時空關聯多跟蹤剔除的多源數據融合方法

潘 亮，郭玉霞，崔炳喆

（1.中國空空導彈研究院，河南 洛陽 471009；2.空基信息感知與融合全國重點實驗室，河南 洛陽 471009）

0 引言

隨著網絡信息共享技術的發展和對空天地海網一體化作戰形態[1-2]的深入研究，未來空戰態勢將日益透明，參戰單元的數量、性質、航跡、紅外特性、目標類型以及雷達特性等信息源將被全方位的探測設備感知，這對以“面向數據（Data-centric）”的分布式協同和數據融合[3-4]，提出了更多嚴格要求。數據要具有時效性、精度性和可信性，即3R（Right-data，Right-time&Right-place）標準[5]。

同時，隱身作戰單元的投入服役對單一制導體制的探測系統，如雷達制導系統、紅外制導系統等的反隱身能力提出了極大的挑戰。多探測系統構建的多源異構數據能夠實現多特征集表征，融合處理能提高目標的檢測概率，降低對干擾、雜波的虛假截獲，從而提高精確制導武器的作戰效能和生存命中概率。因此，在有限的設備載荷資源下，多源數據融合是提高精確制導武器反隱身、抗干擾能力的有效方法。

1 多源異構數據融合

多源異構數據融合[6-8]能夠綜合利用各個探測平臺的性能優勢，從不同角度、方向和特征對敏感的探測目標進行全方位感知，探測信息通過網絡化信息共享技術實現平臺共享，同時接收來自其他探測平臺共享的敵情態勢信息，最后在各自的信息處理服務中心進行數據融合。融合算法整合互補信息、去除冗余信息，這不僅有利于各探測平臺發揮其性能優勢，還增強了各平臺的探測性能，實現對目標的精確描述[9-10]。

在精確制導武器系統中，國內外常用的數據融合源有主被動復合和雷達紅外復合等，它們在提供系統抗干擾性能和反隱身以及可靠性等方面發揮了重要作用。主被動雷達探測系統充分利用了主動探測和被動探測的各自優勢，既能遠程探測目標的角度和位置信息，使精確制導武器靜默工作，又能近程精確探測目標，獲取目標的角度、位置和速度信息以提高末制導能力。

紅外探測具有高測角精度和強目標識別能力。雷達作為主動探測，能夠實現全天候、全天時。因而，雷達紅外復合系統具有很好的信息互補優勢，能夠提供更完整的探測信息。

在一體化作戰形態下，精確制導武器的信息源不僅來自本體的雷達、紅外或者被動探測等，還將接收本體外的天基、地基，我機和友機等平臺信息。針對這種新形態的數據融合技術，研究表明，多源異構數據融合涉及數據濾波、空時配準、航跡處理、目標優選等方面。

實際場景中，作戰區域往往不是全域覆蓋，敏感目標和隱身目標數量也不是無限增量。針對敏感區域內有限目標的探測跟蹤問題[6，8]，為了研究多源數據融合問題，本文提出1 種時空關聯多跟蹤剔除的多源數據融合方法，該方法主要涉及數據濾波、航跡關聯以及時空關聯多跟蹤剔除設計等過程，其功能組成如圖1所示。

圖1 時空關聯的多源異構數據融合功能組成Fig.1 Function composition of multi-source data fusion of space-time correlation

2 關鍵設計

2.1 數據濾波

探測系統數據采集的隨機誤差以及不同探測器數據更新周期存在的差異等，要求對多源數據進行平滑處理，即濾波。濾波方法的選取主要依賴于系統模型。對于時敏性不強的數據源，基本濾波算法即可實現高精度無靜差的濾波；而對于強時敏性、非線性和強耦合性的數據，基本濾波算法不能滿足使用需求。因此，針對勻速、勻加速等線性高斯運動系統，人們提出了α-β-γ濾波算法，并以此為基礎，提出了具有自適應權值調整能力的卡爾曼濾波算法[11-12]；對于非線性高斯系統，提出了擴展卡爾曼和無跡卡爾曼等濾波算法。

卡爾曼濾波算法是1種經過數理推理證明的線性遞推濾波方法，在工程設計的運動軌跡濾波預測中取得了很好的實踐驗證。但其探測跟蹤目標的機動能力有限，且只有在逃逸時才做大范圍機動動作，因此，在硬件資源有限時，卡爾曼濾波算法是精確制導武器探測系統的優選算法?？柭鼮V波算法利用當前時刻的觀測值、狀態和前一時刻的最優濾波預測值，通過探測系統的狀態轉移遞推預測狀態估計。其濾波更新主要涉及狀態更新和量測更新等2個過程（如圖2所示）。

圖2 卡爾曼濾波算法數據更新流程Fig.2 Data update process of the Kalman Filter Algorithm

卡爾曼濾波算法的量測和狀態更新滿足狀態預測估計方程、協方差預測方程、濾波增益更新方程、狀態修正更新方程以及協方差更新方程這5 個關系式，它們共同構成了濾波算法基本流程（如圖3所示）。

圖3 卡爾曼濾波算法流程Fig.3 Flow of the Kalman Filter Algorithm

2.2 航跡關聯

航跡關聯中，無論是實用的邏輯法，還是基于先驗信息的概率關聯法，關聯過程都存在2個不確定性，即航跡起源和目標狀態。隨著多目標探測的需求，雜波、電子對抗和假目標的存在，歷史航跡和新增航跡的交互影響，航跡關聯的不確定性進一步加重。解決航跡不確定性的關鍵是空時配準，即空間配準和時間配準。

空間配準[6]是指在一體化系統架構內，通過插值、平滑、濾波等數據處理方法，利用基準系統的歸化坐標，如地表慣性坐標（如圖4 所示），建立點跡，實現空間關聯的一致性。時間配準主要針對長航時和信息高速共享的數據融合需求，各個探測平臺利用接收的天基或地基平臺中高精度授時時標系統進行點跡間的時序性關聯配置[13]，對經協調同步對齊配準后的數據進行融合。在空時配準的基礎上，航跡關聯通過M/N邏輯法建立由點跡到航跡關聯處理，并實現野點剔除和航跡可信度打分排序。

圖4 地表慣性坐標系Fig.4 Ⅰnertial coordinate system of surface earth

圖4 中，歸化坐標系的坐標原點為一體化作戰系統指定的原點，可以在地面或空中；ox0軸為沿著當地地球經度線指向北極；oz0軸為沿著當地地球緯度線指向東；oy0為天向，滿足右手系。

2.3 融合數據“簇”

特定場景下，針對建立多跟蹤融合數據“簇”問題。假設平臺能夠支持的航跡最多有50條（如圖5所示），涵蓋了由目標、干擾或雜波等形成的航跡。經多源數據融合后，每條航跡的量測特征要素有歸化坐標系下的坐標、速度、加速度、幅度、強度、方位、灰度、多普勒、幾何外形和RCS 等信息，一體化多源異構平臺通過鏈表法遍歷查詢航跡，每條航跡能夠索引出該目標具有的特征要素。數據“簇”建立時，為實現多跟蹤剔除邏輯的往前回溯功能，采用先進先出（First Ⅰnput First Output，FⅠFO）的數據處理方式，保存經過融合后的航跡信息。經融合后，每條航跡鏈表查詢的特征要素如表1所示。

表1 融合目標具備的特征要素集Tab.1 List of the feature set of the fusion target

圖5 數據“簇”的更新過程Fig.5 Update process of fusion data"cluster"

數據“簇”處理中，假設aij為第i次采樣得到的第j個特征元素，從而建立當前時刻的融合特征元素矩陣Ak=[aij]。

2.4 時空關聯多跟蹤剔除

距離拖引干擾[14-15]的特征要素是距離波門，當干擾機釋放干擾時，若無相應干擾對抗措施，跟蹤的距離波門將被拉偏，一段時間后，干擾機停止拖引，探測系統的距離跟蹤回路因為檢測距離波門超限而被打破；速度拖引干擾的特征要素是速度波門，當干擾機釋放拖引時，跟蹤的速度波門將被拖偏，一段時間后，干擾機停止拖引，探測系統的速度跟蹤回路因為檢測速度波門超限而被打破；噪聲干擾的特征要素是噪底，干擾機釋放時將使噪底明顯抬高，以致淹沒目標信號，破壞探測系統的正常目標檢測，從而達到干擾效果。根據特征要素（距離、方位、速度、加速度、幅度或強度等）出現時空不相關的偏離現象，與先驗信息不相符的，時空關聯多跟蹤剔除邏輯將之識別為“小概率不可能”事件，從而實現將來自干擾或雜波的航跡剔除。簡單脈沖下，速度波門拖曳干擾與真實目標在多普勒維的差異性，如圖6所示。

圖6 PD雷達的速度波門拖曳干擾與目標的頻譜差異Fig.6 Spectrum difference between the speed gate drag interference and the real target in PD radar

針對具有多目標跟蹤能力的精確制導武器，經剔除處理后，在復雜電磁多目標環境中，探測系統可能依然能夠檢測并截獲多個目標，制導武器系統需要對其中1個優選目標進行檢測跟蹤閉環。

優選目標的確定：一方面根據制導武器系統的指示信息；另一方面基于檢測信息的相鄰幀進行設計。在無先驗信息情況下，記錄并保存每個待選目標的檢測數據“簇”，根據多假設跟蹤的處理邏輯[15]，設計具有時空關聯多跟蹤剔除方法，即假設每個掃描周期探測信號來自目標、雜波或干擾等，但只能由1 個源產生，同時探測空間中目標、雜波和干擾只能產生1 個探測信息，依此建立具有面向探測的關聯數據“簇”，當數據關聯發生沖突時，形成剔除邏輯判決策略，即雜波具有一定統計特征，干擾與真實目標在幅度、多普勒、距離、角度等方面具有一定差異性，根據目標航跡的時序連貫性和雜波或干擾的空時突變性[16-17]，對多跟蹤目標進行專家打分和評價，迭代剔除“小概率不可能”的跟蹤事件，即得分低航跡，優選得分最高的檢測，以完成對多目標的跟蹤剔除，最終實現精確打擊效能。

根據裝訂目標的先驗信息，建立上述數據“簇”中各特征元素的一階差分式（1）和二階差分式（2）的專家經驗可行觀察范圍B1=[]和B2=[]，定義如下式（3）和（4）的一、二階差分生成的符號函數：

從而有某一維特征元素形成的綜合符號函數：

式（5）中，α和β為經驗的權重系數，且α+β=1。

本文提出的時空關聯多跟蹤剔除的多源數據融合方法結構框圖，如圖7 所示，主要包括數據聚簇、航跡關聯、多跟蹤專家評估與剔除等處理過程。

圖7 時空關聯多跟蹤剔除算法流程Fig.7 Flow of space-time correlation and multi-tracking elimination algorithm

基于以上推算專家評估[18-19]1 條航跡質量的得分情況，按照如下原則累計：

1）航跡建立后，初始賦分為10；

2）統計航跡中每1個特征元素的綜合符號函數，若連續N個時刻出現“1”，則歷史得分減1；

3）若連續N個時刻都為“0”，則歷史得分加1。

若航跡得分出現0，則將其從數據“簇”序列中剔除。在導引制導環路，選擇航跡得分最高的目標進行檢測跟蹤并攻擊。

3 仿真驗證

時空關聯多跟蹤剔除邏輯是基于干擾、雜波與真實目標的特征元素在時間維上差異性，將數據“簇”的數據要素進行融合關聯，剔除“小概率不可能”事件，進而保留“可能”事件，依據專家經驗評估打分閉環跟蹤優選目標，從而實現時空連貫性跟蹤剔除。為驗證設計邏輯的正確性，假設場景中只有1個目標，目標從起始點（500，3 000）m 處起飛，沿x方向勻速運動，在x=1.4 km 位置，出現2種不同速度的距離波門牽引干擾（RGPⅠ）迎頭面向雷達運動，被跟蹤剔除后，在x=2.3 km 位置，距離波門拖引干擾（RGPO）遠離雷達運動，實施距離波門拖偏干擾。本文所提方法的干擾對抗效果，如圖8所示。

可以看出，本文設計的時空關聯多跟蹤剔除方法能夠跟蹤目標和干擾，并最終實現將干擾航跡剔除。

4 結論

針對場景內有限敏感目標或隱身目標的探測跟蹤問題，通過研究一體化作戰系統中多源異構數據融合——數據濾波、航跡關聯、數據簇和多目標跟蹤等，提出了1 種時空關聯多跟蹤剔除的多源數據融合方法，重點介紹了時空關聯多跟蹤剔除的設計邏輯是目標、干擾和雜波的空時特征差異性，并根據專家評估打分建立優選目標航跡和剔除“小概率不可能”航跡。典型的干擾對抗仿真試驗表明，本文設計的時空關聯多跟蹤剔除對多源數據融合問題具有一定參考價值。