多平台声纳水下目标异步航迹序贯融合方法_陈洋.pdf

舰 船 电 子 工 程2023 年第 3 期1引言近几十年来，随着水声目标强度不断降低、海洋环境噪声不断加强，水声目标探测任务日益严峻，导致传统的探测手段的作用距离和作用效果不断下降1。为此，借助分布式融合技术来获取更好的探测性能，逐渐成为了研究的热门方向之一。通常，为了更准确的目标状态估计，在分布式融合方法中需要满足各平台量测数据是同步一致的约束条件2。然而，由于分布式平台声纳的采样率、量测精度可能存在差异，并且还可能存在平台时/空配准问题、数据滞后或丢包等问题，令这个约束条件很难满足，导致传统的同步融合算法在实际应用中性能严重下降，甚至无法进行数据融合。目前，主要将异步问题分为量测滞后、数据丢包、目标漏检等若干情况，并针对不同的异步问题采取相应的解决方法。对于量测滞后所导致的异步问题，Bar-Shalom等针对量测仅滞后一步和量测滞后多步的情况提出了解决方法。对于采样和传输速度不同导致的异步问题，许多学者也提出了一些解决方法，如分布式立方信息滤波、强无迹跟踪滤波器、转换测量卡尔曼滤波、粒子滤波、定时策略等方法38。此外，也有许多文献针对数据传输过程中数据丢包或传感器漏检所导致的异步问题进收稿日期：2022年9月15日，修回日期：2022年10月20日作者简介：陈洋，男，博士，工程师，研究方向：信息融合、多基地探测。卢术平，男，博士，高级工程师，研究方向：信息融合、多基地探测。丁烽，男，硕士，研究员，研究方向：多基地探测、水声信号处理。多平台声纳水下目标异步航迹序贯融合方法陈洋卢术平丁烽（杭州应用声学研究所杭州310013）摘要多平台协同探测是目前舰船编队水下目标探测的一种主流形式。然而，由于平台间存在探测、通信等方面造成的信息差异，导致数据融合过程中存在数据异步问题，难以融合形成目标航迹。为此，论文以序贯融合思想为基础，构建了异步数据融合方法框架，并改进了数据关联、融合算法，增加了航迹滤波算法，提出了一种新颖的多平台声纳水声目标异步数据的融合方法。仿真和两批实验数据处理结果表明，该方法在实际应用中具有解决上述问题能力。关键词多传感器数据融合；异步数据；序贯融合算法；航迹关联中图分类号TB566DOI：10.3969/j.issn.1672-9730.2023.03.039Multistatic Sonar Underwater Target Asynchronous Tracks FusionAlgorithmCHEN YangLU ShupingDING Feng（Hangzhou Applied Acoustic Research Institute，Hangzhou310013）AbstractMultistatic detection is a major form of target detection in underwater target detecting.However，due to the information differences caused by detection and communication between platforms，there is a problem of data asynchrony in the process ofdata fusion，which is difficult to fuse these tracks.Therefore，this paper proposes a novel algorithm based on sequential fusion theory，improves association algorithm，fusion algorithm and adds filter algorithm.A novel fusion method for asynchronous data ofmulti-platform sonar underwater acoustic targets is proposed.The simulation and two batches of experimental data processing resultsshow that this method has the ability to solve the above problems in practical applications.Key Wordsmultisensors data fusion，asynchrony data，sequential fusion algorithm，tracker associationClass NumberTB566总第 345 期2023 年第 3 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.3187总第345期行研究910。2异步数据融合问题描述异步融合问题的根本问题在于：由于我们通常使用离散时间系统模型来描述目标的连续运动过程，这就在多传感器数据融合算法的模型中，不仅要求了各传感器的观测过程是同步的，还要求了量测数据能够同步地到达融合中心2。假设一个目标的状态方程可以描述为xt+t=Ft+t|txt+t+t（1）其中，Ft+t|t为目标状态从t时刻到t+t时刻的状态转移矩阵，t+t为噪声矩阵。对于传统的多传感器融合算法而言，为了获取一个统计学上理论最优的融合估计结果，其融合算法大多数都约束每个传感器的数据是独立同分布的。但是，在实际应用中，由于每个传感器的时间戳均以各自平台为基准，以及声纳在传播过程中的声信道具有明显差异，导致各平台所描述的目标状态是存在明显差异的，即每个平台量测所得到的xt+t是有所不同的。当其中的时间差异t较小时，我们可以近似地得到一个较为准确的估计结果。但是，当多个传感器对该目标状态的量测差异较为明显时，即便不存在传感器的量测噪声，其融合结果也是不准确的，严重时可能还会影响算法的鲁棒性。因此，在实际应用中必须考虑如何解决传感器数据异步时的数据关联与融合问题。（a）量测周期不同（b）量测起始时间不同图1常见的水声异步问题如图1所示，由于量测周期或者量测起始时间不同，导致传感器获取到不同时间的目标状态时，此时数据融合结果是不准确的。3基于分段关联门限的多平台异步序贯融合方法目前常见的异步融合解决方案是序贯融合滤波思想11，因此本文在序贯融合方法框架下，针对由平台量测周期和起始时间不同导致的异步数据融合问题，提出了基于分段关联门限的多平台异步数据融合方法。3.1异步序贯融合框架本文主要采用一种根据各平台量测顺序，依次计算相对时间差，并外推全局航迹，再将“伪同步”的全局航迹与局部平台航迹进行数据融合，完成对全局航迹更新的方法。图2异步融合示意图通常，在水声目标跟踪探测领域中，常见的目标航迹状态向量X为目标的平面坐标及其速度，即X=x;y;vx;vy（2）由于目标短时内可近为匀速直线运动，因此可以借助式（3），将t0时刻的全局航迹x0i()t0通过外推法得到tk时刻的全局航迹预测，来实现全局航迹和局部平台航迹状态在时间上的一致。Xtk|t0=Ftk|t0Xt0=|10t0010t00100001|xyvxvy=|x+tvxy+tvyvxvy（3）其中，外推时间t为t=tk-t0（4）考虑到长时间不仅会导致航迹关联错误问题，而且还会大幅提高计算量，影响算法效率，因此本文仅对一定时间内的航迹进行外推，即将tMT内的航迹进行外推，其中MT为时间门限。3.2数据关联算法对于多目标跟踪问题而言，数据关联问题通常是最优先需要解决的。在本文中主要采用最近邻域算法12对航迹进行关联聚类。陈洋等：多平台声纳水下目标异步航迹序贯融合方法188舰 船 电 子 工 程2023 年第 3 期本文中，最近邻域算法的关联波门采用欧式距离。若两状态可以表示为x1;y1和x2;y2，那么这两个状态的欧式距离d为d=(x2-x1)2+(y2-y1)2（5）推广至两平台多目标航迹关联时，则有：=|d11d12d1nd21d22d2ndm1dm2dmnmn（6）那么，根据最近邻域关联算法理论，若两目标距离小于等于关联门限T，且满足为值是最小时，则可认为两个状态是最相关的。关联=|dijTdij=min()di,:dij=min()d:,j（7）由于本算法需要外推各局部平台的航迹，因此固定的门限T显然是不合适的。例如，由于模型的不准确、目标的航迹估计存在误差，导致外推时间长的航迹可能会存在较大误差，此时若采用较大门限，则会导致关联到错误航迹；若采用较小门限，则会导致无法正确关联目标航迹。因此，本文提出根据外推时间长短，采取一种分段式门限的最近邻域关联方法，即T=|T1,0tt1T2,t1tt2T3,t2tt3（8）其中，T1、T2为距离门限。3.3数据融合算法在实际应用中，由于多平台的局部航迹估计和全局航迹估计之间通常会存在未知大小的相关噪声，因此本文主要采用协方差交叉法（CovarianceIntersection，CI）13进行数据融合。对于双平台而言，该方法可以通过式（9）和式（10）实现：P-1cc=P-1aa+()1-P-1bb（9）P-1ccc=P-1aaa+()1-P-1bbb（10）其中，0,1为的最优权重，P为协方差矩阵，a,b表示两平台局部航迹估计，c表示融合航迹估计。将上述公式推广到多平台融合时，则有：P-1cc=1P-1a1a1+nP-1anan（11）P-1ccc=1P-1a1a1a1+nP-1ananan（12）3.4滤波算法由于水下弱目标探测环境的复杂性，局部平台跟踪结果中仍然可能存在许多干扰目标航迹，因此本文提出一种利用目标全局航迹的点迹个数、存活时间和目标运动状态进行滤波的方法，即目标特征函数滤波方法。对于一个全局航迹而言，首先统计该航迹的量测次数，若量测次数少于NT次，则该航迹很可能是个假航迹，即使是目标的航迹，其量测数据较少，也可能会导致后面统计评估方法不准。其次计算该航迹的存活时间s=t1-t0。这里，t1为该航迹最新一次更新时间，t0为第一次检测到该航迹的时间。最后，计算该目标的运动速度均值vmean=mean(v1,v2,)，这里mean()为均值函数。若sST且vmeanvmin,vmax，则输出该航迹，否则继续观察。这里ST为存活时间门限，vmin和vmax分别为检测目标速度的下限和上限。4实验数据分析本文借助了仿真和2017年、2021年两次试验数据进行实际数据验证分析。4.1仿真分析在-5000,5000-5000,5000（m2）的 范 围内，共模拟3个目标航迹100帧数据，其中目标1和目标2都从第1帧起出现，目标3为在第60帧时的新生目标，3个目标均在第 100帧时消亡。目标 1从位置()-500,2500以10节的速度向315（以X轴正向为起点逆时针计算）方向行驶；目标2从位置()-2000，1500处以 6节的速度向 0方向行驶；目标3则以4节的速度向225方向行驶。各平台的检测概率pD=0.6，平台的量测噪声的标准差为25m。平台1的量测周期为30s，平台2的量测周期为40s，且相对平台1滞后9s。此外，异步 融 合 算 法 的 参 数T=300(m)，MT=3(min)，s=5(min)，NT=10(个)。那么，两平台的跟踪结果和本算法的处理结果如图3所示。可以看出，由于两平台的采样率不同，探测起始时间不同，导致各平台探测目标数据量和时间是存在差异的，如图1的目标航迹数据量明显多于平台2。但是，经过本算法融合后，可以正确地形成三个目标的航迹，可见本算法可以有效地解决异步数据融合问题。4.2实验分析采用2017年中国某水域的一次实验数据对本方法进行验证。在本次实验中，数据时长约189总第345期30min，共有3个探测平台，并且3个平台的目标跟踪航迹结果如图4所示。（a）平台1跟踪航迹（b）平台2跟踪航迹（c）异步融合航迹结果图3仿真处理结果其中，算法相关参数设置为：T=1000(m)，MT=5