基于水下傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤技術(shù)研究現(xiàn)狀與展望

劉妹琴 韓學(xué)艷 張森林 鄭榮濠 蘭劍

海洋蘊含豐富的自然資源,不僅是人類社會賴以生存繁衍和社會實現(xiàn)可持續(xù)發(fā)展的重要戰(zhàn)略空間,同時也是國家安全的重要保護屏障.近年來,隨著世界各國對海洋資源的開發(fā)和利用,我國與周邊國家在領(lǐng)海主權(quán)和海洋資源開發(fā)等方面的競爭日益激烈,水下目標(biāo)跟蹤技術(shù)作為海洋科學(xué)領(lǐng)域的重要研究方向之一,在軍事領(lǐng)域和民用領(lǐng)域都起到了舉足輕重的作用[1].在軍事領(lǐng)域,通過快速獲取敵方目標(biāo)的位置、速度、加速度等狀態(tài)信息,可以有效防御和打擊敵方入侵的艦船、魚雷、潛艇以及水下機器人等.從某種程度上來說,水下目標(biāo)跟蹤技術(shù)是維護國家權(quán)益、捍衛(wèi)國家主權(quán)、保護國家安全的重要組成部分.在民用領(lǐng)域,水下目標(biāo)跟蹤技術(shù)在水下目標(biāo)的搜救、水下機器人的智能控制、海洋生物資源的保護等方面都發(fā)揮著重要作用[2].

傳統(tǒng)的水下目標(biāo)跟蹤技術(shù)主要有基于聲吶圖像的目標(biāo)跟蹤和基于聲吶陣列的目標(biāo)跟蹤.基于聲吶圖像的目標(biāo)跟蹤主要利用目標(biāo)物的反射回波實現(xiàn)目標(biāo)的探測與跟蹤.它不但可以獲得有關(guān)目標(biāo)的位置、速度等運動信息,還可以通過聲成像獲得的視頻和圖像信息提供有關(guān)目標(biāo)的視覺信息,如形狀、紋理以及邊界等.但是它受水體環(huán)境因素的影響比較大,導(dǎo)致應(yīng)用場景十分有限[3].基于聲吶陣列的目標(biāo)跟蹤一般需要將聲吶陣列固定在船底或以船舶拖曳的方式進行工作,在一些苛刻的環(huán)境條件下可能無法使用.因此,其跟蹤范圍和工作時間受船舶活動范圍和時間的限制,而且一旦船舶出現(xiàn)故障或遭受攻擊,整個系統(tǒng)將無法繼續(xù)執(zhí)行跟蹤任務(wù)[4].近年來,隨著無線傳感器網(wǎng)絡(luò)(Wireless sensor networks,WSNs)技術(shù)的快速發(fā)展和日益成熟,水下傳感器網(wǎng)絡(luò)(Underwater sensor networks,USNs)及其相關(guān)技術(shù)的研究與應(yīng)用也在世界各國掀起一股熱潮[5?6],各個國家都大力支持USNs的研究和開發(fā)工作.USNs不僅具有成本低廉、結(jié)構(gòu)自組織、容錯性強、隱蔽性強以及快速部署等優(yōu)勢,而且它采用分布式部署的方式,可以實時、連續(xù)、全天候地獲得多維度、互補性的目標(biāo)量測信息,使得對目標(biāo)的探測與跟蹤不再受空間和時間的約束.通過各節(jié)點之間的信息共享和協(xié)同工作,USNs可實現(xiàn)較高的目標(biāo)跟蹤精度.

隨著USNs的快速發(fā)展,基于USNs的目標(biāo)跟蹤技術(shù)也逐漸受到各界的密切關(guān)注[7?8],其具有跟蹤更可靠、跟蹤更及時、跟蹤范圍更廣以及跟蹤精度更高等優(yōu)點[9].但是,由于水下環(huán)境的復(fù)雜多變,基于USNs的目標(biāo)跟蹤技術(shù)也面臨諸多挑戰(zhàn)[10?11],如通信時延較高、通信帶寬受限、雜波和多徑效應(yīng)嚴(yán)重、量測丟失、網(wǎng)絡(luò)的能量資源有限等[12].雖然針對陸上WSNs的目標(biāo)跟蹤技術(shù)已經(jīng)相當(dāng)成熟,但考慮到USNs的特殊性,陸上的目標(biāo)跟蹤技術(shù)并不能直接應(yīng)用到USNs,應(yīng)該研究切合USNs特點的水下目標(biāo)跟蹤技術(shù).

本文系統(tǒng)梳理了基于USNs的目標(biāo)跟蹤技術(shù)的相關(guān)成果.如圖1所示,下文將分別從水下傳感器網(wǎng)絡(luò)、目標(biāo)跟蹤系統(tǒng)模型、單目標(biāo)跟蹤技術(shù)、多目標(biāo)跟蹤技術(shù)以及能效優(yōu)化措施幾個角度來概述基于USNs的目標(biāo)跟蹤技術(shù)的相關(guān)理論成果及其研究現(xiàn)狀.最后,本文探究了目前該領(lǐng)域存在的主要挑戰(zhàn),并對該領(lǐng)域未來的發(fā)展趨勢進行了展望.

1 水下傳感器網(wǎng)絡(luò)

圖1 基于USNs的目標(biāo)跟蹤技術(shù)Fig.1 Target tracking technologies via USNs

USNs在國內(nèi)外受到了廣泛的關(guān)注和重視,目前已有不少文獻對國內(nèi)外USNs的建設(shè)現(xiàn)狀進行了詳細(xì)的綜述[13].在此基礎(chǔ)上,本文重點對國內(nèi)外典型USNs硬件平臺的建設(shè)概況進行簡要介紹.此外,為使讀者對USNs有更加清晰、直觀的認(rèn)識和理解,本文進一步介紹了USNs的系統(tǒng)組成及其分類.

1.1 水下傳感器網(wǎng)絡(luò)的建設(shè)現(xiàn)狀

1.1.1 國外水下傳感器網(wǎng)絡(luò)的建設(shè)現(xiàn)狀

國外對USNs相關(guān)技術(shù)的研究起步相對較早,自20世紀(jì)末,美國、加拿大、日本、以及歐洲各國就憑借各自在海洋觀測領(lǐng)域的先發(fā)優(yōu)勢,紛紛投入巨資來支持USNs 關(guān)鍵技術(shù)的研究和開發(fā)工作.

1)美國USNs的建設(shè)現(xiàn)狀

美國是最早部署USNs的國家,其在USNs領(lǐng)域的研究水平和取得的成果一直處于世界領(lǐng)先地位.在軍事領(lǐng)域,比較典型的有:遙測前沿觀測網(wǎng)(Front-resolving observational network with telemetry,FRONT)[14]、可部署分布式系統(tǒng)(Deployable autonomous distributed system,DADS)[15]以及2005 年提出的“近海水下持續(xù)監(jiān)視網(wǎng)絡(luò)”(Persistent littoral undersea surveillance network,PLUSNet)計劃[16]等.其中,PLUSNet是以水下潛/浮標(biāo)為固定節(jié)點、水下無人平臺為移動節(jié)點構(gòu)建的混合型網(wǎng)絡(luò),是目前世界上最先進的水下網(wǎng)絡(luò),主要用于淺海環(huán)境中安靜型潛艇的大范圍探測與跟蹤,并為巡航導(dǎo)彈、潛艇提供導(dǎo)航.在民用領(lǐng)域,最典型的是2016年6月正式啟動運行的“大洋觀測計劃(Ocean observation initiative,OOI)”[17].它是一個基于網(wǎng)絡(luò)的長期海洋觀測系統(tǒng),包含850個觀測儀器,由1個包含7 個海底主節(jié)點的區(qū)域觀測系統(tǒng),2個近岸錨系觀測陣列以及4個全球觀測陣列構(gòu)成.OOI系統(tǒng)可以實現(xiàn)從陸地到深海、從海底到海面的全天候、全方位立體觀測.

2)加拿大USNs的建設(shè)現(xiàn)狀

加拿大最典型的USNs是2009年建成并運行的“海王星”海底觀測網(wǎng)(North-east Pacific timeintegrated undersea networked experiment,NEPTUNE)[18]和2006年建成的金星海底觀測網(wǎng)(Victoria experimental network under the sea,VENUS)[13].NEPTUNE是世界上首個深海海底大型聯(lián)網(wǎng)科學(xué)觀測網(wǎng)絡(luò).它主要由岸基監(jiān)控中心、海底光纜傳輸網(wǎng)絡(luò)以及海底觀測傳感儀器三個部分組成.它通過海底光電纜將6個海底主節(jié)點相聯(lián)構(gòu)成800 km環(huán)形主干網(wǎng)絡(luò),每個節(jié)點可連接多臺海底觀測儀器,覆蓋了離岸300 km范圍內(nèi)17m～2 660 m不同深度的典型海洋環(huán)境.它的建成是海洋科學(xué)發(fā)展史上的一個重要里程碑.其建設(shè)過程和管理經(jīng)驗為世界其他類似海底監(jiān)測系統(tǒng)的建設(shè)提供了寶貴經(jīng)驗.VENUS主要用于研究海洋生物作用和三角洲動力學(xué),同時為海底觀測技術(shù)提供試驗基地.

3)日本USNs的建設(shè)現(xiàn)狀

日本是一個地震多發(fā)的國家,為實現(xiàn)地震和海嘯的實時觀測和有效預(yù)警,日本先后建設(shè)了地震和海嘯海底觀測密集網(wǎng)絡(luò)(Dense ocean-floor network system for earthquakes and tsunamis,DONET),DONET2[19]以及日本海溝海底地震海嘯(Snet)觀測網(wǎng)[13]等.2011年建成的DONET是世界上最精密的地震海嘯海底光網(wǎng)絡(luò),共有5個科學(xué)節(jié)點,22個觀測站,海底光纜總長300 km.2016年建成的DONET 2,共有2個登陸站、7 個科學(xué)節(jié)點和29個觀測站,海底光電纜總長450 km.2015年建成的S-net觀測網(wǎng)是迄今為止全球規(guī)模最大的海底光纜網(wǎng)絡(luò),纜線總長5700 km,由6個系統(tǒng)組成,每個系統(tǒng)包含800 km長的纜線和25個觀測站.這三個網(wǎng)絡(luò)的建成覆蓋了從近岸到海溝的廣大海域,為日本實現(xiàn)對地震和海嘯的高精度實時監(jiān)測和有效預(yù)警提供了保障.

4)歐洲USNs的建設(shè)現(xiàn)狀

歐洲海底觀測網(wǎng)(European sea floor observatory network,ESONET)是由歐洲14 個國家于2004年共同制定,是分布在歐洲的一個大范圍、分散式的科學(xué)觀測網(wǎng)[20].該系統(tǒng)在大西洋和地中海精選了10個海區(qū)進行設(shè)站建網(wǎng),進行長期的海底觀測,主要包括15個海洋觀測主基站(11個深海主基站和4 個淺海試驗基站).該系統(tǒng)可實現(xiàn)對海洋多學(xué)科、多目標(biāo)、多時空尺度的觀測研究.

1.1.2 國內(nèi)水下傳感器網(wǎng)絡(luò)的建設(shè)現(xiàn)狀

目前,我國針對USNs的研究仍處于起步階段,為更好地推動我國USNs的建設(shè),提升我國的海洋綜合實力,國家抓緊做好各項海洋戰(zhàn)略頂層設(shè)計[21].在國務(wù)院2013年出臺的《國家重大科技基礎(chǔ)設(shè)施建設(shè)中長期規(guī)劃(2012?2030年)》中指出,將優(yōu)先安排包括海底科學(xué)觀測網(wǎng)在內(nèi)的16項重大科技基礎(chǔ)設(shè)施建設(shè)[22].2014年12月,國家海洋局印發(fā)的《全國海洋觀測網(wǎng)規(guī)劃(2014?2020)》明確:到2020年,我國將建成以國家基本觀測網(wǎng)為骨干、地方基本觀測網(wǎng)和其他行業(yè)專業(yè)觀測網(wǎng)為補充的海洋綜合觀測網(wǎng)絡(luò),初步形成海洋環(huán)境立體觀測能力[23].

我國已陸續(xù)開展海底觀測網(wǎng)關(guān)鍵技術(shù)的攻關(guān)及其試驗系統(tǒng)的研究和建設(shè)工作.比較有代表性的有:2009年4 月,同濟大學(xué)等進行了海底觀測組網(wǎng)技術(shù)的實驗,并建立了我國第一套海底綜合觀測試驗與示范系統(tǒng)—東海海底觀測小衢山實驗站[24].2011年4月,國內(nèi)首個海底觀測節(jié)點在美國蒙特里加速研究系統(tǒng)(Monterey accelerated research system,MARS)上成功進行為期6個月的深海并網(wǎng)試驗[25].2012年,我國正式啟動重大項目“海底觀測網(wǎng)試驗系統(tǒng)”[13].該項目計劃在南海和東海分別建設(shè)海底觀測網(wǎng)試驗系統(tǒng).南海海底觀測網(wǎng)試驗系統(tǒng)于2016年9月建設(shè)完成,該系統(tǒng)以海南為岸基站,觀測平臺布放在水深1800 m處,通過150 km 海底光電纜提供能源供給和通信傳輸鏈路.東海海底觀測網(wǎng)以舟山為岸基站,布設(shè)33 km海底光電纜.2013年5月,中科院南海海洋研究所等在南海三亞海域建立首個“海底觀測示范系統(tǒng)”[13].該系統(tǒng)主要由岸基站、海底光電纜、1個聲學(xué)網(wǎng)關(guān)節(jié)點、3個觀測節(jié)點、1個主接駁盒和1個次接駁盒、3套觀測設(shè)備組成.該系統(tǒng)是功能相對較為完整的海底觀測示范系統(tǒng),在水下觀測關(guān)鍵技術(shù)方面取得重大突破.2016 年底,中國科學(xué)院實現(xiàn)了潛標(biāo)數(shù)據(jù)的實時傳輸[26].2017 年5月,中國正式批復(fù)建立國家海底科學(xué)觀測網(wǎng),該項目計劃在東海和南海分別建立海底觀測系統(tǒng),從而實現(xiàn)東海和南海從海底向海面的全天候、實時、高分辨率的多界面立體綜合觀測[27].

我國應(yīng)切實尋找適合我國國情的海洋觀測網(wǎng)的建設(shè)經(jīng)驗和方法,綜合分析和探討我國建立海洋觀測網(wǎng)的緊迫性和科學(xué)價值.

1.2 水下傳感器網(wǎng)絡(luò)的系統(tǒng)組成及其分類

廣義的USNs主要包括集成不同功能的傳感器節(jié)點、融合中心、自主水下航行器(Autonomous underwater vehicle,AUV)、水下滑翔機、海面基站以及海岸基站等多個部分[28?29],其基本結(jié)構(gòu)如圖2所示[30].本節(jié)將對USNs各個部分的基本功能及其主要分類進行概述.

圖2 USNs的系統(tǒng)組成Fig.2 System composition of USNs

傳感器節(jié)點是USNs最基本的組成部分,主要通過直接錨定在海底、通過系鏈錨定在離海底不同的深度、搭載在AUV或水下滑翔機上、依附于海面浮標(biāo)以及利用氣囊控制浮力大小漂浮在海洋的不同深度五種方式布放到待監(jiān)測水域.傳感器節(jié)點具備一定的計算能力和水聲通信功能,其基本架構(gòu)如圖3所示[30],包括傳感器、中央處理器(Central processing unit,CPU)、水聲調(diào)制解調(diào)器、存儲器和電池[31].其中,傳感器包括多個同質(zhì)或異質(zhì)傳感器,根據(jù)不同的任務(wù)需求采用不同的傳感器,主要負(fù)責(zé)實時監(jiān)測、采集海洋環(huán)境信息,如溫度、壓力等,并將采集的信息通過接口電路傳遞給CPU.CPU將信息進行處理后,將其存儲在存儲器中或利用水聲調(diào)制解調(diào)器通過水聲信號發(fā)送給其他節(jié)點.電池負(fù)責(zé)給節(jié)點的各個模塊提供能量.漂浮節(jié)點主要依靠洋流的作用進行擴散,是實現(xiàn)大規(guī)模USNs部署的有效途徑.搭載于AUV或水下滑翔機的移動節(jié)點使USNs獲得了移動性.其作用主要體現(xiàn)在五個方面:輔助其他傳感器節(jié)點實現(xiàn)自定位[32?33];負(fù)責(zé)收集和搬運較大規(guī)模的數(shù)據(jù),減小USNs對儲能的依賴[34];根據(jù)任務(wù)需求從時間或空間上加強特定區(qū)域的監(jiān)測能力;及時替代USNs中損壞的傳感器節(jié)點,避免出現(xiàn)監(jiān)測盲區(qū);實現(xiàn)不可預(yù)知條件下短期、迅速、大范圍、多層次的監(jiān)測.融合中心主要承擔(dān)傳感器節(jié)點的管理調(diào)度、數(shù)據(jù)的收集與處理以及與海面基站的直接通信等任務(wù),其硬件結(jié)構(gòu)復(fù)雜,可通過與水面基站進行直接通信自主更新其位置,且儲能更大,更容易回收.海面基站主要負(fù)責(zé)將收集的信息進行進一步處理后,通過射頻通信傳輸給岸基中心.最后,岸基中心將采集的信息進行更全面的處理和分析,以進行下一步的決策和指揮.

圖3 傳感器節(jié)點的基本架構(gòu)Fig.3 Basic architecture of sensor node

USNs主要有三種分類標(biāo)準(zhǔn)[28?29].根據(jù)節(jié)點是否具有移動性,USNs可分為固定USNs、移動USNs以及混合USNs;根據(jù)網(wǎng)絡(luò)覆蓋方式,USNs可分為二維USNs和三維USNs;根據(jù)組網(wǎng)方式,USNs可分為有纜USNs、無纜USNs以及混合組網(wǎng)的USNs.

固定USNs主要用于特定小范圍的監(jiān)測任務(wù),如港口、航道等,其傳感器節(jié)點通過錨和纜繩進行固定.雖然在洋流的作用下,節(jié)點位置會出現(xiàn)一定的偏移,但該偏移相對較小,且可通過節(jié)點自定位算法實現(xiàn)節(jié)點位置的實時更新[35?36].移動USNs的傳感器節(jié)點主要由漂浮節(jié)點和移動節(jié)點構(gòu)成,節(jié)點具有一定的移動性,主要適用于大范圍、多層次的海洋監(jiān)測場景.混合USNs兼具固定USNs和移動USNs的優(yōu)點,廣義的USNs都是指混合USNs.二維USNs中的傳感器節(jié)點一般都直接部署在海底或海面,網(wǎng)絡(luò)結(jié)構(gòu)簡單,容易部署,但覆蓋范圍較小,功能單一.三維USNs中的傳感器節(jié)點可部署在水中的任意深度,實現(xiàn)對監(jiān)測區(qū)域多維度、多層次的三維立體監(jiān)測,監(jiān)測范圍廣,功能全面.但網(wǎng)絡(luò)的建設(shè)、運行及維護成本高、難度大.有纜USNs主要安裝在海底,利用光電復(fù)合纜(海底電纜)將各傳感器節(jié)點與海岸基站連接起來,這種網(wǎng)絡(luò)能夠長期供應(yīng)電力和快速傳輸數(shù)據(jù),但耗費較大,適用于近岸海域.無纜USNs中的傳感器節(jié)點之間依靠水聲通信進行數(shù)據(jù)傳輸,節(jié)點通過電池進行供電,海面浮標(biāo)依靠射頻信號與海岸基站或衛(wèi)星進行通信,比較經(jīng)濟,適合離岸較遠的深海區(qū)域.現(xiàn)有的USNs基本都是混合組網(wǎng)的USNs,應(yīng)該按照實際的應(yīng)用需求,選擇合適的網(wǎng)絡(luò)結(jié)構(gòu).

2 水下目標(biāo)跟蹤系統(tǒng)模型

水下目標(biāo)跟蹤系統(tǒng)模型包括目標(biāo)運動模型和觀測模型.目標(biāo)運動模型是根據(jù)目標(biāo)的類型(潛艇、AUV等)、運動狀態(tài)(勻速、勻加速等)以及已知的先驗知識對目標(biāo)的運動狀態(tài)(位置、速度、加速度等)進行描述.觀測模型主要取決于傳感器的類型(壓力、振速等)和觀測量(距離、方位、頻率等).在點目標(biāo)的假設(shè)下,不同的傳感器可獲得不同的觀測量,如主動聲吶通常能獲得目標(biāo)的距離、方位、俯仰以及徑向速度等信息,而被動聲吶一般只能獲得目標(biāo)的方位、俯仰信息.目標(biāo)跟蹤系統(tǒng)模型的建立是研究水下目標(biāo)跟蹤技術(shù)的基礎(chǔ),建立一個準(zhǔn)確、合適的目標(biāo)跟蹤系統(tǒng)模型對實現(xiàn)高精度的水下目標(biāo)跟蹤至關(guān)重要.常用涉及偏差的非線性運動方程和量測方程來表示水下目標(biāo)跟蹤系統(tǒng)模型:

其中xk、zk、wk和vk分別表示為k時刻的目標(biāo)狀態(tài)、觀測信號、過程噪聲和觀測噪聲.f(·)和h(·)分別表示非線性狀態(tài)函數(shù)和觀測函數(shù).

由水下環(huán)境的隨機性、復(fù)雜性、多樣性以及水下目標(biāo)的強機動性導(dǎo)致的目標(biāo)運動模型的不符合可能造成跟蹤性能的降低,甚至跟丟目標(biāo).在建立水下目標(biāo)運動模型時,一般需要遵循的原則是所建立的模型既能全方位地描述水下目標(biāo)的實際運動特性,又要便于數(shù)學(xué)處理,以保證目標(biāo)跟蹤的實時性.目標(biāo)運動模型的建立經(jīng)歷了由簡單到復(fù)雜的過程.根據(jù)描述運動狀態(tài)時采用模型的數(shù)目,目標(biāo)運動模型可分為單模型和多模型.單模型是指僅用一種模型來描述目標(biāo)的運動狀態(tài).常用的單模型除了勻速運動(Constant velocity,CV)模型、勻加速運動(Constant acceleration,CA)模型以及勻速轉(zhuǎn)彎運動(Coordinated turn,CT)模型以外[37],還有基于時間相關(guān)函數(shù)的時間相關(guān)模型(Singer模型)[38]、基于馬爾科夫過程的半馬爾科夫模型[39]、基于修正的瑞利—馬爾科夫過程的“當(dāng)前”統(tǒng)計(Current statistical,CS)模型[40]以及狀態(tài)向量包括加速度導(dǎo)數(shù)的Jerk 模型[41]等.在實際系統(tǒng)中,目標(biāo)的機動性不斷提高,采用單模型往往不能準(zhǔn)確地描述目標(biāo)的運動狀態(tài).為解決目標(biāo)模型的不確定性,多模型的思想被引入到目標(biāo)跟蹤中.目前應(yīng)用最廣泛的是Blom等在1988年提出的交互式多模型(Interacting multiple model,IMM)[42].IMM采用多個模型交互的方式進行估計,各模型之間的狀態(tài)轉(zhuǎn)移由馬爾科夫概率轉(zhuǎn)移矩陣確定.該模型適用于機動目標(biāo)的跟蹤,當(dāng)采用較完備的模型集時,在理論上能達到對目標(biāo)運動狀態(tài)的最佳估計.

以上目標(biāo)運動模型都是針對陸上的目標(biāo)跟蹤提出來的.雖然目前大多數(shù)文獻都是直接將陸上的目標(biāo)運動模型應(yīng)用于水下目標(biāo).但是,由于水下環(huán)境的影響,水下目標(biāo)與陸上目標(biāo)的運動特性存在本質(zhì)區(qū)別.因此,這些模型并不能很好地描述水下目標(biāo)的運動狀態(tài),應(yīng)該在充分探究水下目標(biāo)運動特性的基礎(chǔ)上,專門建立符合水下目標(biāo)特點的運動模型.目前針對水下目標(biāo)運動模型的研究成果還十分有限,黨建武在文獻[43]中提出一種機動目標(biāo)自適應(yīng)高斯模型.該模型能較好地描述水下機動目標(biāo)的運動狀態(tài).基于IMM的思想,文獻[44]針對水下機動目標(biāo)提出一種基于IMM的五度容積卡爾曼濾波(Cubature Kalman filter,CKF)來改進目標(biāo)跟蹤和模型估計的精度.文獻[45]提出一種將粒子濾波與IMM結(jié)合的水下目標(biāo)跟蹤算法.文獻[46]引入支持向量機來估計目標(biāo)運動模式,降低了目標(biāo)機動時的跟蹤誤差.以上文獻雖然實現(xiàn)了水下機動目標(biāo)的跟蹤,但是并沒有充分考慮水下環(huán)境因素對目標(biāo)運動狀態(tài)的影響.因此,需要結(jié)合水下環(huán)境因素進一步研究適用于水下機動目標(biāo)的運動模型.

海水是一種非均勻介質(zhì),聲波信號在海洋中傳播時其傳播速度與路徑會隨海水溫度、深度、鹽度、壓力等因素的變化而明顯改變.因而在目標(biāo)跟蹤過程中,水聲環(huán)境因素將會對獲得的量測信息產(chǎn)生較大的影響,進而導(dǎo)致構(gòu)建的量測模型產(chǎn)生較大的誤差,造成目標(biāo)跟蹤精度降低[47].因此,在設(shè)計量測模型時,應(yīng)充分考慮水聲傳播模型和水聲環(huán)境噪聲等對量測模型的影響.目前針對這方面的研究還相對較少.考慮到聲信號傳播路徑變化的問題,文獻[48]提出一種基于等梯度聲速的量測模型,該模型將聲速的變化通過與深度有關(guān)的聲速曲線進行近似建模,但其需要已知目標(biāo)的深度信息,適用于合作目標(biāo)的跟蹤,且量測模型較為復(fù)雜.為進一步克服聲速變化對量測信息的影響,文獻[49]提出一種引入修正參數(shù)的量測模型修正方法,解決了聲速變化導(dǎo)致的量測模型偏差,提高了目標(biāo)跟蹤的準(zhǔn)確性.但以上文獻都沒有考慮因節(jié)點受水流影響發(fā)生位置偏移導(dǎo)致的量測信息不準(zhǔn)確,研究節(jié)點的移動性對量測模型的影響也是一個重要的研究方向.

綜上所述,由于受水下環(huán)境噪聲和水聲傳播方式的影響,且節(jié)點因洋流等因素的作用而具有一定的移動性,因此,傳統(tǒng)的目標(biāo)運動與量測建模方式不再適用.水下目標(biāo)的跟蹤性能高度依賴于對海洋環(huán)境的精確描述和水下目標(biāo)運動、量測的準(zhǔn)確建模,應(yīng)通過分析水下目標(biāo)特性,并融合水下環(huán)境來實現(xiàn)對水下目標(biāo)運動模型和量測模型的準(zhǔn)確構(gòu)建,為高精度的水下目標(biāo)跟蹤提供可靠的保障.

3 基于USNs的水下單目標(biāo)跟蹤技術(shù)

水下目標(biāo)跟蹤是指利用不同種類的一個或多個傳感器所獲得的不同量測信息(距離、方位、頻率等)通過濾波算法對目標(biāo)的狀態(tài)(速度、位置、加速度等)在時間上進行連續(xù)地估計與預(yù)測.由于水下環(huán)境的特殊性以及水下目標(biāo)運動的復(fù)雜性,一般選擇非線性濾波算法對目標(biāo)狀態(tài)進行估計.常用的非線性濾波算法主要包括擴展卡爾曼濾波(Extended Kalman filter,EKF)、無跡卡爾曼濾波(Unscented Kalman filter,UKF)以及粒子濾波(Particle Filter,PF).在進行水下目標(biāo)跟蹤時應(yīng)根據(jù)實際構(gòu)建的目標(biāo)運動模型和量測模型選擇合適的非線性濾波算法.

目前,國內(nèi)外已經(jīng)有很多研究機構(gòu)及學(xué)者對基于USNs的單目標(biāo)跟蹤進行了深入研究.從濾波算法的角度來講,基于USNs的目標(biāo)跟蹤和基于非USNs的目標(biāo)跟蹤不存在本質(zhì)區(qū)別,都是利用非線性濾波算法實現(xiàn)水下目標(biāo)跟蹤.二者的不同點在于,USNs中包含大量的傳感器節(jié)點,這些節(jié)點可以靈活地部署在待監(jiān)測區(qū)域的任何位置.基于USNs的目標(biāo)跟蹤是一種分布式目標(biāo)跟蹤系統(tǒng),可同時利用多個同質(zhì)或異質(zhì)傳感器節(jié)點通過自組織的方式從多個角度采集有關(guān)目標(biāo)的多維信息,然后通過將多個節(jié)點采集的量測信息進行融合,協(xié)同完成目標(biāo)跟蹤任務(wù).因此,信息融合技術(shù)在實現(xiàn)基于USNs的目標(biāo)跟蹤中起著至關(guān)重要的作用.與此同時,網(wǎng)絡(luò)中單個節(jié)點所擁有的能量資源、帶寬資源、通信能力以及數(shù)據(jù)處理能力都受到一定的限制,且單個節(jié)點獲得的目標(biāo)信息也非常有限.因此,單個節(jié)點的跟蹤精度非常有限.引入信息融合技術(shù)不僅可以綜合利用多節(jié)點提供的信息,改善系統(tǒng)的跟蹤性能,使系統(tǒng)更加穩(wěn)健可靠,還可充分利用系統(tǒng)能量資源,延長USNs的使用期限.綜上所述,本文選擇從信息融合的角度出發(fā),分同步式融合和異步式融合兩個方面來綜述水下單目標(biāo)跟蹤技術(shù).

3.1 基于同步式融合的水下目標(biāo)跟蹤方法

同步式融合是多傳感器信息融合中應(yīng)用最為廣泛的一種融合方法[50],目前大部分水下目標(biāo)跟蹤系統(tǒng)都是基于同步式融合實現(xiàn)的.如圖4所示,同步式融合假設(shè)各個傳感器節(jié)點同步對目標(biāo)信息進行采樣,而且數(shù)據(jù)同步到達融合中心.根據(jù)融合結(jié)構(gòu)的不同,同步式融合又可分為集中式融合和分布式融合[51?52],下面將針對兩種融合結(jié)構(gòu)的實現(xiàn)原理及其在水下目標(biāo)跟蹤中的應(yīng)用進行闡述.

圖4 同步量測Fig.4 Synchronous measurement

圖5 集中式融合過程Fig.5 The centralized fusion process

如圖5所示,在基于集中式融合的水下目標(biāo)跟蹤中,USNs中的每個傳感器節(jié)點都把獲得的原始量測信息完整地發(fā)送給融合中心,然后融合中心根據(jù)各個節(jié)點的原始量測信息利用融合算法獲得目標(biāo)的融合估計狀態(tài).這種融合結(jié)構(gòu)可以盡可能完整地保留量測信息,基本不存在任何信息損失,跟蹤精度較高.缺點是所有節(jié)點都需要將原始量測信息發(fā)送給融合中心,通信數(shù)據(jù)量較大,對通信鏈路的通信帶寬以及實時傳輸能力要求比較高,而且能耗較大.此外,該結(jié)構(gòu)要求融合中心具有較強的計算能力,處理過程過于依賴融合中心,因而魯棒性較差.

考慮到USNs的通信資源、能量資源以及計算資源都比較有限,采用集中式融合結(jié)構(gòu)實現(xiàn)水下目標(biāo)跟蹤具有一定的局限性,相關(guān)的研究成果相對較少.文獻[49]提出一種基于量測模型修正的集中式目標(biāo)跟蹤算法.節(jié)點直接將采集的量測數(shù)據(jù)發(fā)送給融合中心,然后融合中心根據(jù)量測數(shù)據(jù)、上一時刻的目標(biāo)狀態(tài)估計以及修正參數(shù)完成量測模型的修正和目標(biāo)狀態(tài)的融合估計.文獻[53]提出一種基于IMM和自適應(yīng)卡爾曼濾波(Adaptive Kalman filtering,AKF)的集中式融合算法.該方法將自適應(yīng)遺忘因子引入最優(yōu)的集中式融合KF算法,并結(jié)合傳統(tǒng)IMM算法的優(yōu)勢,實現(xiàn)對水下目標(biāo)的跟蹤.針對集中式融合結(jié)構(gòu)存在的不足,近些年研究者們已經(jīng)提出了多種優(yōu)化措施,在保證跟蹤精度的前提下,在最大程度上減小整個網(wǎng)絡(luò)的通信數(shù)據(jù)量和能量消耗,例如,引入節(jié)點選擇策略、對原始量測進行量化、選擇最優(yōu)拓?fù)浣Y(jié)構(gòu)等.

為克服集中式融合目標(biāo)跟蹤方法存在的缺陷,分布式融合目標(biāo)跟蹤方法繼而被提出.如圖6所示,在基于分布式融合結(jié)構(gòu)的水下目標(biāo)跟蹤中,USNs中的每個傳感器節(jié)點根據(jù)獲得的量測信息經(jīng)局部濾波后得到目標(biāo)狀態(tài)的本地估計,各個節(jié)點只需要將本地估計結(jié)果上傳至融合中心,融合中心再利用融合算法得到目標(biāo)狀態(tài)的融合估計.此外,按照融合估計是否反饋給本地節(jié)點,分布式融合方法還可分為不帶反饋的分布式融合方法和帶反饋的分布式融合方法.其中,引入反饋機制可以減小本地估計誤差的協(xié)方差矩陣,提高跟蹤精度.與基于集中式融合的目標(biāo)跟蹤相比,基于分布式融合的目標(biāo)跟蹤具有較小的通信和計算負(fù)擔(dān),更高的容錯能力,不會因為某個節(jié)點的量測存在錯誤而影響融合結(jié)果.

圖6 分布式融合過程Fig.6 The distributed fusion process

目前針對基于分布式融合的水下目標(biāo)跟蹤已有大量研究,并且取得了一些優(yōu)秀的研究成果.文獻[54]提出一種分布式的節(jié)點調(diào)度策略以實現(xiàn)高效節(jié)能的水下目標(biāo)跟蹤.它將每個節(jié)點都建模為概率有限狀態(tài)自動機,以控制每個節(jié)點的能耗、感知以及通信.文獻[55]提出兩種分布式信息融合方案以實現(xiàn)各節(jié)點之間的信息共享,進而提高系統(tǒng)的檢測/跟蹤性能.文獻[56]采用分布式的IMM濾波實現(xiàn)水下機動目標(biāo)的跟蹤.文獻[57]提出一種基于IMM的分布式目標(biāo)跟蹤算法來實現(xiàn)對水下機動目標(biāo)的精確跟蹤.算法采用分布式的節(jié)點調(diào)度方案,根據(jù)目標(biāo)的估計信息實時調(diào)整節(jié)點的喚醒/睡眠狀態(tài),在保證可靠跟蹤的同時,有效降低系統(tǒng)的能耗.文獻[58]提出一種帶反饋的水下分布式融合算法,利用多節(jié)點獲得的純方位信息進行目標(biāo)狀態(tài)融合估計,并通過反饋機制改善局部節(jié)點的估計精度.按照系統(tǒng)工作模式,水下目標(biāo)跟蹤系統(tǒng)可分為主動跟蹤系統(tǒng)和被動跟蹤系統(tǒng),在被動跟蹤系統(tǒng)中,節(jié)點探測范圍更廣,且不需要主動發(fā)射信號,安全系數(shù)更高.文獻[59]在被動跟蹤過程中引入一種分布式融合算法,采用分量按標(biāo)量加權(quán)的線性最小方差融合準(zhǔn)則來極小化融合誤差協(xié)方差的跡,求得最優(yōu)融合狀態(tài)估計,該算法可以保證目標(biāo)跟蹤精度的收斂性.雖然基于分布式融合的目標(biāo)跟蹤已經(jīng)有了很多優(yōu)秀的研究成果,但仍存在一些可以繼續(xù)改進的地方,應(yīng)該充分利用USNs的自組織能力,實現(xiàn)研究精度更高、系統(tǒng)更靈活的分布式跟蹤方案.

由以上分析可知,分布式融合結(jié)構(gòu)更適合基于USNs的目標(biāo)跟蹤.此外,只有對航速較慢的水下目標(biāo)(如潛艇、AUV 等)進行跟蹤時,水聲傳播時延對目標(biāo)跟蹤精度的影響才可忽略不計.當(dāng)目標(biāo)的航速較快(40節(jié)以上)時,通信時延導(dǎo)致的跟蹤誤差將不可忽視[60].因此,基于同步式融合的水下目標(biāo)跟蹤方法主要適用于速度較慢的水下目標(biāo).

3.2 基于異步式融合的水下目標(biāo)跟蹤方法

同步式融合在實現(xiàn)過程中假設(shè)聲波信號在傳輸時能夠始終保持同步,這是一種非常理想的環(huán)境.在實際的水聲環(huán)境中,節(jié)點很難獲得對目標(biāo)同一時刻的同步測量,各節(jié)點之間存在明顯的異步現(xiàn)象.導(dǎo)致異步現(xiàn)象的原因主要包括三個方面:首先,由于水聲信號在海水中的傳播速度非常慢(大約1500 m/s),且會隨著海水溫度、鹽度、壓力以及深度等環(huán)境因素的改變而明顯變化,加上USNs中的傳感器節(jié)點具有分布范圍廣且結(jié)構(gòu)稀疏的特性,因此,節(jié)點和目標(biāo)之間、節(jié)點和融合中心之間普遍存在較大的信號傳播時延,而且不同節(jié)點到目標(biāo)與融合中心的時延存在較大的差異,使得不同節(jié)點很難獲得來自同一目標(biāo)的同一時刻的同步量測,即使能夠獲得同步量測,到達融合中心的量測也很難同步;其次,各傳感器節(jié)點特別是異質(zhì)傳感器節(jié)點的采樣頻率可能存在差異,而且各個傳感器節(jié)點的數(shù)據(jù)處理時間以及通信滯后都不盡相同,導(dǎo)致實際傳感器數(shù)據(jù)不可能同步;最后,即使各傳感器節(jié)點具有相同的采樣頻率,如果容許多個傳感器節(jié)點同時向融合中心發(fā)送聲波信號,也會產(chǎn)生嚴(yán)重的信號干擾現(xiàn)象,導(dǎo)致融合中心接收的信息不準(zhǔn)確,為有效避免這個問題,通常引入傳感器節(jié)點的調(diào)度策略,以實現(xiàn)傳感器節(jié)點間的異步測量.如果直接利用這些異步測量值進行融合,會導(dǎo)致較高的跟蹤誤差.因此,研究異步融合算法對于水下目標(biāo)跟蹤而言具有非常重要的意義.

根據(jù)獲得量測信息的類型,異步式融合又可分為基于順序量測(In-sequence measurement,ISM)的異步融合和基于非順序量測(Out-of-sequence measurement,OOSM)的異步融合.其中,如果融合中心接收量測信息的順序與目標(biāo)發(fā)射聲波信號的順序在時間上保持一致,這種融合方式稱為ISM異步融合,如果不相同,則稱之為OOSM異步融合.異步量測的幾種情況如圖7所示[61].

圖7 異步量測Fig.7 Asynchronous measurement

雖然目前有些文獻提出了基于USNs的異步融合定位算法[62?63],但是基于USNs的異步融合跟蹤的相關(guān)文獻還非常少.通常可直接采用序貫濾波來解決ISM異步融合問題.針對由于各傳感器節(jié)點的采樣頻率差距大而導(dǎo)致每個節(jié)點對同一目標(biāo)獲得的量測信息不同步的問題,主要采用時間配準(zhǔn)策略將其同步到同一采樣時刻來解決.目前應(yīng)用比較廣泛的時間配準(zhǔn)方法主要包括:最小二乘配準(zhǔn)、內(nèi)插外推法、最小二乘虛擬法等,這些時間配準(zhǔn)策略分別適用于不同場景.文獻[61]在主動場景下設(shè)計了基于時間配準(zhǔn)的異步融合算法和基于狀態(tài)預(yù)測的異步融合算法,并對兩種算法的優(yōu)缺點進行了比較.文獻[64]針對USNs中基于異步量測的目標(biāo)跟蹤算法從預(yù)測估計、固定平滑等多個角度進行了深入研究.文獻[60]在被動工作模式下提出了一種基于時延估計的異步PF算法來克服異步數(shù)據(jù)無法融合的問題.文獻[65]通過構(gòu)造時間延遲與位置的關(guān)系設(shè)計了一種異步定位算法來估計目標(biāo)位置,并在此基礎(chǔ)上實現(xiàn)對目標(biāo)的持續(xù)跟蹤.在大多數(shù)場景下異步融合算法的跟蹤性能優(yōu)于偽同步算法[49,53?59].

OOSM異步融合中節(jié)點獲得量測信息的順序與目標(biāo)發(fā)送的順序在時間上存在差異,因此,其相對ISM異步融合要復(fù)雜很多.如圖7 所示,根據(jù)所獲得量測信息的滯后步數(shù),OOSM異步融合可劃分為一步滯后OOSM異步融合和多步滯后OOSM異步融合.目前針對該問題的研究成果非常少,且主要集中在一步滯后OOSM異步融合,主要采用負(fù)時間量測更新的思想進行解決.文獻[66]提出一種基于無跡粒子濾波(Unscented PF,UPF)的OOSM處理方法,并將其應(yīng)用于基于USNs的水下目標(biāo)被動跟蹤.

目前,異步融合問題已經(jīng)成為研究水下目標(biāo)跟蹤技術(shù)及其工程實現(xiàn)過程中一個極具挑戰(zhàn)性且不可回避的問題.此外,由于復(fù)雜的海洋環(huán)境中存在各種反射體和折射體,導(dǎo)致多徑效應(yīng)明顯,這使基于USNs的異步融合問題變得更為棘手.目前針對基于異步式融合的水下目標(biāo)跟蹤技術(shù)的研究還比較少,有很多問題尚未得到有效解決,需要繼續(xù)進行更深入的研究.

4 基于USNs的水下多目標(biāo)跟蹤技術(shù)

由于在實際的水下環(huán)境中可能同時存在多個目標(biāo),多目標(biāo)跟蹤問題相對比較復(fù)雜,水下單目標(biāo)跟蹤技術(shù)將不再適用.因此,必須研究水下多目標(biāo)跟蹤技術(shù)以實現(xiàn)對水下多目標(biāo)的精確跟蹤.由于水下環(huán)境噪聲與混響的存在,水下多目標(biāo)跟蹤需要處理諸多不確定性,包括目標(biāo)的不確定性、量測數(shù)據(jù)的不確定性以及量測—目標(biāo)關(guān)聯(lián)的不確定性.如圖8所示[61],給定目標(biāo)在k?1 時刻的狀態(tài)xk?1,目標(biāo)的不確定性是指每個目標(biāo)在k時刻的狀態(tài)可能轉(zhuǎn)移到新的狀態(tài)xk或消失,還可能出現(xiàn)新的目標(biāo)集合Bk或由前一時刻的目標(biāo)催生新的目標(biāo)集合Γk,目標(biāo)的數(shù)目是不斷變化的,很難準(zhǔn)確確定目標(biāo)的個數(shù).如圖9所示[61],量測數(shù)據(jù)不確定性是指由于設(shè)備誤差和復(fù)雜水聲環(huán)境等因素的影響導(dǎo)致給定目標(biāo)xk或被檢測到獲得量測zk,或未被檢測到導(dǎo)致量測空間為空集,此外,節(jié)點還可能會收到雜波或虛警構(gòu)成的量測集?k.量測—目標(biāo)關(guān)聯(lián)的不確定性是指當(dāng)復(fù)雜的水聲環(huán)境中同時存在多個目標(biāo)時,很難準(zhǔn)確判斷每個采樣時刻的每個量測信息的準(zhǔn)確目標(biāo)來源或是否由雜波產(chǎn)生.

在復(fù)雜水下環(huán)境中如何根據(jù)傳感器節(jié)點獲得的量測數(shù)據(jù)準(zhǔn)確判斷目標(biāo)的個數(shù)以及每個目標(biāo)的狀態(tài)是水下多目標(biāo)跟蹤技術(shù)面臨的巨大挑戰(zhàn).水下多目標(biāo)跟蹤技術(shù)的研究一直是水下目標(biāo)跟蹤領(lǐng)域的重點和難點,受到各界學(xué)者的廣泛重視和深入研究,并取得了長足的進步.目前多目標(biāo)跟蹤技術(shù)主要可分為兩大類:基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤和基于隨機有限集的多目標(biāo)跟蹤.本節(jié)針對兩種方法在水下多目標(biāo)跟蹤中的應(yīng)用進行闡述.

圖8 多目標(biāo)運動模型Fig.8 Multi-target motion model

圖9 多目標(biāo)量測模型Fig.9 Multi-target measurement model

4.1 基于數(shù)據(jù)關(guān)聯(lián)的水下多目標(biāo)跟蹤方法

基于數(shù)據(jù)關(guān)聯(lián)的水下多目標(biāo)跟蹤方法的應(yīng)用條件為目標(biāo)個數(shù)已知或不隨時間變化.其首先引入數(shù)據(jù)關(guān)聯(lián)算法以確定目標(biāo)和量測信息兩者之間的關(guān)聯(lián)關(guān)系,然后通過引入貝葉斯方法將復(fù)雜的多目標(biāo)跟蹤問題轉(zhuǎn)換為較簡單的單目標(biāo)跟蹤問題,即將整個跟蹤過程分為“關(guān)聯(lián)”和“濾波”兩大步.其基本原理如圖10所示,主要包括門限檢測、數(shù)據(jù)關(guān)聯(lián)、跟蹤起始、跟蹤維持、跟蹤終結(jié)、跟蹤濾波和預(yù)測等步驟.其關(guān)鍵和核心是數(shù)據(jù)關(guān)聯(lián),關(guān)聯(lián)的正確與否直接影響到估計結(jié)果的準(zhǔn)確性.

圖10 基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤Fig.10 Multi-target tracking based on data association

數(shù)據(jù)關(guān)聯(lián)是處理不確定性問題的關(guān)鍵方法.目前比較經(jīng)典的數(shù)據(jù)關(guān)聯(lián)算法主要有最近鄰(Nearest neighbor,NN)算法、全局最近鄰(Global NN,GNN)算法、概率數(shù)據(jù)關(guān)聯(lián)(Probabilistic data association,PDA)算法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint PDA,JPDA)算法、多假設(shè)跟蹤(Multiple hypothesis tracking,MHT)算法以及概率多假設(shè)跟蹤(Probabilistic MHT,PMHT)算法等.表1對各種數(shù)據(jù)關(guān)聯(lián)算法的優(yōu)缺點及應(yīng)用范圍進行了比較.

目前關(guān)于水下多目標(biāo)跟蹤的相關(guān)文獻還相對較少,其中大多都是基于數(shù)據(jù)關(guān)聯(lián)的方法實現(xiàn)的.文獻[67]將CKF集成到PDA中,提出一種基于CKFPDA的純角度水下多目標(biāo)跟蹤算法,利用PDA來完成目標(biāo)—量測的關(guān)聯(lián)任務(wù).當(dāng)目標(biāo)之間距離較近、目標(biāo)航向相同或交叉時,若采集與目標(biāo)相關(guān)的特征信息(如聲波的振幅、多普勒頻率等),并將其結(jié)合到數(shù)據(jù)關(guān)聯(lián)中,可大大改善數(shù)據(jù)關(guān)聯(lián)的性能和目標(biāo)跟蹤的精度.文獻[68]提出一種基于船舶輻射噪聲進行數(shù)據(jù)關(guān)聯(lián)的方法.該方法利用船舶輻射噪聲譜特征來輔助PDA算法,從而改進了近距離時數(shù)據(jù)關(guān)聯(lián)和水下目標(biāo)跟蹤的性能.文獻[69]將速度分量引入量測信息,提出一種多普勒數(shù)據(jù)關(guān)聯(lián)(Doppler data association,DDA)算法,并將其擴展到線性多目標(biāo)集成概率數(shù)據(jù)關(guān)聯(lián)(Integrated PDA,IPDA)技術(shù)中,且在海洋環(huán)境中驗證了該方法的優(yōu)越性.針對密集多雜波多目標(biāo)跟蹤情形,文獻[70]設(shè)計了一種適用于水下的多目標(biāo)跟蹤算法.算法采用分布式多假設(shè)融合結(jié)構(gòu),在每個節(jié)點上都執(zhí)行MHT算法以獲得局部狀態(tài)估計,然后全局跟蹤器通過執(zhí)行MHT算法獲得目標(biāo)的融合估計結(jié)果.文獻[71]提出一種適用于高雜波環(huán)境的基于PMHT的純方位水下多傳感器多目標(biāo)跟蹤方法.它將PMHT分別與EKF算法和UKF算法相結(jié)合提出PMHTe和PMHTu算法,并與GNN算法進行了比較,證明這兩種算法在強干擾環(huán)境下均能表現(xiàn)出良好性能.文獻[72]進一步研究了當(dāng)目標(biāo)—量測關(guān)聯(lián)和發(fā)射站—量測數(shù)據(jù)關(guān)聯(lián)均未知時的改進PMHTe 和PMHTu算法,取得了良好的跟蹤性能.為克服傳統(tǒng)PMHT存在的缺點,文獻[73]提出一種確定性退火Homothetic PMHT(Deterministic annealing homothetic PMHT,DA-HPMHT)算法,以實現(xiàn)在密集雜波環(huán)境下基于純角度的水下多目標(biāo)跟蹤,該方法可以使目標(biāo)的后驗概率估計收斂至全局最大值,且引入的確定性退火方法減少了對目標(biāo)初始化的依賴性.雖然以上成果都是基于單節(jié)點或聲吶系統(tǒng)實現(xiàn)的,但其相關(guān)的理論成果可以擴展延伸至基于USNs的多目標(biāo)跟蹤問題.

表1 各種數(shù)據(jù)關(guān)聯(lián)算法的比較Table 1 Comparison of various data association algorithms

基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤的核心是數(shù)據(jù)關(guān)聯(lián),其不足是需要預(yù)先知道目標(biāo)的數(shù)目,且當(dāng)目標(biāo)數(shù)目較多時,復(fù)雜度較高,這限制了該技術(shù)的發(fā)展.此外,在復(fù)雜的水下環(huán)境中,該算法還面臨環(huán)境適應(yīng)性較差、魯棒性較低、漏跟、誤跟等問題.因此,提出跟蹤性能更好、估計精度更高的水下多目標(biāo)跟蹤算法具有重要的應(yīng)用價值和戰(zhàn)略意義.

4.2 基于隨機集的水下多目標(biāo)跟蹤方法

基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤方法難以突破計算量大的瓶頸.隨著多目標(biāo)跟蹤技術(shù)的快速發(fā)展,學(xué)者們提出利用隨機有限集(Rand om finite set,RFS)實現(xiàn)多目標(biāo)跟蹤,該方法一經(jīng)提出便引起國內(nèi)外各界的廣泛關(guān)注和深入研究.如圖11所示[61],該方法巧妙地將多目標(biāo)的狀態(tài)空間和量測空間都建模成RFS的形式,將多目標(biāo)濾波轉(zhuǎn)化為集值濾波的問題.因此,多目標(biāo)跟蹤過程中目標(biāo)的出現(xiàn)、消失以及量測中含有的漏檢、虛警等均可表示成RFS的形式[74].這種方法使多目標(biāo)跟蹤能夠在集合的意義上進行,不需要進行復(fù)雜的數(shù)據(jù)關(guān)聯(lián),可大大減小系統(tǒng)的計算復(fù)雜度,在目標(biāo)數(shù)未知或可變時仍能對多目標(biāo)進行精確跟蹤,且可較好地完成跟蹤的起始、終結(jié)和維持,比較適用于關(guān)聯(lián)困難的高雜波環(huán)境下的密集多目標(biāo)跟蹤問題.

圖11 基于RFS的多目標(biāo)跟蹤系統(tǒng)模型Fig.11 Multi-target tracking system model via RFS

1975年,Matheron首次提出了RFS的概念,RFS可較好地描述復(fù)雜環(huán)境下目標(biāo)數(shù)目和狀態(tài)時變條件下的多目標(biāo)跟蹤問題.1997 年,Mahler首先利用貝葉斯濾波器推導(dǎo)了基于RFS的多目標(biāo)跟蹤算法.2003年,Mahler在文獻[75]中設(shè)計了概率假設(shè)密度(Probability hypothesis density,PHD)濾波器.隨后Vo 等結(jié)合序貫蒙特卡洛(Sequential Monte Carlo,SMC)方法和高斯混合(Gaussian mixture,GM)方法給出了PHD濾波器的兩種收斂實現(xiàn).在此基礎(chǔ)上,2007 年,Mahler提出一種帶有勢分布的概率密度假設(shè)(Cardinalized PHD,CPHD)濾波器[76].之后Vo 給出了CPHD濾波器的GM實現(xiàn)和SMC實現(xiàn),CPHD對目標(biāo)數(shù)目和狀態(tài)的估計更精確,但其計算量也有所增加.自此,基于RFS的多目標(biāo)跟蹤吸引了大量學(xué)者的研究和探索,基于RFS的多目標(biāo)跟蹤理論體系逐漸走向完善,使該領(lǐng)域從理論研究過渡到工程實踐成為可能.

以上算法都是針對陸上多目標(biāo)跟蹤問題設(shè)計的.由于海洋環(huán)境的復(fù)雜多變,聲波在海水中傳輸時會受到大量的反射、折射和散射,屬于高密度雜波環(huán)境.基于RFS實現(xiàn)水下多目標(biāo)跟蹤極具挑戰(zhàn)性,目前相關(guān)文獻還非常少.文獻[77]提出將PHD的SMC實現(xiàn)應(yīng)用于多個AUV 的跟蹤問題.文獻[78]研究了利用單個節(jié)點跟蹤多個AUV的問題,提出使用向前—向后PHD平滑器來減輕高密度雜波水下環(huán)境對跟蹤性能的影響,其性能優(yōu)于GM-PHD濾波器.傳統(tǒng)的PHD和CPHD都假定檢測概率為先驗已知,該假設(shè)在很多場合并不適用.雖然目前已經(jīng)提出一些方法來估計檢測概率,但大多數(shù)方法都假設(shè)它在檢測區(qū)域和檢測時間內(nèi)是恒定不變的.針對這個問題,文獻[79]提出一種適用于主動聲吶跟蹤系統(tǒng)的多目標(biāo)跟蹤方法.該方法基于主動聲吶方程和信號檢測理論在虛警概率一定的條件下對檢測概率與跟蹤距離的關(guān)系進行建模,得到自適應(yīng)檢測概率,并將其應(yīng)用于GM-PHD濾波算法和GMCPHD濾波算法.以上成果都是針對單個節(jié)點或聲吶系統(tǒng)實現(xiàn)的,并沒有考慮真正USNs中的多目標(biāo)跟蹤問題.文獻[61]提出了基于GM-PHD的多傳感器OOSM融合算法.該算法分別推導(dǎo)了先驗?zāi)繕?biāo)和后驗?zāi)繕?biāo)兩種目標(biāo)類型在PHD框架下的負(fù)時間量測更新算法,能有效處理ISM和OOSM兩種異步量測數(shù)據(jù),對最新時刻多目標(biāo)狀態(tài)進行準(zhǔn)確估計.雖然此文獻將RFS應(yīng)用到基于USNs的水下多目標(biāo)跟蹤中,但相關(guān)理論體系還不夠完善[80],需要進一步深入研究探索.

綜上,目前針對基于USNs的水下多目標(biāo)跟蹤的研究成果還非常少.但是,從海洋環(huán)境的發(fā)展趨勢來看,未來海洋中的目標(biāo)將多以群體的形式出現(xiàn),而且目標(biāo)的機動性將會增強,目標(biāo)的隱蔽性也會提高.同時,復(fù)雜的海洋環(huán)境和多變的水聲信道可能產(chǎn)生大量雜波,量測中可能含有虛警、噪聲等多種不確定性.這些給水下多目標(biāo)跟蹤的研究帶來了極大的挑戰(zhàn).因此,研究基于USNs的水下多目標(biāo)跟蹤技術(shù)已經(jīng)成為水下跟蹤領(lǐng)域發(fā)展的大勢所趨.

5 水下目標(biāo)跟蹤中的能效優(yōu)化措施

在正常情況下,USNs中的傳感器節(jié)點均采用電池提供能量,特殊的水下環(huán)境致使更換儲能已經(jīng)耗盡的電池或?qū)ζ溥M行二次充電是非常困難的,甚至是不現(xiàn)實的.而USNs的壽命往往依賴于網(wǎng)絡(luò)中傳感器節(jié)點的使用壽命,即在很大程度上是由節(jié)點的能量消耗速度決定的.此外,與WSNs發(fā)送無線電波所消耗的能量相比,水下節(jié)點需要更多的能量來發(fā)送聲波信號.因此,如何延長USNs的使用壽命,有效解決有限的能量資源與節(jié)點發(fā)送聲波信息能耗高之間的矛盾是基于USNs的目標(biāo)跟蹤面臨的重要挑戰(zhàn)之一[81].現(xiàn)有的能效優(yōu)化措施主要從節(jié)點調(diào)度、量化理論和拓?fù)淇刂迫齻€方面展開研究,下面對這三種能效優(yōu)化措施在水下目標(biāo)跟蹤中的應(yīng)用進行詳述.

5.1 基于節(jié)點調(diào)度的水下目標(biāo)跟蹤方法

在目標(biāo)跟蹤過程中,USNs中的節(jié)點通過連續(xù)探測,實時采集有關(guān)目標(biāo)的量測信息,然后節(jié)點直接將量測信息發(fā)送到融合中心或在局部完成濾波后將本地估計發(fā)送到融合中心,最后,融合中心利用融合算法融合所有節(jié)點提供的目標(biāo)信息得到目標(biāo)的狀態(tài)估計.在通常情況下,參與目標(biāo)跟蹤的節(jié)點數(shù)越多,節(jié)點的采樣周期越短,節(jié)點能夠采集到的目標(biāo)的量測信息就會越多,進而目標(biāo)的跟蹤精度也會越高.然而參與目標(biāo)跟蹤的節(jié)點數(shù)過多或節(jié)點發(fā)送量測信息次數(shù)過于頻繁都會導(dǎo)致USNs消耗大量的能量.因此跟蹤精度高與跟蹤系統(tǒng)能耗低是一對矛盾的目標(biāo).如何有效地解決這一矛盾是研究水下目標(biāo)跟蹤技術(shù)的一個重要課題.節(jié)點調(diào)度就是根據(jù)特定的準(zhǔn)則分別從空間和時間兩個角度引入傳感器節(jié)點管理技術(shù),在目標(biāo)跟蹤精度滿足特定需求的情況下,在最大程度上降低整個系統(tǒng)的能耗,實現(xiàn)目標(biāo)跟蹤精度與能耗之間的有效權(quán)衡.

從空間角度設(shè)計的基于節(jié)點調(diào)度的目標(biāo)跟蹤方法就是按照特定的準(zhǔn)則構(gòu)造目標(biāo)函數(shù),每次只選擇滿足特定要求和數(shù)量的節(jié)點參與目標(biāo)跟蹤過程,從而在高精度跟蹤的同時達到降低網(wǎng)絡(luò)能耗的目的.文獻[82]提出一種節(jié)點喚醒/睡眠機制來實時調(diào)整USNs中各節(jié)點的工作狀態(tài).在每個工作周期,只有能獲得目標(biāo)信息的節(jié)點能夠被融合中心喚醒,其他節(jié)點將繼續(xù)處于睡眠狀態(tài),該工作模式在一定程度上降低了每個節(jié)點的能量消耗,被廣泛應(yīng)用于后續(xù)的研究工作.但是每一時刻所有能探測到目標(biāo)的節(jié)點都參與目標(biāo)跟蹤也會造成極大的能量浪費.文獻[83]基于不同的量測信息選擇方法設(shè)計了兩種基于簇的水下目標(biāo)跟蹤算法.一種方法選擇量測值超過特定閾值的節(jié)點參與目標(biāo)跟蹤,該方法跟蹤精度較高,但能耗也較高;方法二每次僅選擇一個離目標(biāo)最近的節(jié)點參與目標(biāo)跟蹤,該方法雖能耗較低,但會造成跟蹤算法發(fā)散,不能長期為系統(tǒng)提供可靠的跟蹤精度.此外,該文獻沒有提供選擇兩種工作模式的標(biāo)準(zhǔn).文獻[84]提出一種分布式智能節(jié)點調(diào)度方案,它將每個節(jié)點建模為概率有限狀態(tài)機,并通過該模型控制節(jié)點的狀態(tài)轉(zhuǎn)換(睡眠、監(jiān)聽、低功耗感知、高功耗感知和數(shù)據(jù)傳輸),進而在保證跟蹤精度的同時降低系統(tǒng)能耗.鑒于USNs節(jié)點的移動性和有限的存儲能力,基于全局信息的節(jié)點選擇算法并不適用.因此,文獻[85]提出一種利用局部信息選擇節(jié)點的帶反饋的分布式跟蹤方法,該方法只根據(jù)節(jié)點自身的位置信息即可判定該節(jié)點是否需要被喚醒參與目標(biāo)跟蹤,非常適用于USNs.針對被動模式下的節(jié)點選擇問題,文獻[59]提出一種基于動態(tài)簇的水下多傳感器協(xié)作被動跟蹤方法,動態(tài)選擇參與目標(biāo)被動跟蹤過程的簇頭和簇成員節(jié)點以實現(xiàn)跟蹤精度和系統(tǒng)能耗的有效權(quán)衡.以上文獻都是從空間角度出發(fā),通過減少參與目標(biāo)跟蹤的節(jié)點個數(shù)來降低網(wǎng)絡(luò)能耗,在通信能耗和跟蹤效果之間取得動態(tài)平衡.

從時間角度,基于節(jié)點調(diào)度的目標(biāo)跟蹤方法是通過調(diào)節(jié)每個節(jié)點發(fā)送量測信息的次數(shù)來實現(xiàn)高能效的目標(biāo)跟蹤.文獻[86]設(shè)計了一種自適應(yīng)采樣間隔調(diào)整方法,采用雙輸入—單輸出的模糊邏輯控制器,在滿足不確定性閾值的前提下使采樣頻率最小化,從而降低系統(tǒng)的能耗.文獻[87]提出了基于節(jié)點選擇和變采樣間隔的USNs高能效目標(biāo)跟蹤算法,該算法不僅從空間角度選擇最優(yōu)節(jié)點組合,而且從時間角度根據(jù)跟蹤精度的特定需求自適應(yīng)地、實時地調(diào)整采樣間隔,將目標(biāo)跟蹤誤差控制在特定的范圍.文獻[65]提出一種基于一致性的貝葉斯濾波器實現(xiàn)水下目標(biāo)跟蹤,并納入占空比機制來延長網(wǎng)絡(luò)壽命.由于不同節(jié)點提供的量測信息對目標(biāo)狀態(tài)估計的價值不同.為進一步降低網(wǎng)絡(luò)能耗,文獻[88]提出一種基于虛擬量測的高能效目標(biāo)跟蹤方法,該方法采用自適應(yīng)量測價值評估方法決定是否上傳本地估計至融合中心,并產(chǎn)生虛擬量測以彌補因量測個數(shù)不足而導(dǎo)致的跟蹤精度下降.以上文獻是從時間角度出發(fā),通過調(diào)整量測信息的采樣頻率或發(fā)送頻率以降低網(wǎng)絡(luò)能耗,實現(xiàn)高能效、高精度的水下目標(biāo)跟蹤.

綜上所述,節(jié)點調(diào)度已經(jīng)發(fā)展成為一種相對較為成熟的能效優(yōu)化措施,目前已經(jīng)從時間和空間兩個角度實現(xiàn)了高能效的水下目標(biāo)跟蹤,有效解決了跟蹤精度高和系統(tǒng)能耗低之間的矛盾.

5.2 基于量化理論的水下目標(biāo)跟蹤方法

雖然節(jié)點獲得的原始測量信息能夠提供更多目標(biāo)的有效信息,實現(xiàn)更高的跟蹤精度.然而,考慮到USNs中節(jié)點的能量資源極其有限,水聲信道的通信帶寬大約只有幾十Kb/s.若節(jié)點之間傳輸?shù)臄?shù)據(jù)量過大不僅會消耗過多的能量,還會占用過多的通信帶寬.因此,基于原始量測信息的水下目標(biāo)跟蹤方法并不適用于USNs.基于量化理論的水下目標(biāo)跟蹤方法通過對原始量測進行量化處理,將數(shù)據(jù)位數(shù)較多的原始量測壓縮成只占幾位的量化量測.該方法可以有效減少節(jié)點之間的通信數(shù)據(jù)量,減輕網(wǎng)絡(luò)的通信負(fù)擔(dān)和能量負(fù)擔(dān),避免網(wǎng)絡(luò)發(fā)生堵塞,保證跟蹤的實時性.但是,對原始量測進行量化會導(dǎo)致一部分有用的目標(biāo)信息丟失,造成目標(biāo)跟蹤誤差增大,尤其是當(dāng)采用較低位數(shù)對原始量測進行量化或采用的量化方法不合適時,極易導(dǎo)致較差的跟蹤效果.然而低能耗、低帶寬的低位數(shù)量化量測又符合USNs目標(biāo)跟蹤對低能耗和低帶寬的需求.因此,在保證跟蹤精度的前提下,研究最優(yōu)量化方法對于提升USNs目標(biāo)跟蹤在能耗和通信資源方面的高效性都具有非常重要的意義.

目前已有大量針對WSNs設(shè)計的最優(yōu)量化方法.但適用于能量有限的USNs的量化方法還比較少.文獻[89]研究了在量化量測條件下節(jié)點拓?fù)浣Y(jié)構(gòu)對目標(biāo)跟蹤性能的影響,但是該文獻采用的是固定量化級數(shù)的量化方式.針對大多數(shù)的量化方法都具有計算復(fù)雜度較高的問題,文獻[90]提出一種適用于USNs的計算簡便、易于更新的基于最優(yōu)量化界的水下目標(biāo)跟蹤算法.該算法通過最小化因量化量測而導(dǎo)致的額外誤差協(xié)方差的期望來獲得最優(yōu)量化因子,進而由最優(yōu)量化因子和目標(biāo)實時狀態(tài)得到節(jié)點的最優(yōu)量化方案.其計算過程不依賴于目標(biāo)的實時狀態(tài),在離線條件下即可解決復(fù)雜的優(yōu)化問題,降低了算法的實時計算量.在密集網(wǎng)絡(luò)中,每個采樣時刻的候選節(jié)點非常多,即使每個節(jié)點都只發(fā)送量化量測給融合中心,其通信數(shù)據(jù)量依然很大.針對這個問題,文獻[91]設(shè)計了一種最佳的比特分配方案,限制每個時刻的比特帶寬,并在特定的比特帶寬下最大化跟蹤精度.由于不同節(jié)點從不同角度可以獲得不同價值的量測信息,為充分利用高價值量測信息,文獻[92]提出一種基于互信息的USNs目標(biāo)跟蹤方法.其根據(jù)量化量測與目標(biāo)狀態(tài)間的互信息對節(jié)點獲得的量測信息進行有效評估以分配不同的融合權(quán)重,不僅能提高量測價值的利用率,而且能有效彌補因降低系統(tǒng)能耗而量化量測導(dǎo)致的跟蹤精度下降.文獻[93]提出一種基于長時能量分配的USNs目標(biāo)跟蹤方法.該方法根據(jù)節(jié)點量測信息能夠提供價值的大小來決定各節(jié)點量化量測的位數(shù)以及需要分配能量的多少,進而提高整個系統(tǒng)的能源利用效率和跟蹤精度.但該方法采用統(tǒng)一的量化閾值集合對量測進行量化,導(dǎo)致量測的信息損失較大,為保證跟蹤精度,應(yīng)對量化閾值的計算進行更深入的研究.

由以上分析可知,研究適用于USNs的量化方法以進行能效優(yōu)化對USNs的發(fā)展具有極大的推動作用.在后續(xù)的研究工作中,應(yīng)該繼續(xù)致力于研究量化位數(shù)更少、跟蹤性能更優(yōu)的量化方法.

5.3 基于拓?fù)淇刂频乃履繕?biāo)跟蹤方法

節(jié)點的拓?fù)浣Y(jié)構(gòu)是指USNs中各節(jié)點的位置關(guān)系和連接方式,節(jié)點的拓?fù)浣Y(jié)構(gòu)不僅會影響水下目標(biāo)跟蹤的精度,而且會在一定程度上影響跟蹤系統(tǒng)的能耗[94].目前,基于拓?fù)淇刂频乃赂吣苄繕?biāo)跟蹤也成為USNs領(lǐng)域的重要研究方向之一.現(xiàn)有的研究成果主要從兩個角度來實現(xiàn):1)基于最小化能量消耗的拓?fù)淇刂?主要通過設(shè)置特定的優(yōu)化目標(biāo)函數(shù)來評估跟蹤過程中節(jié)點的能量消耗來選擇具有特定拓?fù)浣Y(jié)構(gòu)的節(jié)點組合;2)基于節(jié)點剩余能量的拓?fù)淇刂?主要根據(jù)節(jié)點的剩余能量來完成網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選擇,避免剩余能量過低的節(jié)點連續(xù)參與目標(biāo)跟蹤過程,盡量平衡USNs內(nèi)所有節(jié)點的能耗,避免產(chǎn)生網(wǎng)絡(luò)空洞,進而達到延長USNs使用期限的目的.

目前基于USNs的目標(biāo)跟蹤在此方面的研究還比較少,相關(guān)理論技術(shù)尚不成熟.隨著USNs的發(fā)展,基于拓?fù)淇刂频乃履繕?biāo)跟蹤方法將成為重要的研究方向之一.考慮到USNs的能量比較有限,文獻[95]利用最小化能量消耗選擇最優(yōu)融合中心,并通過最小化后驗克拉美羅下界選擇最優(yōu)拓?fù)浣Y(jié)構(gòu).但該文獻使用的是原始量測,為進一步降低系統(tǒng)能耗,文獻[89]進一步推導(dǎo)了量化量測條件下最優(yōu)融合中心和最優(yōu)拓?fù)浣Y(jié)構(gòu)的選擇.為解決由節(jié)點稀疏導(dǎo)致的量測信息不足的問題,文獻[96]設(shè)計了一種考慮能耗的深度調(diào)節(jié)方案,通過能耗控制節(jié)點深度的動態(tài)調(diào)節(jié),實現(xiàn)節(jié)點位置的自組織調(diào)整.該方案在實現(xiàn)高精度跟蹤的同時,減小了節(jié)點的能量消耗.由于USNs中每個節(jié)點的能量非常有限,為了避免由于對網(wǎng)絡(luò)中的某個節(jié)點過度使用而造成網(wǎng)絡(luò)空洞,在目標(biāo)跟蹤的過程中,要對節(jié)點的剩余能量進行評價,盡量選擇剩余能量較多的節(jié)點參與目標(biāo)跟蹤.文獻[97]設(shè)計了一種節(jié)點剩余能量動態(tài)感知方法,根據(jù)感知到的節(jié)點剩余能量,自動調(diào)整節(jié)點發(fā)送聲波信號的功率,構(gòu)建合適的拓?fù)浣Y(jié)構(gòu)以降低剩余能量較少的節(jié)點的使用次數(shù),避免形成網(wǎng)絡(luò)空洞,從整體上延長網(wǎng)絡(luò)的使用期限.然而,該方法構(gòu)建的是一種全局的拓?fù)浣Y(jié)構(gòu),采用集中式的控制方式.針對這個缺陷,文獻[98]針對異構(gòu)多跳傳感器網(wǎng)絡(luò)提出一種剩余能量感知動態(tài)拓?fù)淇刂扑惴?該算法綜合考慮接收器的靈敏度、發(fā)送器的最大傳輸功率以及節(jié)點的剩余能量來控制拓?fù)浣Y(jié)構(gòu).為平衡能量消耗,文獻[86]設(shè)計了單輸入—單輸出模糊邏輯控制器來根據(jù)各節(jié)點的剩余能量實現(xiàn)不確定性閾值的自動調(diào)整,有效避免個別節(jié)點能量過低而無法繼續(xù)工作.由以上分析可知,目前基于拓?fù)淇刂频乃履繕?biāo)跟蹤方法主要通過控制網(wǎng)絡(luò)能耗和節(jié)點剩余能量兩種方式來實現(xiàn)節(jié)能的目標(biāo).研究如何給出新的綜合優(yōu)化指標(biāo),并在此基礎(chǔ)上設(shè)計新的拓?fù)淇刂撇呗允沁M一步研究的方向.

綜上所述,為解決基于USNs的目標(biāo)跟蹤面臨的能效優(yōu)化問題,目前的研究成果主要從節(jié)點調(diào)度、量化理論以及拓?fù)淇刂茙讉€角度來實現(xiàn),已經(jīng)形成了一套相對完整的理論體系,在一定程度上克服了基于USNs目標(biāo)跟蹤中資源有限的弊端,為實現(xiàn)基于USNs的目標(biāo)跟蹤提供了理論支撐.在現(xiàn)有研究的基礎(chǔ)上,以后應(yīng)該繼續(xù)致力于研究性能更優(yōu)、計算量更小、實時性更好的能效優(yōu)化措施以實現(xiàn)USNs的高能效目標(biāo)跟蹤.此外,也有一些從其他角度出發(fā)或研究相對分散的能效優(yōu)化措施,例如,設(shè)計低功耗的芯片[99]、節(jié)點部署策略[100]、低功耗的路由協(xié)議[101]以及網(wǎng)絡(luò)協(xié)議[102]等,但是本文側(cè)重綜述跟蹤算法中的高能效措施,因此與之相關(guān)的研究成果本文不再進行詳述.

6 挑戰(zhàn)與展望

基于上文對研究現(xiàn)狀的介紹,目前基于USNs的水下目標(biāo)跟蹤面臨的挑戰(zhàn)及其未來的發(fā)展方向主要體現(xiàn)在以下幾個方面:

1)目前大多的水下目標(biāo)跟蹤算法都是基于理想水聲環(huán)境實現(xiàn)的,沒有考慮復(fù)雜水聲通信環(huán)境對跟蹤性能的影響.由于水聲信道在時間和空間上的復(fù)雜性和多變性,而且聲波在海洋中的傳播速度會隨著海水溫度、鹽度、深度以及壓力等環(huán)境因素的變化而改變,水下目標(biāo)跟蹤普遍存在通信帶寬受限、傳播時延較長、雜波較多、時變多徑效應(yīng)嚴(yán)重以及誤碼率高等問題,這些因素都會嚴(yán)重影響目標(biāo)跟蹤的性能.因此,研究如何對水聲信道進行合理建模,并在此基礎(chǔ)上設(shè)計合適的水下目標(biāo)跟蹤算法以克服水聲通信缺陷對目標(biāo)跟蹤的影響勢在必行.

2)目前大多數(shù)水下目標(biāo)跟蹤算法都是基于固定USNs實現(xiàn)的,而在實際環(huán)境中,節(jié)點由于洋流的作用會隨水流不斷移動,而搭載于AUV或水下滑翔機的節(jié)點更可以自主規(guī)劃自身的運動方式,且混合USNs也是USNs未來的發(fā)展趨勢.因此,如何充分合理地利用節(jié)點所特有的移動特性,自適應(yīng)、自組織地實時構(gòu)建高動態(tài)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),實現(xiàn)網(wǎng)絡(luò)資源的合理調(diào)配和多節(jié)點之間的信息共享與協(xié)同計算,以保證系統(tǒng)靈活穩(wěn)定的跟蹤性能也是未來的一個重要研究方向.

3)由于大多數(shù)的水下目標(biāo)跟蹤算法都是以模型為基礎(chǔ)的,因此,建立一個準(zhǔn)確合理的目標(biāo)運動模型是實現(xiàn)高精度水下目標(biāo)跟蹤的基礎(chǔ).而隨著水下目標(biāo)的機動性能的不斷增強,且非合作目標(biāo)機動狀態(tài)一般都是先驗未知的,加上水下目標(biāo)的運動狀態(tài)容易受洋流等環(huán)境因素的影響,對機動目標(biāo)建立完全符合實際運動規(guī)律的模型是十分困難的.因此,如何在深入研究洋流特性的基礎(chǔ)上實現(xiàn)水下機動目標(biāo)動態(tài)模型的精確構(gòu)建和運動軌跡的可靠預(yù)測是一個極具挑戰(zhàn)性而又非常棘手的問題.

4)由于海洋環(huán)境的復(fù)雜性和多變性,傳統(tǒng)的水下目標(biāo)跟蹤方法很難獲得良好穩(wěn)定的跟蹤性能.目標(biāo)屬性作為一個重要且獨特的目標(biāo)參數(shù),可為更準(zhǔn)確的目標(biāo)跟蹤提供保障.因此,可以利用現(xiàn)代信號處理新技術(shù),將目標(biāo)探測與識別融合到目標(biāo)跟蹤過程中,研究高實時性、多功能的綜合水下目標(biāo)跟蹤系統(tǒng),以突破現(xiàn)有水下目標(biāo)跟蹤數(shù)據(jù)量大和跟蹤實時性差等瓶頸,這將為水下目標(biāo)跟蹤的研究提供一個新的思路.

5)在工程實際中,降噪技術(shù)日趨成熟,潛艇及艦船等的輻射噪聲與回波強度越來越低,隱蔽性大大提高,加上海洋環(huán)境噪聲大幅提升、干擾多等環(huán)境因素,導(dǎo)致節(jié)點接收信號的信噪比非常低.此外,當(dāng)目標(biāo)距離較遠時,目標(biāo)輻射的聲信號經(jīng)過遠距離的傳播,能量衰減非常大,相對于各種噪聲來說,節(jié)點接收的信號十分微弱,信噪比也較低.這給水下目標(biāo)跟蹤技術(shù)的研究帶來了不小的挑戰(zhàn).因此,亟待解決在低信噪比條件下的水下目標(biāo)跟蹤問題.

6)目前國內(nèi)外對基于USNs的水下目標(biāo)跟蹤技術(shù)的研究尚處于起步階段,USNs的海上試驗還停留在節(jié)點通信、組網(wǎng)和定位的階段.但由于水下通信、組網(wǎng)試驗仍然存在各種未攻克的難題,對于USNs目標(biāo)跟蹤技術(shù)的研究和評估仍以理論研究和計算機仿真驗證為主流方式.隨著USNs的發(fā)展,如何將USNs目標(biāo)跟蹤技術(shù)的現(xiàn)有研究成果拓展至海上工程試驗,并通過試驗成果進一步指導(dǎo)理論研究是以后發(fā)展的必然趨勢.

7 結(jié)束語

水下目標(biāo)跟蹤是海洋科學(xué)技術(shù)研究中必不可少的部分,在人類認(rèn)識、探索、開發(fā)、利用以及保護海洋中起到至關(guān)重要的作用.USNs作為WSNs在水下的延伸為水下目標(biāo)跟蹤提供了新的途徑.本文對基于USNs的水下目標(biāo)跟蹤技術(shù)進行綜述,分別從水下傳感器網(wǎng)絡(luò)、水下目標(biāo)跟蹤模型、水下單目標(biāo)跟蹤技術(shù)、水下多目標(biāo)跟蹤技術(shù)以及高能效水下目標(biāo)跟蹤技術(shù)幾個角度進行闡述.首先,簡要介紹了USNs硬件平臺的建設(shè)概況及其系統(tǒng)組成和分類,其次,介紹了水下目標(biāo)運動模型和量測模型的構(gòu)建以及環(huán)境對模型構(gòu)建造成的影響;再次,從同步式融合和分布式融合兩個方面來論述基于USNs的單目標(biāo)跟蹤技術(shù),并比較了兩種融合方式的優(yōu)缺點;在此基礎(chǔ)上,詳細(xì)討論了數(shù)據(jù)關(guān)聯(lián)和隨機有限集兩種方法目前在基于USNs的多目標(biāo)跟蹤中的應(yīng)用情況及其存在的問題;針對USNs面臨的能耗問題,本文回顧了目前已有的能效優(yōu)化措施,并對各種方法的基本原理、適用性以及存在問題進行了詳細(xì)的總結(jié).最后,本文指出了基于USNs的目標(biāo)跟蹤目前存在的挑戰(zhàn),并對未來的發(fā)展方向進行了展望.雖然目前國內(nèi)外針對基于USNs的目標(biāo)跟蹤的研究取得了一些初步的成果,但是還需要更多、更深入的研究.