下对多目标进行数据互联的一 种良好的算法。
然而, JP DA 的困难在于难以确定得到联合事件与关联
不适合实时处理。
3. 2 基于贝叶斯的方法
贝叶斯方法是以贝叶斯准则为基础, 主要包括最近 邻算法[ 1, 10] 、概 率数据关联算法[ 1, 10] 、联合概率数据关
联算法[ 1, 10] 和多假设算法[ 1, 10] 等。
最近邻法是一种具有固定记忆并且能在多回波环
境下工作的跟踪方法, 它仅将统计意义上与被跟踪目标 预测位置最近的量测作为与目标关联的回波信号。该
2. 2 最大似然法 最大似然算法的基本思想是将各个观测站的所有
方位测量集合依其来源分为若干个候选关联组合, 计算 每一个候选关联组合的似然函数, 然后利用三维分配算 法找出最优的候选关联组合[ 4] 。
( 1) 测量模型
仍然假设有 3 个观测站、M 个目标, 第 s 个观测站
的坐标为( x s , ys ) , 第 s 个观测站对第i s 个目标( s = 1, 2,
决的问题。目前常用的排除虚假点的方法有最小距离
法、最大似然法等。
2. 1 最小距离法 最小距离算法[ 3] 利用不同观测站侧向线之间交叉
定位点的几何距离信息进行数据关联。假设二维平面
内有 3 个观测站、M 个目标, 则每个观测站共有 M 条测
向线。观测站 1 和观测站 2 的所有测向线相交形成 M 2
1992 年, Bar Shalo m 针对无源式多传感器跟踪, 将 多传感器多目标数据关联问题描述为一个多维分配问 题, 其核心思想是: 首先为数据关联问题建立多维分配 问题的数学模型, 然后运用拉格朗日松弛法求解, 但其 计算量随着目标数量和观测站数量的增加成指数增长, 求解存在 N P 难题[ 5] 。国内许多学者对此问题有一定 的研究。海军航空工程学院的修建娟博士、北京航空航 天大学的陈玲博士提出了利用多层数据关联削减可能 的分割以减小分配问题计算量的关联方法[ 6] ; 辛云宏[ 7] 等将视线概念引入到无源多站多目标量测数据关联问 题中, 提出了一个观测站对于同一目标的距离和最短的 关联准则, 并在此基础上构造了量测数据的快速关联算 法。该方法不需要任何目标位置先验信息, 为数据关联 提出了一种新思路; 刘梅等[ 8] 提出了先通过聚类确定目 标数量, 并由此建立多模弹性神经网络, 去除大部分虚 假定位点, 然后通过建立航迹数的方法去除弹性神经网 络无法剔除的虚假点, 该方法计算量低, 且具有收敛速 率快的特点。此外, 将目标的属性和状态相结合进行数 据关联, 也是目前数据关联研究热点之一。基于证据的 状态和属性的融合算法[ 9] , 在 PD A 的框架下, 采用 D S 证据推理方法, 对回波的多个属性参数进行融合, 解决 了多个模糊和矛盾输入的综合问题, 降低了数据关联的 模糊性。
2010 年第 4 期
中国雷达 China Radar
7
多传感器多目标数据关联算法综述
孔云波, 冯新喜, 鹿传国
( 空军工程大学, 西安 710077)
摘 要: 多传感器数据关联是当前信息融合领域中的热点问题, 在军事和民用方面都有着十分广泛的 应用。本文对目前国内外部分文献上发表的有关多传感器多目标数据关联方法进行了综述, 根据关联数 据类型将多目标跟踪中的数据关联问题分为 量测 量测 ( 点迹 点迹) 关联、量测 航迹 ( 点迹 航迹) 关联 和 航迹 航迹 关联, 并对不同关联数据类型对应的不同关联算法进行了全面的阐述和归纳, 指出了数据 关联研究中存在的主要问题, 最后对数据关联技术的研究方向进行了展望。
3; i s = 1, 2, !, M ) 的方位测向角为
Zsis =
+ n s i s
s is
( 2)
式中, ns is 为测向噪声, 服从均值为零、方差为
2 s
的高斯
分布, 且各测向噪声间是相互独立的, 3 个观测站的所
有方位测量集合记为 Z。 ( 2) 测量划分
分别从每个观测站的测量数据中取一个测量值构
3
=# s= 1
2 exp{2 ∃%s
1 ( Zsi s -
2
%2s
sis ) 2 }
( 3)
条件 !成立, 则意味着测量 Z1i1 、Z2i2 、Z3i3 共同确定 一个目标。若把全部测量 Z 分成 M 个目标来源组, 即 Z = { Z1 , Z2 , !, ZM } 记为一个可能的关联分割 &。
关键词: 多传感器; 多目标; 数据关联; 算法; 综述
1引言
2 量测 量测 ( 点迹 点迹) 关联
以信息技术为代表的高新技术的发展及其在军事 领域的应用极大地改变了现代战争的作战样式。在复 杂的现代战争环境下, 单一传感器无法提供全面、可靠、 实时的态势信息, 受到电子战压制时无法有效工作, 而 多个同类或异类传感器在提高情报侦察效能的同时, 也 带来了信息处理的复杂性。在多传感器信息融合系统 中, 由于缺乏跟踪环境的先验知识以及受传感器自身性 能的制约, 在整个量测过程中不可避免地会引入量测噪 声; 另外, 往往并不知道目标的确切数量, 即使目标只有 一个, 由于杂波的干扰, 有效的量测也可能为多个, 因此 需要通过统计方法来建立目标和量测之间的对应关系。 传感器观测过程和多目标跟踪环境中存在的各种不确 定性以及随机性破坏了回波量测与其目标源之间的对 应关系, 所以必须运用数据关联技术寻求解决方法。近 年来, 国内外许多学者对数据 关联问题进行了深入研 究, 提出了大量解决数据关联问题的算法, 许多重要的 国际期刊也针对数据关联问题发行专刊进行讨论。
最小距离算法就是找出所有 d 中的最小值 d min , 该
最小值对应的 k, l, m 就是目标对应的正确测量区域的
候选关联组合。最小距离算法的步骤是先分别定位, 再 找出距离最近的点实现关联[ 3] 。最小距离法是一个比较
容易实现的解决方位数据关联的方法, 但关联正确率随 着辐射源的增多而急剧下降。
极大的可行划分下的量测序列被认为是来自不同目标
的正确序列; 0 1 整数规划法是由联合极大似然算法进
一步推算而来的, 其原理与联合极大似然算法类似, 不 同之处在于由求使似然函数达到极大的可行划分变成
了求使检验统计量达到极小的二进制向量; 广义相关法
定义了一个得分函数, 利用得 分函数实现对航迹的起 始、确认和撤销。这几种方法的缺点都是计算量较大,
最大似然算法的目的是在所有可能的分割 ∋= { &} 中寻找一种最优分割 &* , 使似然函数最大。最大似然算 法是考虑全体区域内关联的一种方法, 它将所有观测值 划分成不重复的分割, 然后比较各种分割的总效果, 从 而确定出最佳分割对应的目标辐射源。该方法考虑了每 种分割的可能, 因此正确关联率较高, 但计算量较大, 不 适用于实时处理。 2. 3 其他算法
概率数据关联算法认为所有落入相关波门内的回
波都有可能源于目标, 只是每个有效回波源于目标的概 率不同, 应首先根据不同情况计算出各回波来自目标的
概率, 然后利用这些概率值对相关波门内的不同回波进
行加权, 将各个候选回波的加权和作为等效回波, 并利
用等效回波对目标的状态进行更新。概率数据关联算
法是一种次优滤波方法, 它只对最新的量测进行分解,
统计距离定义为信息向量的加权范数:
d
2 k
=
z S z T
-1
k| k- 1 k k| k- 1
( 4)
式中,
z
k|
k-
1
为滤波信息;
Sk
为信息协方差矩阵;
d
2 k
为残
差向量的范数, 可以理解为目标预测位置与有效回波之
间的统计距离。
最近邻法便于实现, 计算量小, 因此适用于信噪比
高、目标密度小的条件, 但在目标回波密度较大的情况 下, 多目标相关波门相互交叉, 容易产生关联错误。
数据关联问题存在于多传感器多目标跟踪的各个 过程中。按照关联数据类型可分为 量测 量测 ( 点迹 点迹) 关联、 量测 航迹 ( 点迹 航迹) 关联和 航迹 航 迹 关联, 不同关联数据类 型对应不同的关 联算法[ 1] 。 本文分别对三种不同数据类型对应的关联算法进行了 归纳总结, 对一些经典的关联算法作了简要介绍, 同时 阐述了数据关联算法中存在的问题, 并展望了数据关联 的研究方向。
成一个可能的候选关联组合,
记为
{ Zsi s
}
3 s=
1(is
=
1, 2,
!,
M
)
,
将{
Z si
s
}
3 s=
1
中的三个观测量同属于一个目标事
件记为
!, 则{ Zsis
}
3 s=
1
属于同一目标时的联合概率密度
为
∀ ( Zi1 i2 i3 | !) = p ( Z1i1 | !) p ( Z2i2 | !) p ( Z3i3 | !)
个交点, 记为 1 = { X 1k, 2l } , k, l = 1, 2, !, M 。观测站 1
和观测站 3 所有测向线相交形 成的交点集记为 2 =
{ X 1k, 3m } , k, m = 1, 2, !, M , 定义平面几何距离
d = ∀ X 1k, 2l - X 1k, 3m ∀
( 1)
3 量测 航迹 ( 点迹 航迹) 关联
量测 航迹 ( 点迹 航迹) 关联是将有效回波与已 知目标的预报航迹相比较, 并最终确定正确的量测 航 迹配对的过程。目前该关联方法的数学建模思想主要 有两种[ 10] : 极大似然方法和基于贝叶斯的方法。 3. 1 极大似然方法
极大似然方法以观测序列的似然比为基础, 主要包
量测 量测 关联主要在航迹起始阶段和观测数据 直接融合时使用。传统的关联方法主要通过判断测量 数据是否落入门限来确定其是否关联, 但多无源传感器 系统仅能获 得关于目标的 角度信息, 所以给 量 测 量 测 关联, 即目标定位带来了挑战。无源定位系统的基 本定位体制主要有测向交叉定位法、时差定位法和测向 测时差定位法[ 2] , 其中多站纯方位交叉定位是研究和应 用最多的一种方法。采用多站纯方位交叉定位时, 通过 简单的三角运算即可获得辐射源的位置信息, 但在存在 多辐射源的情况下将产生许多虚假点, 同时还存在虚警 和漏报的情况, 这些都恶化了探测环境, 所以在多无源 传感器系统中虚假点的排除一直是研究热点。图 1 给 出了无源传感器数据关联虚假点的产生原理。
事பைடு நூலகம்的概率, 因为在这种方法中联合事件数是所有候选
波门数的指数函数, 并且随回波密度的增加出现计算上 的组合爆炸现象。近年来, 国内外很多学者针对各种实 际问题, 发展了一些次优的近似算法, 这些算法在降低 计算量的同时, 也降低了算法的有效性和可靠性。
多假设算法( M H T ) 是基于 全邻 最优滤波器 和 JP DA 中聚概念的一种算法, 该方法考虑每个新接收到 的量测可能来自新目标、虚警或已有目标, 它通过一个 有限长度的时间滑窗, 建立多个候选假设, 并通过假设 评估、假设管理技 术实现多目标跟踪。近年来, M H T 的研究热点主要是假设管理技术的有效实现。St reit R L 和 L uginbubl T E 将一般意义上的目标跟踪假设稍 作修改, 并将 EM 算法引入多目标跟踪问题, 提出了概 率多假设算法, 从而将整数据关联与跟踪过程组合为一 个简洁、有效的迭代过程。
图 1 虚假点产生原理 可以看出, 由于测量误差的存在, 各观测站对于同
8
孔云波, 等: 多传感器多目 标数据关联算法综述
2010 年第 4 期
一目标的观测往往不能交于一点, 而是相交于一个区 域。假设有 M 个目标、N 个观测站( M, N > 2) , 则最多 可产生的可能区域为 MN , 但真实区域最多为 M 个。因 此, 如何快速有效地排除虚假点是测向交叉定位首要解
2010 年第 4 期
中国雷达 China Radar
9
括航迹分叉法、联合似然算法[ 11] 、0 l 整数规划法[ 12 14] 、 广义相关法[ 15] 。这四种方法都是批处理形式, 其中航
迹分叉法利用似然函数进行剪枝, 排除掉不可能是来自
目标的量测序列, 因而计算量大; 联合似然函数计算所 有量测序列的不同可行划分的似然函数, 似然函数达到