编队协同作战中的数据关联技术研究*

王春雨 嵇成新 李 乐

(海军大连舰艇学院研究生管理大队1) 大连 116018)(海军大连舰艇学院科研部2) 大连 116018)

1 引言

在现代海战中,高技术的应用使各种武器的机动速度大为提高,特别是高速精确制导武器的使用,使水面舰艇的预警时间越来越短,对编队防空系统提出了严峻的考验。遂行协同防空作战,是水面舰艇生存的必然需求。美国海军早在1997年初便成功地开发了协同作战系统(Cooperative Engagement System,CES),并在艾森豪威尔号航母和黄蜂号两栖攻击舰上进行了CEC系统的战术使用实验,用于实现各平台传感器和武器动态分配组合,最大限度地发挥联合作战能力,整合编队进行协同作战。本文介绍了编队协同作战系统,并对其中的数据融合关键技术之一的数据关联进行了初步探讨。

2 编队协同作战系统

2.1 协同防空理论的提出

水面舰艇对空防御系统的基本功能要求是对空间目标状态的准确估计,即对空间目标的跟踪。只有在对飞机、导弹等战术目标准确跟踪的前提下才可能对目标进行特性测量、识别和监控。然而单平台设备的探测、跟踪能力有限,利用编队内多平台进行数据融合,通过它们之间协调和性能互补的优势,可以有效克服单个传感器、单舰的不确定性和局限性,是提高探测、跟踪能力的一种有效途径。

编队协同作战系统,是利用计算机,通信和网络技术,把编队中各战舰的目标探测系统、指控系统和武器系统以及直升机等有机联系,形成网络,允许编队各舰以极短的延时共享各种探测器获取的所有数据,从而使整个战斗群能高度协同作战,取代以往各自为战的海上防空作战模式。该系统的核心设备是协同作战处理器(Cooperative Engagement Processor,CEP)和数据分配系统(Data Distribution System,DDS)。CEP用于处理由所在舰和CEC网络中各舰提供的数据,与武器分系统的处理机相连接,以便及时、精确地进行协同作战。DDS采用相控阵天线和大功率行波管发射机,用于可靠、近实时地分配数据,其传输能力比通常的战术数据链高几个数量级。

2.2 协同作战系统的功能

协同作战系统的功能主要有三个方面:

1)复合跟踪与识别:将编队中的各舰载雷达探测到的数据经过滤波、加权并进行综合处理后得出目标航迹,各舰可据此进行目标跟踪和识别。如果某型舰载雷达在一段时间内未更新目标诸元,可利用其它舰的雷达数据对目标航迹进行更新。

2)捕获提示:CEC系统已经形成目标航迹的情况下,如果某舰的雷达未能获得此航迹,协同作战系统可自动地启动捕获提示功能,使雷达快速捕获到目标,而且可大大增强捕获的距离。

3)协同作战:使编队中各个舰艇在极端的延时内共享其他舰的雷达数据,发射与制导导弹对目标进行攻击,即所谓“依靠遥信息作战”。被攻击的目标可以是机动的,甚至是本舰雷达未捕获到的目标。如在美军宙斯盾舰上,可以用来自本舰以外的信息发射标准Ⅱ型舰空导弹,进行中段制导,将末段的照射雷达指向目标。

3 编队协同防空中的数据关联技术

海上编队协同防空作战中有效抗击来袭目标,首先要求实现对机动目标快速、可靠、精确地跟踪、指示和识别,多目标数据关联技术的优化是实现有效跟踪的重要环节。

在现代海战中,水面舰艇编队的多个传感器接收到的量测数据回波可能源于目标,也可能来自杂波。为了形成各目标的轨迹,必须解决关联区域内的量测候选回波与目标配对的问题,即数据关联问题。数据关联过程是将候选回波与已知目标轨迹相比较并最后确定正确的观测轨迹配对的过程[1]。

多平台协同防空作战系统中的数据相关问题可分为三类:点迹点迹相关—航迹起始;点迹航迹相关—航迹保持或更新;航迹航迹相关—航迹综合。本文研究的是点迹—航迹关联算法。当今关联算法分为两大类:一类是传统的基于统计和似然的方法,另一类是基于神经网络和模糊数学的方法。

3.1 最近邻方法(nearest neighbor,NN)[1]

Singer在 1971年提出最近邻方法(nearest neighbor,NN),选择落在跟踪门之内且与被跟踪目标预测位置距离最近的量测作为与目标关联的回波信号,该距离定义为新息向量的加权范数:

该算法计算简单,然而在多回波环境下,离预测位置最近的候选回波不一定就是目标的真实回波,因此不适在目标密度较大或目标做机动运动时应用。

3.2 概率数据关联和联合概率数据关联方法

为了解决最近邻方法的缺陷,有效地解决杂波环境中的单目标跟踪,Bar-Shalom和 Tse于1975年提出了概率数据关联(probability data association,PDA)方法[2],此后相继出现了用于跟踪杂波环境中的单个机动目标的交互式多模型数据关联(IMMPDA)算法,以及适用于多目标情形的联合概率数据关联(joint probabilistic data association,JPDA)[3]。交互式多模型算法是目前混合估计算法的主流,将其与PDA方法相结合的交互式多模型数据关联(IMM-PDA)算法可以有效处理杂波环境下单目标的跟踪问题。该算法的滤波综合公式为:

图1 IM M-PDA算法基本思想

JPDA算法是当今杂波干扰环境下多目标跟踪数据关联的最具代表性的算法,基于Bayesian理论在PDA基础上改进而成。根据落入跟踪波门内的所有点迹的不同排列形式的联合假设,计算点迹属于目标的联合概率。为了表示有效回波和各个目标跟踪门的关系,Bar-Shalom引入了确认矩阵的概念,确认矩阵[3]被定义为:

JPDA算法的困难在于难以确切得到联合事件 θk,i和关联事件θj,tk的概率。θk,i是所有候选回波的指数函数,随着回波密度增加出现计算上的组合爆炸现象。针对PDA和JPDA算法的缺陷,一些学者结合问题的特殊性将其进行改进,以减小计算量及存储量,出现了多种次优形式的算法[5],使其适应于各种不同环境。例如最近邻概率数据关联(ENNPDA),耦合概率数据关联算法(CPDA),联合综合概率数据关联算法(JIPDA)[6]和综合联合概率数据关联算法(IJPDA)算法[7]。

3.3 多假设方法(multiple hypothesis tracking,MHT)[8]

基于“全邻”最优滤波器和Bar-Shalom的聚概念,Reid提出了多假设(multiple hypothesis tracking,MH T)技术。MHT[8～9]中k时刻关联假设集Ωk由k-1时刻的关联假设集 Ωk-1和当前量测集Zk关联得到,量测可能来自新目标、虚警、或者己有目标,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(假设删除、假设合并等)实现多目标的跟踪。

多假设法适用于低检测概率、密集杂波和高虚警率情况下的多目标跟踪,然而过多依赖已进入跟踪的目标数,虚警回波数,新目标数,虚假目标密度以及被检测目标密度等先验信息,计算复杂,工程难以实现。从概率角度考虑数据关联问题,R.L.Streit和 T.E.Luginbubl[10～11]将期望极大化算法[12](EM)引入其中来解决不完全数据估计问题,在一般的目标跟踪假设基础上稍作修改,提出了概率多假设方法(PMHT),将数据关联和跟踪过程组合为迭代过程,每个迭代过程依次执行期望步(E-步)和极大化步(M-步),直至相邻两次迭代的参量无需显著变化。

4 数据关联方法新发展

4.1 基于智能技术的关联算法

理论上讲,当前主要的关联算法有两个弱点[13]:计算量大,对目标机动的先验信息要求高。神经网络具有大规模并行处理能力,良好的适应性、自组织性和较强的学习、联想功能,有助于解决传统跟踪技术中的快速响应与提高跟踪精度的矛盾,克服组合爆炸等问题。从早期的基于BP网络和Hopfield网络的自适应关联算法,到将Boltzmann机和模拟退火算法与关联结合,解决Hopfield网络易产生局部极小点问题,神经网络显示了良好的可行性。将神经网络、遗传算法、模糊数学等技术结合,形成智能融合系统,是该领域的重要发展趋势[14～15]。近年来,智能技术被广泛应用于数据关联之中,如模糊数据关联算法[16],基于遗传算法的数据关联法[17],基于聚类的快速数据关联算法[18]等等,取得了较好的融合效果。

4.2 数据关联和粒子滤波相结合

传统的IMM-PDA关联算法中主要是基于推广卡尔曼滤波(EKF)[19]算法,采用参数化的解析形式对系统的非线性进行近似,只适用于滤波误差和预测误差很小的情况;当滤波误差和预测误差较大时,滤波初期估计协方差下降太快会导致滤波不稳定甚至发散,并且其对于噪声为非高斯的系统效果不佳。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼近最优估计。将粒子滤波引入数据关联之中,可有效解决在杂波环境下的多个目标机动以及量测和目标之间的关联问题[20～22]。文献[23]将粒子滤波器(PF)同概率数据关联(JPDA)结合,通过采用重要性重采样技术克服了标准PF退化现象,降低了计算量。文献[24]提出了一种结合粒子滤波器和吉布斯采样器的多机动目标跟踪算法,较好解决了在杂波环境的多机动目标跟踪问题。

5 结语

数据关联技术的优化,尤其是杂波条件下多机动目标关联技术的发展,将有效提升协同作战系统对机动目标的精确指示能力和实时跟踪性能,实现编队内传感器信息的精确交换和武器系统的有效抗击,对提升海上编队整体作战能力发挥重要作用。

[1]Singer R A.,Stein J J.An Optimal tracking filter for processing sensor data of imprecisely determined origin in surveillance systems[C]//Proceedings of the 1971 IEEE Conferenceon Decision and Control,Miami Beach,1971:171～175

[2]Bar-Shalom Y,T se E.T racking in a cluttered environment with probabilistic data association[J].Automatic,1975,11(9):451～460

[3]Bar-Shalom Y,Fortmann T E.Tracking and Data Association[M].New York:Academic Press,1988

[4]Bar-Shalom Y.Multitarger-Mutisensor Tracking,Applications and Advances[M].Boston:Artech House,1992

[5]S Blackman,R J Dempster,M T Busch,et al.IMM/MHT solution to radar benchmark tracking problem[J].IEEE Trans on AES,1999,35(2):730～738

[6]Robert L Popp,Krishna R Pattipati,Yaakov Bar-Shalom.M-Best S-D assignment algorithm with application to multitarget tracking[J].IEEE Trans on AES,2001,37(1):22～39

[7]Somnath Deb,Murali Yeddanapudi,Krishna R Pattipati et al.A generalized S-D assignment algorithm for multisensor-multitargetstateestimation[J].IEEE T rans on AES,1997,33(2):523～538

[8]Reid D B.An algorithm for tracking multiple targets[J].IEEE Trans on Automatic Control,1979(24):843～854

[9]Mori S,Chong CY,Wishner RP,et al.Multi-Target Multi-Sensor T racking Problems:a General Approach[C]//Proc 1983 American Control Conf:1983;San Francisco,CA,1983

[10]Streit R L,Luginbuhl T E.Maximum likelihood method for probabilistic multi-hypothesis tracking[C]//Proceedings of SPIE International Symposium,Signal and data Processing of Small Targets.Bellingham,WA,USA:The International Society for Optical Engineering,1994:394～405

[11]Streit R L,Luginbuhl T E.A Probabilistic multi-hypothesis tracking algorithm without enumeration and pruning[C]//Proceedings of the Sixth Joint Service Data Fusion Symposium.Laurel,MD,1993:1015～1024

[12]Dempster A,Laird N,Rubin D.Maximum likelihood from incomplete data via the EMalgorithm[J].Journal of the Royal Statistical Society,1977,39(Series B):1～38

[13]郁光辉,戴亚平,侯朝桢,等.复杂环境下多机动目标跟踪问题研究[J].火力与指挥控制,2002,27(2):15～19

[14]Tseng D C,Chen Y L,Liu M S.Wavelet-Based multi-spectral image fusion methods[J].Information Fusion,2001(2):177～186

[15]J.Gu,M.Meng,A.Faulker.Micro sensor based eye movement detection and neural network based sensor fusion and fault detection and recovery[C]//Proceedings of IEEE Canadian Conference on Electrical and computer Engineering,2000,1

[16]CHEN Y M,HUANG H C.Fuzzy logic approach to multisensor data association[J].Mathematics and Computer in Simulation,2000,52(3):399～412

[17]PULFORD G W.Data fusion of multi-radar system by using genetic algorithm[J].IEEE Trans on Aerospace and Electronic Systems,2002,38(2):601～611

[18]CHUMMUN R,KIRUBARAJANT.Fast data association using multidimensional assignment with clustering[J].IEEE T rans on Aerospace and Electronic Systems,2001,37(3):898～910

[19]何友,修建娟,张晶炜,等.雷达数据处理及应用[M].北京:电子工业出版社,2006,1

[20]Frank,Oliver,Nieto,et al.Multiple targets tracking using sequential Monte Carlo methods and statistical data association[J].IEEE/RSJ International Conference on Robotics and Automation,2001(2):1665～1670

[21]Karlsson R,Gustafson F.Monte Carlo data association for multiple target tracking[J].IEEE Target T racking:Algorithms and Applications,2001(1):13/1～13/5

[22]Schultz D,Burgard W,Fox D,et al.Tracking multiple moving targets with a mobile robot using particle filters and statistical data association[J].IEEE International Conference on Robotics and Automation,2001(2):1665～1670

[23]朱志宇,皇丰辉,姜长生.杂波环境下的粒子滤波器数据关联方法[J].电光与控制,2008,15(2):50～54

[24]李延秋,沈毅,刘志言.杂波环境下多机动目标跟踪的一种新粒子滤波器算法研究[J].战术导弹技术,2005(2):39～46