傳感器管理方法述評

孫敏

【摘 要】本文首先介紹了傳感器管理的基本概念、原理及其發展現狀；其次，對傳感器管理的基本方法進行了分析與綜合，指出了傳感器管理方法發展的基本特征；最后總結了需要進一步研究的問題。

【關鍵詞】信息融合；傳感器管理；多目標跟蹤；資源分配

0 引言

傳感器管理通過建立一定的優化指標，對整個融合過程進行實時監控與評價，實現傳感器資源的優化配置，以滿足特定的任務目標的需求，用有限的資源最大化地提高整個系統的性能[1-2]。傳感器管理的目的[3]就是充分利用有限的傳感器資源，盡可能掃描整個目標空間，監視多個目標，得到最優的目標探測性能，以這個最優準則對傳感器管理進行合理科學的分配。簡單講傳感器管理的核心問題就是依據一定的最優準則確定目標選擇何種傳感器以及該傳感器的工作方式及參數。傳感器管理是信息融合理論中一個極其重要而又復雜的問題，對傳感器管理方法進行研究具有十分重要的理論意義與應用價值。

1 傳感器管理方法分析

作為信息融合系統組成部分的傳感器管理的研究則相對較晚。傳感器管理的核心問題就是根據一定的準則，建立一個可量化的目標函數，在傳感器資源的約束條件下對目標函數進行優化，得到傳感器對目標的有效分配。對所有傳感器管理方法來說，關鍵是要建立一個既科學合理、切實可行且易于量化的目標函數和約束條件。常用的傳感器管理方法主要有：基于規劃論的方法、基于決策論或效用論的方法、基于信息論的方法和基于隨機集合論的方法等。

1.1 基于規劃論的方法

規劃論是解決管理問題的最主要工具之一。目前用于傳感器管理方面的主要有線性規劃、動態規劃和非線性規劃等。該方法簡單可行、使用面廣，但對某些因素的合理量化問題尚待進一步研究。

Nash[4]發表的一篇將優化技術應用于傳感器管理的文章，在這篇文章中他使用線性規劃對被跟蹤目標確定傳感器與目標分配，他使用卡爾曼濾波器協方差陣的跡作為目標函數中的代價系數。同時提出當目標數小于傳感器跟蹤能力時，采用傳感器組來處理傳感器分配問題的方法。

Malhotra[5]討論了傳感器管理的時間特性并將序列決策過程描述為一般的馬爾可夫決策過程。動態規劃是解決馬爾可夫過程的一種方法，它是根據最終狀態并反向執行確定最小費用的一種遞推算法。但在列舉動態規劃的每個可能行為時會產生組合爆炸。David A.castanon則提出一種近似動態規劃方法，以解決動態規劃帶來的組合爆炸問題。David A.castanon[6]還提出了一種基于最大檢測概率的傳感器管理方法，該方法實際上也采用了動態規劃，這種方法對單目標檢測具有較小的錯誤率，但對多目標檢測錯誤率甚大，原因是該算法一旦發現檢測概率最大的目標，就不再去搜索其它目標。Wasburn等[7]提出一種傳感器管理方法，該方法是基于動態規劃預測未來傳感器管理決策的效果。

劉先省[8]等人基于效能函數提出了一種傳感器管理方法，這種方法實質上是一種線性規劃，通過傳感器特性與目標的有效配對以及目標優先級排序；建立線性規劃的目標函數，并利用傳感器與目標的配對和目標優先級排序定義一個浪費函數，將浪費函數用于對目標函數作適當的修改；將傳感器分為單傳感器和多傳感器資源進行科學合理分配。

1.2 基于決策論或效用論的方法

Bier和Rothman[9]使用布爾矩陣定義一種基于傳感器能力和有效性的傳感器與目標配對，利用傳感器性能模型預測傳感器對目標的效能，以便量化各備選傳感器分配方案的臨界效益。探測、跟蹤和識別距離模型利用航跡文件的有效數據，可以進一步預測量測性能，這樣就可以估計出每個可能的配對值，并用來計算一個分配目標函數。Manyika和Durrant-Whyte[10]使用決策論的方法解決了分散化數據融合系統中的傳感器管理問題。Gaskell和Probert[11]也基于決策論方法建立了一個可移動機器人的傳感器管理框架。

1.3 基于信息論的方法

Hintz和McIntyre[12]等首先提出將信息論度量方法用于規劃單傳感器跟蹤多目標，他們使用期望的熵變（由協方差的范數描述）作為期望信息增量以確定哪一個目標將被更新。用這種度量方法可以使每個采樣間隔的信息量最大化。Hintz還將這種度量方法擴展到自動目標識別系統。McIntyre和Hintz在一個仿真程序中同樣使用信息論中的熵，以實現對目標搜索與跟蹤的傳感器資源分配。Schmaedeke[13]使用分辨力增量作為Nash線性規劃目標函數中傳感器分配費用，以確定傳感器對目標的資源分配。此外還討論傳感器管理與非線性濾波的近似解法。Schmaedeke和Kastella[14]應用分辨力增量以確定一個傳感器的分辨率層次。Dodin等[15]采用Kullback-Leibler熵計算代價系數，又引入單個傳感器組成的偽傳感器，對目標和傳感器進行有效的分配。

1.4 基于隨機集合論的方法

Mahler[16-17]和Goodman[18]利用隨機集合論將Hintz和Kastella的基于信息論的傳感器管理方法推廣到更一般的情況，使得解決更為復雜的傳感器管理系統成為可能。

綜上所述，基于隨機集理論的方法是傳感器管理方法的發展趨勢，其可以解決復雜環境下的傳感器管理問題。該方法將多傳感器、多目標數據融合問題看作為單傳感器、單目標的跟蹤問題，這樣傳感器分配就可作為非線性控制理論中的最優估計問題。在這個全局模型中，傳感器集被看作為一個單一的全局傳感器，目標集被當作一個單一全局的目標，最優控制的目標函數是關于單個目標狀態不確定性的全局最小值。

2 下一步研究工作

有限隨機集合統計學方法可以將多源信息融合的幾個主要部分統一在一個理論框架下，進一步的研究工作是在這個理論框架下設計具體的傳感器管理算法。利用隨機集合理論對傳感器管理問題進行描述，以解決更為復雜情況下的傳感器管理問題。文獻[16]只是給出了這一思想的理論基礎，并沒有得出相關的仿真結果驗證其可行性。可以在文獻[16]這一理論基礎上，做相應理論仿真，同時在其基礎上還考慮了威脅估計這一因素，使得其能在威脅大的地方分配的傳感器資源多。

【參考文獻】

[1]H.B. Mitchell. Multi-Sensor Data Fusion， An Introduction[M]. Berlin Heidelberg： Springer， 2007.

[2]李弼程，黃潔，等.信息融合技術及其應用[M].北京：國防工業出版社，2010.

[3]Alfred O. Hero III， David A. Castanón， Douglas Cochran and Keith Kastella. Foundations and Applications of Sensor Management[M]. US： Springer， 2008.

[4]Jeffrey M. Nash. Optimal allocation of tracking resource[C]// Proceedings IEEE Conference on Decision and control. 1977： 1177-1180.

[5]Raj Malhotra. Temporal considerations in sensor management[C]// Proceedings of IEEE 1995 National Aerospace and Electronics Conference. 1995： 86-93.

[6]David A. Castanon . Optimal search strategies in dynamic hypothesis testing[C]// Proceedings of the IEEE Conference on Decision and Control. 1995： 265-270.

[7]Washburn， R. B. Stochastic dynamic programming based approaches to sensor resource management[C]//Proceedings of the Fifth International Conference on Information Fusion. 2002： 608-615.

[8]Liu Xiansheng， Pan Quan， Zhang Hongcai， Dai Guanzhong. Study on algorithm of sensor management based on function of efficiency and waste[J]. Chinese Journal of Aeronautics， 2000， 13（1）： 39-44.

[9]P. L. Rothman， S. G. Bier. Evaluation of Sensor Management Systems[C]//IEEE Proceedings of the National Aerospace and Electronics Conference. 1989： 1747-1752.

[10]J. M. Manyika， H. Durrant-Whyte. On Sensor Management in Decentralized Data Fusion[C]//Proceedings of the 31st Conference on Decision and Control. 1992： 3506-3507.

[11]A. Gaskell， P. Probert. Sensor Models and a Framework for Sensor Management[C]//Sensor Fusion VI Proceedings of the SPIE-The International Society for Optical Engineering. 1993： 2059-2059.

[12]Hintz Kenneth J.， McIntyre， Greg. Goal lattices for sensor management[C]// Proceedings of SPIE-The International Society for Optical Engineering. 1999： 249-255.

[13]W. Schmaedeke， Kastella. Event-Averaged Maximum Likelihood Estimation and Information Based on Sensor Management[C]//Proceedings of SPIE-The International Society for Optical Engineering. 1994： 91-96.

[14]Schmaedeke Wayne， Kastella Keith. Information based sensor management and IMMKF[C]//Proceedings of SPIE-The International Society for Optical Engineering. 1998： 390-401.

[15]Pierre Dodin， Julien. Verliac， Vincent Nimier. Analysis of the Multisensor Multitarget Tracking Resource Allocation Problem[C]// The 3rd International Conference of Information Fusion. 2000： 17-22.

[16]Mahler， R.， Unified sensor management using CPHD filters[C]// 2007 10th International Conference on Information Fusion. 2007： 1-7.

[17]Mahler， R. Unified sensor management in unknown dynamic clutter[C]// Proceedings of SPIE-The International Society for Optical Engineering. 2010： 7698- 7698.

[18]I. R. Goodman， R. P. S. Mahler， Hung T. Nguyen. Mathematics of Data Fusion[M]. Academic Publishers， 1997.

[責任編輯：楊玉潔]