基于动态联盟的多传感器协同探测与跟踪

基于动态联盟的多传感器协同探测与跟踪

武龙;许蕴山;夏海宝;邓有为;张肖强

【摘要】In cooperative attacks, multi-sensor cooperative detection and tracking is usually used. Because targets randomly appear or vanish, we should think about tracking new appearing targets and pay attention to detect or even capture new targets. Therefore, a probabilistic model for detecting new targets was established, stating the ability of different sensor coalitions to detect new targets. A sensor coalition for tracked targets was set up according to PCRLB, and the method of multi-sensor cooperative detection and tracking based on dynamic coalition using the BPSO algorithm and PCRLB was studied. The simulation result indicates that the method possesses higher tracking precision, less error, and more stability.%在空战场协同攻击中,常涉及到多传感器协同探测及跟踪,由于目标的出现与消失具有随机性,所以在协同中既要考虑已有目标的跟踪,更要重视新生目标的及时探测和捕获.为此,建立了新生目标的探测概率模型,并阐述了不同传感器联盟对新生目标的探测能力,依据后验克拉美-罗下界(Posterior Cramer-Rao Lower Bound,PCRLB)对已跟踪目标组建传感器联盟,利用二值粒子群优化(Binary Particle Swarm Optimization,BPSO)算法及PCRLB研究基于动态联盟的多传感器协同探测与跟踪方法.仿真表明,该方法跟踪精度较高,误差小且稳定.

【期刊名称】《红外技术》

【年(卷),期】2017(039)011

【总页数】5页(P996-1000)

【关键词】协同跟踪;动态联盟;后验克拉美-罗下界;二值粒子群优化

【作者】武龙;许蕴山;夏海宝;邓有为;张肖强

【作者单位】空军工程大学航空航天工程学院,陕西西安 710038;空军工程大学航空航天工程学院,陕西西安 710038;空军工程大学航空航天工程学院,陕西西安710038;空军工程大学航空航天工程学院,陕西西安 710038;空军工程大学航空航天工程学院,陕西西安 710038

【正文语种】中文

【中图分类】TP212.9

在多机协同攻击中，常需要考虑传感器对目标的协同探测及协同跟踪，由于传感器的多样性及量测信息的复杂性，目标的出现与消失变化多端，使得对传感器的高效利用面临严峻挑战。所以研究如何进行传感器对目标的科学分配，获得更优的协同探测与跟踪性能具有重要现实意义[1]。

文献[2]在无线传感器网络中基于多智能体理论和动态联盟方法建立了目标跟踪协同流程。文献[3]结合已有的任务分配机制，建立了一种改进的动态联盟协同任务分配机制，确立了盟主和盟员的选择方法。文献[4]为解决动态联盟在移动过程中的交接问题，提出了基于预测的修复机制，解决了目标航迹的机动性。文献[5]为解决多目标连续、高概率探测问题，建立了多传感器交叉提示多目标探测的动态联盟机制，但这些方法都没有考虑协同跟踪时新目标出现的情况。

本文考虑到协同跟踪时可能会出现新目标，建立了新生目标探测概率模型，分析了已跟踪目标的后验克拉美-罗下界，研究了基于动态联盟的多传感器协同探测与跟踪方法。

在多平台传感器的探测空域内，目标的呈现与消逝是无法预知的，与已跟踪目标相

比，其对我机的威胁指数更大，重要性更强，因此需要及时分配传感器资源对新生目标进行侦查探测，已保证尽早对其截获。为了定量描述新生目标的探测概率，假设新目标均是从探测区域边界任意位置进入传感器探测范围，为方便研究，采用n 个在探测区域界线上等间距分布的粒子表示新生目标可能呈现的位置。当确定了目标进入探测区域的边界位置后，还需确定目标在探测区域内首次出现时距该位置的距离s。假设新生目标进入探测空域界线的法向速度在[0, Vmax]间服从均匀分布，则新目标首次呈现位置距进入点间距离s的概率密度函数成式(1)表示的分布[6]：

式中：Ts为采样时间；v表示粒子运动速度。传感器j对粒子i所代表的新生目标位置的探测概率pl(j, i)可按式(2)计算：

式中：pf表示虚警概率；R(j, i)是传感器j与粒子i所代表的新生目标位置间的距离；S0为传感器j对R0处目标的探测信噪比。则t时刻新目标的探测概率表达式plt为：

式中：N表示探测空域内传感器总量；t为采样时间；Cjt∈{0,1}，表示新生目标

能够被传感器j探测到，Cjt＝0表示其不能被传感器j探测到；Sjt表示是否采用

传感器j探测搜索新出现的目标，Sjt＝1代表选择该传感器搜索新生目标，反之亦然；St＝[S1t…Sjt…SNt]代表一种传感器联盟，该联盟将完成新出现目标的探测及跟踪。根据式(3)计算的探测概率表示不同传感器组成的联盟对新生目标的探测能力。

PCRLB是衡量跟踪性能的一项指标，可通过计算传感器与目标的量测值及预估值

而得到[12]。因为该指标与具体的目标航迹生成算法无关，所以能够避免跟踪滤波误差对传感器选择造成的影响[7]。所以利用PCRLB可得到不同传感器联盟跟踪目标所产生的信息增量，并据此选择合适的传感器加入联盟。

假定探测区域内某一目标运动的表达式为：

式中：下标m代表探测区域的第m个目标；表示t时刻目标状态，px表示xt,m