目标密集环境下的多传感器航迹融合算法研究

In the dense target environment, the information capacity is huge, the relationships among information are complicate, the number of the detected targets is large, and the target motion mode is changeable. So track fusion in the dense target environment has become a very challenging and significant task..The project researches the theory and key technologies of track filter, track association and track state estimation fusion in the dense target environment. Firstly, the common track fusion methods in the current multi-sensor system exist some defects, such as inefficacy to uncertainty, especially high error on inflection points and so on. In response to these defects, the project focuses on the uncertainty of information, and researches the track filter method based on uncertainty analysis.Secondly, the track association problem may be very difficult in the dense target environment due to the existence of furcation, cross and combination tracks. At present, most of track association algorithms have experienced a substantial decline in accuracy when processes the above types of tracks. In response to the situation, the track association algorithm in the dense target environment is researched. Finally, most approaches fuse all the available sensor tracks and treat all sensor tracks equally regardless of their different contribution to the system tracks. Then, in order to solve the problem, the track state estimation fusion algorithm is researched.The results of this project will provide strong support for multi-sensor track fusion in dense target environment, and can realize high-precision track fusion based on the target motion model.

在目标密集环境下，信息容量巨大，信息之间的关系复杂，被探测的目标数量很多，且目标运动方式复杂多变，因此目标密集环境下的航迹融合问题是一个具有挑战性的课题，具有重要的研究价值。.本课题对目标密集环境下多传感器航迹融合中的航迹过滤、航迹关联、航迹状态估计融合等理论和关键技术进行研究。针对目前多传感器航迹融合系统不能很好处理不确定性、对曲线航迹拐点的融合误差较大的情况，将降低信息的不确定程度作为重点考虑的问题，研究基于不确定性分析的航迹过滤方法；针对目前大部分航迹关联算法在对交叉、分叉、合并航迹进行关联处理时，关联精度大幅下降的情况，研究目标密集环境下的航迹关联算法；针对目前大多数融合方法融合所有传感器航迹，而不管其对系统航迹贡献如何的现状，研究多传感器航迹状态估计融合算法。本课题的成果将为目标密集环境下的多传感器航迹融合提供有力的支持，在建立目标运动模型的基础上，可以进行高精度的航迹融合。

航迹融合利用信息融合技术，将来自不同传感器的航迹进行有效的处理、关联和综合，估计出较融合前更为精确可靠的目标航迹。目标密集环境下的航迹融合问题是一个具有挑战性的课题，具有重要的研究价值。本课题对目标密集环境下多传感器航迹融合中的航迹过滤、航迹关联、状态估计融合等理论和关键技术进行研究，并给出了相应的解决方法。. 第一，目前，航迹融合过程多关注融合策略的适应性和完备性，而很少考虑传感器提供信息的不确定性。针对目前多传感器航迹融合系统不能很好处理不确定性，对曲线航迹拐点的融合误差较大等问题，将降低信息的不确定程度作为重点考虑的问题，提出了基于不确定性分析的航迹过滤方法。首先运用肖维涅准则对异常传感器进行检测，从总体上消除一部分不确定源，然后对每条参与融合的航迹进行不确定性分析，用正交多项式回归方法剔除传感器中的离群点，进一步降低航迹信息的不确定程度，为后续的航迹关联和状态估计融合提供更为可靠的航迹，解决了目前对曲线航迹拐点融合误差较大的问题。. 第二，航迹关联问题在目标密集环境下变得非常复杂，其复杂性主要由于三种典型航迹的存在，即交叉、分叉、合并航迹。目前大部分航迹关联算法在对这三种航迹进行关联处理时，都遇到正确关联率大幅下降的情况，针对这种现状提出了基于加权关联图的航迹关联算法。引入信息散度作为航迹点关联的标准，在此基础上构造加权关联图进行航迹点关联，并利用加权的思想计算关联质量，很好的反映了航迹之间的关联关系，有效解决了交叉、分叉、合并航迹的关联问题，提高了目标密集环境下航迹关联算法的性能。. 第三，目前大多数方法都是融合所有传感器航迹，而不考虑它们的质量和对系统航迹的贡献如何。为了从传感器航迹集合中选择适当数量的传感器航迹，在分析融合结果和参与融合的传感器航迹数量之间关系的基础上，提出了用启发式引导状态估计融合的思想。通过设计启发式函数引导状态估计融合过程，确保最优数量的传感器航迹参与状态估计融合。. 综上所述，本课题对目标密集环境下的多传感器航迹融合算法进行了研究，解决了目标密集环境下的航迹过滤、航迹关联以及状态估计融合等关键技术问题。