編隊協同作戰中的數據關聯技術研究*

王春雨 嵇成新 李 樂

(海軍大連艦艇學院研究生管理大隊1) 大連 116018)(海軍大連艦艇學院科研部2) 大連 116018)

1 引言

在現代海戰中,高技術的應用使各種武器的機動速度大為提高,特別是高速精確制導武器的使用,使水面艦艇的預警時間越來越短,對編隊防空系統提出了嚴峻的考驗。遂行協同防空作戰,是水面艦艇生存的必然需求。美國海軍早在1997年初便成功地開發了協同作戰系統(Cooperative Engagement System,CES),并在艾森豪威爾號航母和黃蜂號兩棲攻擊艦上進行了CEC系統的戰術使用實驗,用于實現各平臺傳感器和武器動態分配組合,最大限度地發揮聯合作戰能力,整合編隊進行協同作戰。本文介紹了編隊協同作戰系統,并對其中的數據融合關鍵技術之一的數據關聯進行了初步探討。

2 編隊協同作戰系統

2.1 協同防空理論的提出

水面艦艇對空防御系統的基本功能要求是對空間目標狀態的準確估計,即對空間目標的跟蹤。只有在對飛機、導彈等戰術目標準確跟蹤的前提下才可能對目標進行特性測量、識別和監控。然而單平臺設備的探測、跟蹤能力有限,利用編隊內多平臺進行數據融合,通過它們之間協調和性能互補的優勢,可以有效克服單個傳感器、單艦的不確定性和局限性,是提高探測、跟蹤能力的一種有效途徑。

編隊協同作戰系統,是利用計算機,通信和網絡技術,把編隊中各戰艦的目標探測系統、指控系統和武器系統以及直升機等有機聯系,形成網絡,允許編隊各艦以極短的延時共享各種探測器獲取的所有數據,從而使整個戰斗群能高度協同作戰,取代以往各自為戰的海上防空作戰模式。該系統的核心設備是協同作戰處理器(Cooperative Engagement Processor,CEP)和數據分配系統(Data Distribution System,DDS)。CEP用于處理由所在艦和CEC網絡中各艦提供的數據,與武器分系統的處理機相連接,以便及時、精確地進行協同作戰。DDS采用相控陣天線和大功率行波管發射機,用于可靠、近實時地分配數據,其傳輸能力比通常的戰術數據鏈高幾個數量級。

2.2 協同作戰系統的功能

協同作戰系統的功能主要有三個方面:

1)復合跟蹤與識別:將編隊中的各艦載雷達探測到的數據經過濾波、加權并進行綜合處理后得出目標航跡,各艦可據此進行目標跟蹤和識別。如果某型艦載雷達在一段時間內未更新目標諸元,可利用其它艦的雷達數據對目標航跡進行更新。

2)捕獲提示:CEC系統已經形成目標航跡的情況下,如果某艦的雷達未能獲得此航跡,協同作戰系統可自動地啟動捕獲提示功能,使雷達快速捕獲到目標,而且可大大增強捕獲的距離。

3)協同作戰:使編隊中各個艦艇在極端的延時內共享其他艦的雷達數據,發射與制導導彈對目標進行攻擊,即所謂“依靠遙信息作戰”。被攻擊的目標可以是機動的,甚至是本艦雷達未捕獲到的目標。如在美軍宙斯盾艦上,可以用來自本艦以外的信息發射標準Ⅱ型艦空導彈,進行中段制導,將末段的照射雷達指向目標。

3 編隊協同防空中的數據關聯技術

海上編隊協同防空作戰中有效抗擊來襲目標,首先要求實現對機動目標快速、可靠、精確地跟蹤、指示和識別,多目標數據關聯技術的優化是實現有效跟蹤的重要環節。

在現代海戰中,水面艦艇編隊的多個傳感器接收到的量測數據回波可能源于目標,也可能來自雜波。為了形成各目標的軌跡,必須解決關聯區域內的量測候選回波與目標配對的問題,即數據關聯問題。數據關聯過程是將候選回波與已知目標軌跡相比較并最后確定正確的觀測軌跡配對的過程[1]。

多平臺協同防空作戰系統中的數據相關問題可分為三類:點跡點跡相關—航跡起始;點跡航跡相關—航跡保持或更新;航跡航跡相關—航跡綜合。本文研究的是點跡—航跡關聯算法。當今關聯算法分為兩大類:一類是傳統的基于統計和似然的方法,另一類是基于神經網絡和模糊數學的方法。

3.1 最近鄰方法(nearest neighbor,NN)[1]

Singer在 1971年提出最近鄰方法(nearest neighbor,NN),選擇落在跟蹤門之內且與被跟蹤目標預測位置距離最近的量測作為與目標關聯的回波信號,該距離定義為新息向量的加權范數:

該算法計算簡單,然而在多回波環境下,離預測位置最近的候選回波不一定就是目標的真實回波,因此不適在目標密度較大或目標做機動運動時應用。

3.2 概率數據關聯和聯合概率數據關聯方法

為了解決最近鄰方法的缺陷,有效地解決雜波環境中的單目標跟蹤,Bar-Shalom和 Tse于1975年提出了概率數據關聯(probability data association,PDA)方法[2],此后相繼出現了用于跟蹤雜波環境中的單個機動目標的交互式多模型數據關聯(IMMPDA)算法,以及適用于多目標情形的聯合概率數據關聯(joint probabilistic data association,JPDA)[3]。交互式多模型算法是目前混合估計算法的主流,將其與PDA方法相結合的交互式多模型數據關聯(IMM-PDA)算法可以有效處理雜波環境下單目標的跟蹤問題。該算法的濾波綜合公式為:

圖1 IM M-PDA算法基本思想

JPDA算法是當今雜波干擾環境下多目標跟蹤數據關聯的最具代表性的算法,基于Bayesian理論在PDA基礎上改進而成。根據落入跟蹤波門內的所有點跡的不同排列形式的聯合假設,計算點跡屬于目標的聯合概率。為了表示有效回波和各個目標跟蹤門的關系,Bar-Shalom引入了確認矩陣的概念,確認矩陣[3]被定義為:

JPDA算法的困難在于難以確切得到聯合事件 θk,i和關聯事件θj,tk的概率。θk,i是所有候選回波的指數函數,隨著回波密度增加出現計算上的組合爆炸現象。針對PDA和JPDA算法的缺陷,一些學者結合問題的特殊性將其進行改進,以減小計算量及存儲量,出現了多種次優形式的算法[5],使其適應于各種不同環境。例如最近鄰概率數據關聯(ENNPDA),耦合概率數據關聯算法(CPDA),聯合綜合概率數據關聯算法(JIPDA)[6]和綜合聯合概率數據關聯算法(IJPDA)算法[7]。

3.3 多假設方法(multiple hypothesis tracking,MHT)[8]

基于“全鄰”最優濾波器和Bar-Shalom的聚概念,Reid提出了多假設(multiple hypothesis tracking,MH T)技術。MHT[8～9]中k時刻關聯假設集Ωk由k-1時刻的關聯假設集 Ωk-1和當前量測集Zk關聯得到,量測可能來自新目標、虛警、或者己有目標,通過一個有限長度的時間滑窗,建立多個候選假設,并通過假設評估,假設管理(假設刪除、假設合并等)實現多目標的跟蹤。

多假設法適用于低檢測概率、密集雜波和高虛警率情況下的多目標跟蹤,然而過多依賴已進入跟蹤的目標數,虛警回波數,新目標數,虛假目標密度以及被檢測目標密度等先驗信息,計算復雜,工程難以實現。從概率角度考慮數據關聯問題,R.L.Streit和 T.E.Luginbubl[10～11]將期望極大化算法[12](EM)引入其中來解決不完全數據估計問題,在一般的目標跟蹤假設基礎上稍作修改,提出了概率多假設方法(PMHT),將數據關聯和跟蹤過程組合為迭代過程,每個迭代過程依次執行期望步(E-步)和極大化步(M-步),直至相鄰兩次迭代的參量無需顯著變化。

4 數據關聯方法新發展

4.1 基于智能技術的關聯算法

理論上講,當前主要的關聯算法有兩個弱點[13]:計算量大,對目標機動的先驗信息要求高。神經網絡具有大規模并行處理能力,良好的適應性、自組織性和較強的學習、聯想功能,有助于解決傳統跟蹤技術中的快速響應與提高跟蹤精度的矛盾,克服組合爆炸等問題。從早期的基于BP網絡和Hopfield網絡的自適應關聯算法,到將Boltzmann機和模擬退火算法與關聯結合,解決Hopfield網絡易產生局部極小點問題,神經網絡顯示了良好的可行性。將神經網絡、遺傳算法、模糊數學等技術結合,形成智能融合系統,是該領域的重要發展趨勢[14～15]。近年來,智能技術被廣泛應用于數據關聯之中,如模糊數據關聯算法[16],基于遺傳算法的數據關聯法[17],基于聚類的快速數據關聯算法[18]等等,取得了較好的融合效果。

4.2 數據關聯和粒子濾波相結合

傳統的IMM-PDA關聯算法中主要是基于推廣卡爾曼濾波(EKF)[19]算法,采用參數化的解析形式對系統的非線性進行近似,只適用于濾波誤差和預測誤差很小的情況;當濾波誤差和預測誤差較大時,濾波初期估計協方差下降太快會導致濾波不穩定甚至發散,并且其對于噪聲為非高斯的系統效果不佳。粒子濾波通過非參數化的蒙特卡羅模擬方法來實現遞推貝葉斯濾波,適用于任何能用狀態空間模型表示的非線性系統,以及傳統卡爾曼濾波無法表示的非線性系統,精度可以逼近最優估計。將粒子濾波引入數據關聯之中,可有效解決在雜波環境下的多個目標機動以及量測和目標之間的關聯問題[20～22]。文獻[23]將粒子濾波器(PF)同概率數據關聯(JPDA)結合,通過采用重要性重采樣技術克服了標準PF退化現象,降低了計算量。文獻[24]提出了一種結合粒子濾波器和吉布斯采樣器的多機動目標跟蹤算法,較好解決了在雜波環境的多機動目標跟蹤問題。

5 結語

數據關聯技術的優化,尤其是雜波條件下多機動目標關聯技術的發展,將有效提升協同作戰系統對機動目標的精確指示能力和實時跟蹤性能,實現編隊內傳感器信息的精確交換和武器系統的有效抗擊,對提升海上編隊整體作戰能力發揮重要作用。

[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]郁光輝,戴亞平,侯朝楨,等.復雜環境下多機動目標跟蹤問題研究[J].火力與指揮控制,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,張晶煒,等.雷達數據處理及應用[M].北京:電子工業出版社,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,皇豐輝,姜長生.雜波環境下的粒子濾波器數據關聯方法[J].電光與控制,2008,15(2):50～54

[24]李延秋,沈毅,劉志言.雜波環境下多機動目標跟蹤的一種新粒子濾波器算法研究[J].戰術導彈技術,2005(2):39～46