水下多目标跟踪技术_党建武

水下多目标跟踪技术

党建武,黄建国

(西北工业大学,陕西西安　710072)

摘　要:基于现代海洋环境和经济发展的要求,论述了水下多目标跟踪技术的重要性,详细

讨论了过去几十年来多目标跟踪技术的发展,探讨了水下多目标跟踪中的关键技术,指出了

未来水下多目标跟踪技术的发展趋势。

关键词:水下目标;探测;多目标跟踪

中图分类号:TP 14;TN 911　文献标识码:A 文章编号:1008-1194(2003)01-0048-05

0　引言

水下多目标跟踪是指使用一个或多个探测器对水下的多个监测目标的运动状态进行跟踪。水下多目标跟踪理论和技术主要包括目标模型、自适应跟踪算法、跟踪门的形成、数据关联、跟踪维持、跟踪起始及跟踪终结等几方面内容。多目标跟踪需要周期地采样目标的状态并基于每个运动目标的概率分配采样值,每个运动目标的概率值是当前状态和目标轨迹的历史函数。轨迹辨识和轨迹相关的目的并不是为了对每一个被跟踪的目标建立一份档案,而是利用目标轨迹的信息实现某种目的,例如导航、捕获或攻击。水下多目标跟踪技术的研究,对于海防、区域防御、作战监视,海上安全作业及海洋开发等领域有着广泛的应用价值和重要的战略意义,因此,在近四十年来这一问题受到许多发达国家的密切关注。1　多目标跟踪技术的发展

多目标跟踪(MT T )的基本概念首先是由Wax [1]

在1955年提出的,他提出了初始目标航迹形成、航

迹保持、航迹删除的概念与模型,并且用一些估计方法得到其解。1964年,Sittler [2,3]在包括数据关联等

内容的多目标跟踪理论方面取得了开创性的突破。

1972年,Bar -Shalom 与Jaffer [4]首先指出有必要利用跟踪门内的所有回波以获得可能的后验信息,在此基础上,1975年,Bar-Shalom 与Tse [5]一起完成了单目标跟踪的概率数据关联算法。

1974年,Bar-Shalom [6]推广了他提出的单目标跟踪的概率数据关联算法,以使得跟踪滤波器可以对多个目标进行处理而不需要关于目标或杂波的任何先验信息。从1974年到1977年,M orefield 发表了一系列的文章[8],以证明多目标跟踪问题实际上是属于一类已被充分研究过的离散最佳化问题,即0～1整数规划问题中集合的分解和组合问题,并由此导出了多目标跟踪的整数规划方法[9]。

在采用高斯和的Bayes 迭代估值的基础上[10],A lspach [11]提出了跟踪多目标的高斯和方法。其中假定被跟踪的目标数与探测器接收到的回波数始终相等,而且每一回波均含有某一被跟踪目标的状态信息。Sittler 在其开创性的工作中[2]首先提出了以每一可能轨迹的似然函数为基础的轨迹分裂方法。1975年,Sm ith 与Buechler [12]提出了一种类似的滤波器。每一可能轨迹的似然函数的计算与文献[2]相似,如果回波位于跟踪门内,其被用来更新相应目标的状态,否则,即不与考虑。如果几个不同“目标”所得状态估计值相似的话,其中与似然函数较大的目标的估计值的差小于某一特定值的估计被剔除。

1979年,Reid 提出了以“全邻”最优滤波器以及Bar -Shalom 所提出的聚概念为基础的多目标跟踪　第25卷第1期

2003年3月探测与控制学报Journal of Detection &C ontrol Vol.25.No.1M ar.2003

X 收稿日期:2002-06-11基金项目:国家“九五”、“十五”国防重点预研项目。作者简介:党建武(1964—),男,陕西临潼人,西北工业大学博士研究生。研究方向:水下多目标跟踪技术、信号与信息处理。

Reid 算法。

该算法的主要过程包括聚的构成、“假设”的产生(每一可能轨迹为一假设)、每一假设的概率计算、以及假设的约简。其“假设”的概念与Bar -Shalom 所指的联合事件几乎相同,区别仅在于:第一,对于每一回波,不仅考虑虚警的可能性,而且也考虑新目标出现的可能性;第二,将时刻k 的假设视为k -1时刻的某一假设与当前数据集合关联的结果。

我国学者周宏仁多年来对多目标跟踪理论和技术进行了深入的研究,提出了多目标跟踪中的机动目标“当前”概率密度模型,并在其他相关理论和技术研究中取得了许多重要成果。

多目标跟踪问题的研究至今已有40多年的历史。在最近的20多年中,多目标跟踪问题已经受到许多科学家与工程师们的极大关注,在理论研究和技术应用方面已取得了很大的成就。据资料报道,国外现役的新型鱼雷中已普遍采用了多目标定位和跟踪技术,瑞典的T P2000、法国的海膳均具有同时定位、跟踪多个目标的能力,英国的矛鱼在近距离能对目标的多个亮点进行定位,进而获得目标形状和尺寸信息。

2　水下多目标跟踪的关键技术

水下多目标跟踪主要包括目标模型、自适应跟踪算法、跟踪门的形成、数据关联、跟踪维持、跟踪起始及跟踪终结等几方面关键技术内容。

2.1目标运动模型

目标运动模型是多目标跟踪的关键要素之一,也是一个复杂而又棘手的问题。在建立目标运动模型时,一般的原则是所建立的运动模型既要符合目标运动实际,又要便于数学处理。30多年来,有不少学者对运动模型问题进行了探讨,其具有代表性的有:

CV 模型和CA 模型　CV [21]模型,即二阶常速模型,它假设目标作匀速运动,目标的机动加速度服

从均值为零、方差为R 2的高斯白噪声分布。CA [22]模型,即三阶常加速度模型,它假设目标作匀加速运

动,目标的机动加速度为常数,机动加速度的一阶导数服从均值为零、方差为R 2的高斯白噪声分布。

Sing er 模型　Singer [14]于1970年提出了目标机动加速度的一阶时间相关模型,即辛格模型。辛格模型用有色噪声来描述目标的机动加速度,它假定机动加速度为一个平稳的时间相关随机过程,其统计特性服从均值为零、方差为R 2a 的均匀分布。该色噪声经过白化后,目标的机动加速度可用一输入为白噪声的一阶时间相关模型来表示。

Sing er 模型多年来一直受到重视,其主要原因是它采用了比白噪声更切合实际的色噪声来描述目标的机动加速度。

半马尔可夫模型　Singer 的这种零均值一阶时间相关随机模型对于描述机动目标来说不尽合理,于是,M oo se 等[15]提出了具有随机开关均值的相关高斯噪声模型,该模型把机动看作为相应于半马尔可夫过程描述的一系列有限指令,该指令由马尔可夫过程的转移概率来确定,转移时间为随机变量。

“当前”统计模型　我国学者周宏仁在80年代初提出了机动目标“当前”统计模型[17],他指出,在一个确定的战术场合下,更令人关心的是目标机动的“当前”统计状态。机动目标“当前”统计模型在本质上仍然是非零均值时间相关模型,其机动加速度的“当前”概率密度用修正的瑞利分布描述,均值为“当前”加速度的预测值,随机机动加速度在时间轴上仍符合一阶时间相关过程。

交互式多模型　1984年,H .A .P .Blom [23]首先提出了IM M 算法,其后,由Blo m 和Barshlom [24,25]等人合作完成了理论上较为完整的IMM 算法。IM M 算法用马尔可夫链过程描述模型间的转换,同时导出Kalm an 滤波输入输出均加权的交互式算法。在IM M 算法中,被跟踪目标用一个由多个有限模型集组成的混合系统来描述,多个模型一起工作,用各个模型的后验概率对滤波器的输入和输出均进行加权计算,这不仅可以使得算法中的在线模型尽量接近目标实际运动的状况,而且可以保证每一采样周期系统中所有滤波器的输入与系统实际状态相吻合,使系统中的滤波器不至于发散。

2.2　自适应跟踪算法跟踪滤波和预测　跟踪滤波和预测的目的是估计当前和未来时刻目标的运动状态,包括位置、速度49

党建武等:水下多目标跟踪技术