自动目标识别综述

参考文献：https://radars.ac.cn/article/doi/10.12000/JR22178
自动目标识别(Automatic Target Recognition, ATR)

1. ATR定义

从技术维度：定义为处理传感器数据并进行自动目标捕获与辨识的过程。
从应用任务角度：定义为确定目标特性以及类型的过程。
从工程应用角度：定义为一个面向应用任务的感知与决策过程，其功能贯穿于目标搜索、定位、跟踪、鉴别与决策、引导等任务链的每个环节。

2. 6个视角认知ATR

图 1 ATR的认知视角

3. ATR发展的简要回顾

4. ATR核心技术体系与系统开发模式

4.1 ATR核心技术体系

4.2 ATR系统实现模式

4.2.1 迭代演进实现模式

图 12 迭代演进开发模式演进流程
图13总结了笔者团队开发的一类雷达目标识别系统具体的工程开发流程和所使用的方法，由此可见，模式既是复杂系统本身，也是该系统的实现流程。

图 13 雷达目标识别系统的迭代增长式工程开发模式

4.2.2 开放生态实现模式

如图14所示。ROS提供了通信框架、应用功能、开发工具、社区系统“四位一体”的生态环境，其核心是为机器人软件系统提供了统一框架，将复杂的机器人软件系统功能模块划分成独立运行的程序。

图 14 百度Apollo 6.0开放生态环境示意图
结合ATR应用特点，面向ATR的开放生态环境应包含以下方面：统一的接口规范与通信机制、功能模块的独立组件化、开发工具、共享仓库、数据集仓库、功能模块仓库、目标信息仓库、应用场景信息仓库等。

5. 未来发展挑战

5.1 ATR技术链与应用任务链的高效构建与耦合

1. ATR能力受限于任务需求存在的固有不确定性。
2. ATR技术创新与系统集成之间存在隔阂。
3. ATR效能受限于传感器自身能力与探测模式。
4. ATR能力的形成与拓展受多元创新协同不足制约。

5.2 ATR系统的识别性能受制于预测目标模型的能力

1. 要解决目标与环境的有效建模问题，需要建立一个复杂的层次化、网络化的目标分类模型空间，在不同的识别层次上采用不同的建模方法。
2. 要解决特定应用场景预测目标模型的有效选择、裁剪和快速学习训练与装订问题。要针对各类应用场景，快速形成任务模型与流程，设置可能目标集合与相应的预测目标模型，快速训练形成面向特定应用任务的ATR算法软件。需要通过有效预测目标场景状态或缩小目标场景空间，来降低目标模型预测的复杂性，从而提高ATR的可靠性。
3. 要发展可解释性ATR技术。通过多维度构建和表达ATR领域知识，并与任务驱动、数据驱动技术相结合，将领域知识更好地嵌入到深度模型的学习和推理过程中，发展解释性强、泛化性好、鲁棒性高ATR模型和技术。

5.3 ATR系统面临的场景适应性挑战

1. 发展软件定义的柔性ATR系统架构和以识别为核心ATR操作系统，以适应快速、灵活定制或更新不同环境条件下的ATR系统的需要。
2. 加强目标场景表征与分类研究，形成规范化的分类、分级ATR目标场景视图。在此基础上，发展ATR跨场景高效迁移学习、融合学习方法，提升跨域、跨场景下的ATR系统能力。
3. 发展ATR领域更为有效的系统学习演进理论与方法，使得ATR系统能够保持对新出现目标类型、样本特性和场景状态稳定的识别能力；建立适应ATR任务特点的虚实混合训练模型与模式，最大程度地构建开放的ATR生态，形成场景、数据、算法的闭环，加速ATR系统的泛化应用。