摘要：本文考慮了一類目標運動模型未知且多傳感器異步采樣情況下的移動目標定位跟蹤問題，提出了一種僅依賴于測量信息的數據驅動目標跟蹤定位方法。為了解決運動模型未知的問題，依據測量模型及量測范圍設計分布式神經網絡結構，進而基于神經網絡建立量測數據至狀態變量的映射關系。在此基礎上，針對多速率多傳感器數據的異步問題，引入了一種基于上一量測更新時刻的數據補償策略，構建以時間差為輸入特征的權值網絡模型，進而提出一種利用迭代學習逼近真實目標位置的目標定位算法。最后，通過實驗對所提出方法的優越性和有效性進行了驗證。

　　關鍵詞：目標跟蹤;多傳感器融合估計;神經網絡;多速率采樣;數據驅動

　　近年來，目標跟蹤作為多傳感器融合技術的重要應用，其不僅受到軍事和航空航天領域的關注，如空空導彈跟蹤、無源被動定位及機動目標跟蹤等，而且在民用領域中也得到了很大的發展，如智能交通系統、應急定位和移動基站定位等。隨著傳感器技術與計算機能力的快速發展，目標跟蹤技術可通過各類傳感器采集運動目標的相關數據，進而設計算法對數據進行處理和優化，以此得到目標的實時位置。

　　傳統的定位方法中，有基于時間的到達時間TOA和到達時間差TDOA方法，基于角度的到達角度AOA方法，以及基于信號的接收信號強度RSSI定位方法;此外，仍存在一些基于濾波估計的定位方法10。值得注意的是，傳統的大多數跟蹤算法都依賴于目標運動模型，精確的目標運動模型結合精確的傳感器測量數據可以準確獲得目標的位置。然而，對于未知的移動目標，其運動模型很難準確獲得。特別是在航空軍事領域中，針對未知機動目標的定位跟蹤，難以通過運動模型實現精確定位，但這類應用卻又需要基于定位結果完成上層決策任務，只有定位精確才能保證判斷決策的準確性13。

　　因此，本文將研究一種僅依賴于傳感器量測信息的目標跟蹤定位方法。事實上，針對運動模型可靠性對估計精度影響情況的研究中，文獻指出在運動模型不精確情況下，濾波算法的估計精度比直接根據量測數據得到的定位精度更差。這表明雖然通過引入精確的目標運動模型執行濾波算法可以提高估計精度，但若是不精確的模型反而會使估計精度下降。特別地，傳統卡爾曼濾波算法及其優化改進算法通過迭代計算的方式進行狀態估計，若目標的狀態模型存在誤差，那么誤差將會隨迭代過程不斷傳遞并且難以消除，使得估計誤差越來越大，從而進一步造成估計精度降低。

　　因此，目標運動模型的引入并不能一定保證估計精度的提高，而且實際中精確的數學模型很難準確獲得，從而導致基于運動模型的算法在這種情況下并不可靠。為了克服這一缺陷，一些目標跟蹤定位工作僅基于傳感器測量數據設計跟蹤算法。通常情況下，測量模型的建立較為簡單，且模型具體形式主要取決于傳感器的類型，因此模型中的參數也都能被準確地獲取。

　　特別地，文獻20在不依賴于狀態模型的基礎上，分別使用極大似然估計和將測量數據投影至狀態空間的方式，由觀測數據直接進行狀態估計，同樣能夠達到較高的估計精度。文獻則是將原有定位問題轉化為非線性最小二乘優化問題，最后利用高斯牛頓優化的方式求解定位結果。此類算法雖然不依賴運動模型，但要求測量模型不能過于復雜，若涉及非線性模型便無法直接求解，僅能通過優化算法解決，而優化算法則會產生額外的計算復雜度，導致難以實際應用。另一方面，基于單傳感器數據的跟蹤定位精度已不能滿足日益增長的實際需求，為了提高精度，利用多傳感器信息融合技術可以獲得更準確的估計結果。

　　但無論是同構或是異構傳感器，在數據采集的過程中不可避免出現采樣異步的情況，進而導致融合中心無法在同一時刻處理所有量測信息。為了解決這種多傳感器多速率系統的狀態估計問題，目前大多數研究方法主要分為兩類，一是基于多尺度系統理論，使用小波分解以及重構的方式對僅有部分測量信息進行估計或補充，從而完成融合估計算法;另一類則是對傳統濾波方法進行改進，如增強狀態提升方法，通過狀態增廣的方式處理多速率系統估計問題，但是這種方法需要在接收到所有傳感器采樣周期最小公倍數的時間間隔內的量測信息再進行狀態估計。此外，狀態迭代方法通過建立觀測采樣時刻和狀態更新時刻的狀態空間模型，然后設計相應的狀態估計器。雖然避免了時間上的等待，但仍需要基于多傳感器多速率系統更復雜的狀態空間模型。

　　與此同時，在實際中針對特定目標建立其運動模型需要耗費大量資源，并且難以保證模型的可靠性。因此，考慮到節約成本和傳感器能量，本文將研究僅基于量測信息的多速率采樣下的狀態估計問題，從而實現基于量測數據的目標跟蹤定位方法。根據前文分析，本文針對運動模型未知的目標跟蹤問題，基于異步多速率量測信息，提出了一種基于學習策略的多速率融合定位方法。本文的主要創新點如下：

　　1)提出一種基于量測信息的目標跟蹤定位方法，利用神經網絡學習量測數據至目標位置狀態的映射關系，從而能夠直接依據量測信息實現精準定位;2)針對多傳感器異步采樣問題，設計了一種量測信息補償策略，在傳感器量測缺失時刻將前次量測更新時的數據作為補償，并依據數據源時刻距缺失時刻的時間差大小評判補償數據可靠性，將時間差一同作為神經網絡的輸入，從而實現基于多速率測量數據的移動目標位置狀態估計;搭建目標跟蹤定位平臺，通過實驗對所提方法進行驗證，結果表明基于所提出的方法能夠較好地對移動目標進行實時跟蹤定位。

　　1問題描述

　　在研究目標跟蹤定位問題時，傳統方法常考慮使用如下狀態空間模型來描述目標的運動軌跡，多由系統本身特性所產生。注意到，實際的運動模型中大多存在非線性因素，而精確的模型參數難以獲得，使得依賴狀態空間模型的跟蹤定位算法效果變差甚至失效。因此，除了目標本身的先驗信息外，還需要通過傳感器采集目標運動過程中的相關數據，如通過雷達、紅外傳感器和圖像傳感器等獲取目標方位角、距離或速度信息。假設在起始時刻三個傳感器均可采集數據，可以看出經過一個采樣間隔后，只有基準傳感器能夠采集數據;再經過一個基準采樣間隔，在時刻傳感器一和二可得到測量數據。

　　這種情況下，測量數據的不完整可能導致較大的跟蹤誤差，若已知目標的運動模型，則可根據模型求解未知測量數據的預測值，然后將測量數據補充完整。但在未知運動模型的條件下，無法依賴于模型完成對測量數據的補充，獲取目標運動信息的唯一來源便是殘缺的測量數據，從而使得跟蹤算法設計難度變得更大。為了解決跟蹤算法對目標運動模型的依賴，本文致力于研究如何根據量測信息獲取移動目標的位置狀態估計;同時，針對采樣頻率不一致導致的測量數據缺失問題，基于學習策略挖掘多速率測量數據中的有效信息，實現對未知目標的跟蹤和定位。

　　注1：傳統目標跟蹤算法主要依賴于狀態模型，先根據狀態模型對狀態進行預測得到預測狀態，之后再根據下一時刻的量測數據對預測值進行修正，從而得到更接近實際狀態的結果。然而，未知移動目標的精確狀態模型需要花費大量的資源去獲取。同時，針對非合作目標，目標運動模型更是一無所知，從而導致跟蹤難度驟升甚至無法跟蹤。與狀態模型不同，測量模型的獲取難度較小，且模型中的參數也可由傳感器獲取。因此本文擬基于量測信息研究移動目標的跟蹤定位問題。

　　2主要結果

　　針對無運動模型的目標跟蹤問題時，移動目標的相關信息可通過傳感器獲取，而若所用傳感器種類可以確定，則測量模型的具體形式便同樣可以確定。

　　3實驗驗證

　　為驗證本文所提方法的可行性，本文在搭建的目標跟蹤定位平臺上設計了基于多傳感器多速率量測數據的移動目標定位實現。本實驗使用五臺urtle機器人，其中四臺機器人的激光雷達被作為外部傳感器。與此同時，機器人搭載OS操作系統，可通過外部控制移動方向及速度大小。在移動過程中通過頂端高精度相機采集圖像，利用計算機視覺方法得到機器人的實時移動位置，以此作為移動目標的實際參考位置。其次，通過仿真獲取所需的訓練數據，設置與各個傳感器位置相對應的測量范圍，主要是上下、左右四個邊界條件。

　　結論本文針對一類運動模型未知且傳感器采樣頻率不一致情況下的移動目標跟蹤問題，研究出一種基于學習策略的融合定位算法，其創新性體現于：

　　1)提出一種基于學習策略求解“觀測數據——狀態變量”映射關系的方法，拋棄了傳統濾波算法需要目標先驗模型信息已知的假設，不再依賴于目標運動模型，而僅基于傳感器量測模型。2)為了解決多傳感器采樣頻率不一致的問題，考慮將時間差數據作為量測信息特征添加至神經網絡模型的輸入，并設計了對應的神經網絡內部結構，用于處理基于多速率測量數據的目標定位問題。最后，搭建目標跟蹤定位平臺，通過實驗驗證了本文所提算法的有效性和優越性。

　　事實上，目標定位跟蹤技術在航空航天領域發揮著重要作用，而本文所設計的算法可以為目標跟蹤技術在航空航天領域的應用提供一定理論基礎。例如，在航天器自主對接任務中，期間可以僅通過設備中多個傳感器的量測數據完成對目標航天器的精確定位以及位姿估計;針對太空中殘留的失效衛星和航天拋棄物等非合作目標的回收抓捕任務，雖然此類目標運動參數信息存在不確定性甚至未知，但仍可以利用本文算法進行目標定位跟蹤。

　　[參考文獻]

　　OSHMAY,ARAD.nhncairtomissiletrackingusingargetorientationobservations[J].JournalofGuidanceControlandDynamics,200,27:596606

　　[2]張蛟刑士勇王建華.一種具有角速度量測的多站無源目標跟蹤方法[J].兵工學報,2019,40):0714

　　HANGJ,XINSY,WANGJPassiveargetrackngofbservationtationswithngularelocityeasurement[J].ActaArmamentarii,2019,:10714(inChinese]

　　盧春光周中良劉宏強等.帶異步相關噪聲的戰斗機蛇形機動跟蹤算法[J].航空學報,20,):253266UC,ZHOU,LIU,etalAlgorithmfor ghtezigzagneuvertargettrackingwithcorrelatednoisesatoneepochapart[J].ActaAeronauticaETAstronauticaSinca,20,:25266(inChinese]

　　但雨芳馬慶祿.RFIDGPS和GIS技術集成在交通智能監管系統中的應用研究[J].計算機應用研究,2009,2612):462830ANYF,LogistitransportationsystembasedonintegrationofRFID,GPSandGIStechnologJ].pplicationResearchofCoputers,2009,2612:4628630(inChinese]

　　甄杰吳建新劉紀平等.一種單基站高精度室內應急定位方法[J].武漢大學學報信息科學版2020,45):1146115

　　ZHENJWUX,LIU,etalAighccuracyositioningethodforingleasetationinndoormergencynvironment[J].omaticsandInformationScienceofWuhanUniversity,2020,45:114154(inhinese

　　作者：陳博，岳凱，王如生，胡明南