航迹关联--目标跟踪
文章目录
-
- 传统方法
-
- 发展
- 深度学习
-
- 高频地波雷达海上目标航迹跟踪新思路
传统方法
发展
1971 年 R. A. Singer 等提出并发展了最近邻方法，该方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。在这种滤波方法中，仅将在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。而事实上，与被跟踪目标预测位置最近的量测值并不一定来源于被跟踪目标，特别当滤波器工作在干扰密集的环境中的情况下。因此最近邻法主要适用于信噪比高，目标密度小的条件。
1972 年 Y Bar-Shalom 提出了概率数据关联法((PDA)。该方法考虑了落入相关波门内的所有候选回波（确认量测），并计算各回波来自目标的概率，对相关波门内不同回波进行加权作为等效回波，以此对目标状态进行更新。优点是在对杂波环境下单目标跟踪时误跟和丢失目标的概率较小，计算量小。缺点是仅适用于单目标和分散孤立的多目标环境，不具有航迹起始与消亡机理。
1974 年，为了适应密集多目标跟踪环境，Y Bar-shalom 在 PDA 的基础上，提出了联合概率数据关联算法（JPDA），该方法定义了联合事件，引入了“聚”的概念，通过计算联合事件的联合概率，计算回波与目标之间关联的边缘概率。该方法被公认为解决多目标数据关联问题最有效的算法之一。但随着目标和量测数的增长，JPDA 的计算量变得非常庞大，因此如何减少计算量和实现关联事件的快速搜索是近年来的研究重点。
1974 年 R. A. Singer 和 R. G. Sea 等发展了一类**“全邻”滤波器**，它不仅考虑了所有候选回拨，而且考虑了跟踪历史。这种方法的优点是效果好，当记忆次数为 0时，就变为 PDA；缺点是太复杂，计算量太大。
1978 年，D. B. Reid 以“全邻”滤波器和 Y Bar-Shalom 的聚矩阵概念为基础，提出了基于统计决策的数据关联多假设方法（MHT）。算法主要包括：聚的产生，“假设”的生成，“假设”概率计算和假设约简等过程。其中“假设”的概念与 Bar-Sharlom提出的联合事件概念几乎相同，不同之处在于：（1）对每一回波不仅考虑虚警的可能性，也考虑新目标出现的可能性；（2）将 k 时刻的假设视为 k-1 时刻某一假设与当前数据集合关联的结果。优点是效果较好；缺点是过多地依赖于目标和杂波的先验知识。
2001 年，D. Schultz 等人提出了基于粒子滤波和联合概率数据关联的数据关联算法。粒子滤波是基于大量的量测，通过一组加权粒子的演化与传播来递推近似状态的后验概率密度函数，从而获得其他关于状态的统计量。该方法在基于非线性模型的数据关联领域有着广阔的发展空间。
Y Bar-shalom 和 J. K. Tugnait 等人提出了结合 IMM 和 JPDA 的多机动目标跟踪算法。于此同时，Y. Bar-shalom 和 X. R. Li 等又提出结合 IMM 和 MHT 的多机动目标跟踪算法。IMMJPDA 算法和 IMMMHT 算法是目前处理多机动目标跟踪问题的两类主要方法，其优点在于算法结构清晰，性能稳定，缺点在于计算量大，工程实现困难，但随着计算机技术的迅速发展，这一缺点将可以逐步忽略。
因此一些学者致力于对 IMMJPDA 和 IMMMHT 算法的深入研究，如潘泉等人提出联合交互式多模型概率数据关联（C-IMMPDA）算法，该算法是目前数据关联研究中比较理想的结构，它是根据全局最优的思想，在结构中设计了一个最优波门录取回波，结果表明对于目标机动情况下，C-IMMPDA 算法的性能改善更为明显。若在该算法中采用引入神经网络的机动目标“当前”模型，在机动目标跟踪领域会有很好的应用前景。另外利用多传感器交互式多模型概率数据关联（MSIMMPDA）以提高跟踪精度，以及对快速联合概率数据互联算法的研究也是目前的研究方向。
随着跟踪环境变得越来越复杂，数据关联势必朝着以下两个方向发展：
- 将现有的关联算法中引入智能环节（如神经网络，模糊理论，人工智能等），以弥补对目标先验信息要求高的缺点；
- 在改进原有数据关联方法的基础上，利用信息融合理论，发展新的关联算法，如基于无模型的数据驱动方法等。
常用的运动模型如匀速（CV）、匀加速（CA）模型、Singer 模型和“当前”统计模型。
滤波用来估计当前时刻目标的运动状态，包括位置、速度、加速度等等，是跟踪算法不可或缺的基本因素。常用的滤波方法有很多，如线性自回归滤波、两点外推滤波、维纳滤波、最小二乘滤波、卡尔曼滤波以及扩展卡尔曼滤波等。
深度学习
高频地波雷达海上目标航迹跟踪新思路
http://qdhys.ijournal.cn/hykx/ch/reader/create_pdf.aspx?file_no=20170619&flag=1&year_id=2017&quarter_id=6
本文对高频地波雷达海上目标跟踪技术的研究现状进行了综述, 分析总结了目前航迹跟踪方法存在的主要问题。结合海上目标跟踪的实际应用需求, 借助目前流行的深度学习方法充分挖掘其他同步探测手段获取的目标信息, 提出了基于知识辅助的特定目标跟踪方法, 改善后续地波雷达对特定目标独立跟踪时的航迹质量, 初步的航迹跟踪结果验证了提出方法的有效性。
目标航迹跟踪作为地波雷达目标检测跟踪系统中的最后也是最复杂的一环,担负着降低虚警与形成航迹的任务, 是目标探测跟踪效果的直接体现。
目标跟踪主要涉及状态预测、数据关联与状态估计三个过程
.
Ponsford A M 等采用基于最近邻准则的数据关联方法及基于 M/N 逻辑的跟踪方法获得地波雷达目标航迹[8]; Dzvonkovskaya A 等针对 WERA 雷达, 提出采用基于最近邻的数据关联方法及极坐标下的α-β 滤波方法进行航迹跟踪[9]; Chan[10]提出采用基于最近邻的数据关联方法与 Kalman 滤波来跟踪冰山目标; 胡松等采用联合概率数据关联(Joint ProbabilisticData Association, JPDA)方法提高密集杂波环境下数据关联的准确性[11], 利用交互多模型(Interacting MultipleModel, IMM)描述目标的运动模式, 提高状态预测的准确性[12], 采用扩展卡尔曼滤波方法(ExtendedKalman Filter, EKF)解决非线性状态滤波的问题[13-14];Braca 等提出结合多个雷达站提供的数据, 采用联合概率数据关联与无迹卡尔曼滤波(Unscented KalmanFilter, UKF)方法进行航迹跟踪[15], 通过航迹关联与融合得到最终的航迹输出, 提高了航迹质量[16-17]。
将深度学习的方法拓展应用到地波雷达目标跟踪领域, 从同步探测手段获取的特定目标航迹中深度挖掘能够辅助地波雷达目标跟踪的先验知识, 进而发展有效的高频地波雷达特定目标跟踪新方法,提高后续对特定目标独立跟踪时的航迹质量, 为地波
雷达目标跟踪提供了一种新颖的思路, 同时, 也有利于促进其在实际海上目标综合监视系统中的应用。