基于DDDAS的智能無人機(jī)目標(biāo)跟蹤技術(shù)探討

一諾

智能無人機(jī)目標(biāo)跟蹤系統(tǒng)是一個(gè)傳感器、飛行器姿態(tài)、目標(biāo)以及環(huán)境不斷變化的動(dòng)態(tài)系統(tǒng)。而動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)系統(tǒng)（DDDAS）概念就是集成各種資源的實(shí)時(shí)動(dòng)態(tài)系統(tǒng)。本文詳細(xì)介紹了智能無人機(jī)目標(biāo)跟蹤系統(tǒng)的技術(shù)組成，給出了一種基于DDDAS概念的智能無人機(jī)目標(biāo)跟蹤系統(tǒng)設(shè)計(jì)框架。

移動(dòng)目標(biāo)的自動(dòng)識(shí)別與跟蹤技術(shù)是無人機(jī)自主進(jìn)行環(huán)境感知以及實(shí)現(xiàn)自主指揮控制的基礎(chǔ)。通常，無人機(jī)通過搭載傳感器設(shè)備或者借助地面部署的傳感器設(shè)備對(duì)探測區(qū)域環(huán)境進(jìn)行數(shù)據(jù)采集，機(jī)載計(jì)算平臺(tái)通過對(duì)目標(biāo)區(qū)域的數(shù)據(jù)信息進(jìn)行融合并分析，然后借助于相關(guān)的視覺算法以識(shí)別目標(biāo)，并通過目標(biāo)軌跡預(yù)測算法不間斷地跟蹤目標(biāo)，為后續(xù)的任務(wù)提供信息。顯然，提升目標(biāo)識(shí)別和跟蹤技術(shù)的自主性與穩(wěn)定性，對(duì)于保障無人飛行器完成任務(wù)的精準(zhǔn)度以及自身存活率都至關(guān)重要。目前，目標(biāo)識(shí)別與跟蹤技術(shù)已廣泛用于美軍無人機(jī)中。

技術(shù)背景

美軍“捕食者”無人機(jī)（左）和“全球鷹”無人機(jī)（右）。

無人機(jī)實(shí)施目標(biāo)識(shí)別跟蹤任務(wù)從系統(tǒng)角度出發(fā)可以分為設(shè)備層、數(shù)據(jù)層、信息層和指控層四個(gè)層面。其中，設(shè)備層是指無人機(jī)集成系統(tǒng)的所有設(shè)備，包含傳感器系統(tǒng)、計(jì)算處理系統(tǒng)、飛控系統(tǒng)以及其他一些平臺(tái)；數(shù)據(jù)層包含對(duì)傳感器采集的數(shù)據(jù)進(jìn)行轉(zhuǎn)換/存儲(chǔ)、融合等預(yù)處理操作；信息層是指通過一定的算法對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行分析和理解，從時(shí)間、空間等方面與目標(biāo)進(jìn)行關(guān)聯(lián)；指控層則是指基于目標(biāo)識(shí)別信息，對(duì)設(shè)備層進(jìn)行控制使其不間斷的跟蹤目標(biāo)。由于地面目標(biāo)以及飛行器自身始終處于不斷移動(dòng)過程中，因此用于識(shí)別的傳感器系統(tǒng)以及飛行器飛控系統(tǒng)需要不斷調(diào)整觀測方位以提高跟蹤的精度。當(dāng)前，超光譜成像技術(shù)被用來提高目標(biāo)跟蹤的精度，致使數(shù)據(jù)總量大幅提升，帶來數(shù)據(jù)傳輸、存儲(chǔ)的時(shí)間消耗增加，跟蹤應(yīng)用模型則需要花費(fèi)更多的時(shí)間來對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測，往往會(huì)導(dǎo)致圖像的跳動(dòng)、模糊或者目標(biāo)丟失等問題。

動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)應(yīng)用系統(tǒng)（DDDAS）概念的出現(xiàn)使得傳感器平臺(tái)與計(jì)算處理平臺(tái)的集成得以實(shí)現(xiàn)。DDDAS創(chuàng)新了一種新的模式，即通過動(dòng)態(tài)回路將測量數(shù)據(jù)應(yīng)用于仿真模擬的同時(shí)控制應(yīng)用系統(tǒng)設(shè)備執(zhí)行數(shù)據(jù)的測量。換句話說，傳感器被安排在目標(biāo)區(qū)域執(zhí)行偵察任務(wù)并且傳感器的姿態(tài)會(huì)跟隨飛行器和目標(biāo)的位置變化而變化。通常情況下，傳感器感知外部環(huán)境數(shù)據(jù)，然后經(jīng)過數(shù)據(jù)預(yù)處理后，進(jìn)行信息融合，以得到當(dāng)前目標(biāo)的狀態(tài)信息。然后，控制平臺(tái)按照內(nèi)置的策略數(shù)據(jù)庫的內(nèi)容通過內(nèi)置的算法對(duì)資源進(jìn)行管配和任務(wù)規(guī)劃，因此，無人機(jī)目標(biāo)跟蹤系統(tǒng)適用于DDDAS框架。一個(gè)智能化的跟蹤系統(tǒng)是由自動(dòng)目標(biāo)識(shí)別系統(tǒng)（ATR）、目標(biāo)的軌跡預(yù)測模型以及聯(lián)合觀測與計(jì)算的智能無人機(jī)控制算法組成。

（上）智能無人機(jī)目標(biāo)跟蹤體系框架。

（中）一般DDDAS框架圖。

（下） ATR系統(tǒng)組成。

自動(dòng)目標(biāo)識(shí)別系統(tǒng)

無人機(jī)中的自動(dòng)目標(biāo)識(shí)別（ATR）系統(tǒng)是無人機(jī)光學(xué)系統(tǒng)的核心部分，為無人機(jī)實(shí)現(xiàn)目標(biāo)探測、偵察監(jiān)視提供了有力支持。ATR技術(shù)的水平很大程度決定了無人機(jī)的智能水平。當(dāng)前無人機(jī)自動(dòng)目標(biāo)識(shí)別系統(tǒng)主要由信息采集設(shè)備、信息存儲(chǔ)設(shè)備和信息處理機(jī)組成。

ATR系統(tǒng)的信息采集設(shè)備主要是光學(xué)圖像采集設(shè)備（如高頻成像設(shè)備、紅外成像設(shè)備等）實(shí)現(xiàn)對(duì)目標(biāo)圖像的采集。ATR核心部分主要是圖像識(shí)別算法，它通過對(duì)圖像中物體提取的特征與待識(shí)別目標(biāo)的特征進(jìn)行匹配來檢測出目標(biāo)并進(jìn)行跟蹤。常用的目標(biāo)識(shí)別方法有以下幾種：

（1）經(jīng)典的統(tǒng)計(jì)模式識(shí)別方法

該方法主要是利用目標(biāo)特性的統(tǒng)計(jì)分布，依靠目標(biāo)識(shí)別系統(tǒng)的大量訓(xùn)練和基于模式空間距離度量的特征匹配分類技術(shù)，可在較窄的場景定義域內(nèi)獲得較有效的識(shí)別。該方法是早期使用的方法，僅在很窄的場景定義域內(nèi)，且在目標(biāo)圖像和周圍背景變化不大的情況下才比較有效，難以解決姿態(tài)變化、目標(biāo)污損變模糊、目標(biāo)部分被遮蔽等問題。

（2）基于知識(shí)的自動(dòng)目標(biāo)識(shí)別方法,

20世紀(jì)70年代末，人工智能專家系統(tǒng)開始應(yīng)用到ATR的研究,形成了基于知識(shí)的ATR，即知識(shí)基（Knowledge Based，KB）系統(tǒng)?；谥R(shí)的算法在一定程度上克服了經(jīng)典統(tǒng)計(jì)模式識(shí)別法的局限性和缺陷,該方法目前存在的主要問題是可供利用的知識(shí)源的辯識(shí)和知識(shí)的驗(yàn)證很困難,同時(shí)難以在適應(yīng)新場景中有效地組織知識(shí)。

（3）基于模型的自動(dòng)目標(biāo)識(shí)別方法

模型基（Model Based，MB）的方法首先是將復(fù)雜的目標(biāo)識(shí)別的樣本空間模型化,這些模型提供了一種描述樣本空間各種重要變化特性的簡便途徑。典型的MB系統(tǒng)抽取一定的目標(biāo)特性,并利用這些特性和一些輔助知識(shí)來標(biāo)記目標(biāo)的模型參數(shù),從而選擇一些初始假設(shè),實(shí)現(xiàn)目標(biāo)特性的預(yù)測。MB系統(tǒng)的最終目標(biāo)是匹配實(shí)際的特性和預(yù)測后面的特性,若標(biāo)記準(zhǔn)確,匹配過程則會(huì)成功和有效。該方法目前尚限于實(shí)驗(yàn)室研究階段。

（4）基于多傳感器信息融合的自動(dòng)目標(biāo)識(shí)別方法

單一傳感器的導(dǎo)引頭在有光、電干擾的復(fù)雜環(huán)境中,目標(biāo)搜索和知識(shí)識(shí)別的能力、抗干擾能力及其工作可靠性都將降低。20世紀(jì)80年代興起的基于多傳感器信息融合ATR方法克服了單一傳感器系統(tǒng)的缺陷,每個(gè)傳感器將數(shù)據(jù)饋入各自的信號(hào)處理機(jī),先分別進(jìn)行目標(biāo)檢測,得出有無目標(biāo)的判決以及目標(biāo)的位置信息或運(yùn)動(dòng)軌跡,然后將這些信息送入數(shù)據(jù)融合單元,對(duì)目標(biāo)位置或運(yùn)動(dòng)軌跡進(jìn)行關(guān)聯(lián)后再做進(jìn)一步的判決。

（左）四旋翼無人機(jī)自動(dòng)跟蹤系統(tǒng)。

（右）基于DDDAS的智能無人機(jī)目標(biāo)跟蹤系統(tǒng)框架。

（5）基于統(tǒng)計(jì)學(xué)習(xí)的自動(dòng)目標(biāo)識(shí)別方法

基于統(tǒng)計(jì)學(xué)習(xí)的方法是通過對(duì)大量目標(biāo)樣本和非目標(biāo)樣本的學(xué)習(xí)得到一系列的統(tǒng)計(jì)特征,然后根據(jù)這些特征構(gòu)建相應(yīng)的模型,用于檢測和識(shí)別目標(biāo)。與基于知識(shí)特征方法最大的不同就在于構(gòu)建模型的參數(shù)是從大量樣本中提取的統(tǒng)計(jì)特征，能夠更好地反映樣本間的本質(zhì)區(qū)別，具有更好的魯棒性。當(dāng)前，ATR的核心技術(shù)聚焦在如何有效的提取和選取識(shí)別目標(biāo)特征上，而基于深度學(xué)習(xí)的統(tǒng)計(jì)學(xué)習(xí)自動(dòng)識(shí)別法因?yàn)樗惴ǖ母咝砸约棒敯粜哉谥饾u成為主流。

在復(fù)雜的環(huán)境下辨別出目標(biāo)之后，下一步就是對(duì)目標(biāo)的跟蹤監(jiān)視。智能無人機(jī)的地面目標(biāo)跟蹤系統(tǒng)分為兩個(gè)部分：第一部分由視覺信息處理和攝像機(jī)姿態(tài)控制器組成，控制器根據(jù)目標(biāo)圖像等信息調(diào)整攝像機(jī)的姿態(tài)使目標(biāo)始終位于攝像機(jī)的視野范圍內(nèi)，實(shí)現(xiàn)視覺跟蹤；第二部分由無人機(jī)軌跡規(guī)劃和機(jī)載飛行控制器組成，即首先根據(jù)自身的飛行位姿和攝像機(jī)的姿態(tài)等信息估計(jì)目標(biāo)的位置，然后規(guī)劃飛行軌跡，最后控制無人機(jī)跟蹤該軌跡實(shí)現(xiàn)目標(biāo)跟蹤飛行。

目標(biāo)跟蹤系統(tǒng)

目標(biāo)跟蹤的目的就是通過對(duì)攝像頭獲得的圖像序列進(jìn)行分析，計(jì)算出目標(biāo)在每一幀圖像上的二維位置坐標(biāo)，并根據(jù)不同的特征值，將圖像序列中不同幀內(nèi)同一運(yùn)動(dòng)目標(biāo)關(guān)聯(lián)起來，得到各個(gè)運(yùn)動(dòng)目標(biāo)完整的運(yùn)動(dòng)軌跡，即在連續(xù)的視頻序列中建立運(yùn)動(dòng)目標(biāo)的對(duì)應(yīng)關(guān)系。簡單來說，就是在下一幅圖像中找到目標(biāo)的確切位置。這就涉及到攝像機(jī)姿態(tài)控制以提前預(yù)測目標(biāo)在下一時(shí)刻的運(yùn)動(dòng)軌跡。目前，目標(biāo)跟蹤方法大體上可以根據(jù)任務(wù)目標(biāo)的不同分為基于區(qū)域的跟蹤、基于輪廓的跟蹤、基于特征的跟蹤和基于運(yùn)動(dòng)特性的跟蹤。

（1）基于區(qū)域的跟蹤

依靠目標(biāo)區(qū)域的信息，如顏色、紋理或基于運(yùn)動(dòng)的屬性進(jìn)行跟蹤?；趨^(qū)域的跟蹤方法使用運(yùn)動(dòng)估計(jì)或分割的技術(shù)，對(duì)目標(biāo)的跟蹤基于在不同時(shí)刻相關(guān)聯(lián)的目標(biāo)區(qū)域的對(duì)應(yīng)。這種操作通常非常耗時(shí)，需要對(duì)整個(gè)區(qū)域進(jìn)行點(diǎn)對(duì)點(diǎn)的相關(guān)計(jì)算，可以利用參數(shù)化的運(yùn)動(dòng)模型進(jìn)行加速，使用較小的參數(shù)集合來對(duì)目標(biāo)運(yùn)動(dòng)進(jìn)行描述，利用整個(gè)區(qū)域提供的信息而增加魯棒性?；趨^(qū)域的跟蹤法適用于剛體和非剛體運(yùn)動(dòng)，通過結(jié)合多種信息一般可得到較好的跟蹤效果。

（2）基于輪廓的跟蹤

基于輪廓的跟蹤思想是利用物體的邊界輪廓作為模板，在后繼幀的二值邊緣圖像中跟蹤目標(biāo)輪廓，并且該輪廓能夠自動(dòng)連續(xù)地更新。相對(duì)于基于區(qū)域的跟蹤方法，輪廓跟蹤方法在計(jì)算量較小的情況下基本上可以達(dá)到較好的匹配效果，如果開始能夠合理地分開每個(gè)運(yùn)動(dòng)目標(biāo)并實(shí)現(xiàn)輪廓初始化的話，既使在有部分遮擋存在的情況下也能連續(xù)地進(jìn)行跟蹤，但是這種方法的一個(gè)主要問題是易受到噪聲的干擾，如果背景中出現(xiàn)和目標(biāo)的統(tǒng)計(jì)特性相近的區(qū)域，那么跟蹤就會(huì)失敗，并且目標(biāo)外輪廓的初始化也是比較困難的。

（3）基于特征的跟蹤

這種方法包括特征的提取和特征的匹配兩個(gè)過程，一般可供提取的特征包括角點(diǎn)、線段、紋理、質(zhì)心、小面或局部能量等。在基于特征的目標(biāo)跟蹤中，圖像特征的標(biāo)準(zhǔn)化和參考點(diǎn)的配準(zhǔn)對(duì)準(zhǔn)是很重要的，可能需要將圖像轉(zhuǎn)換到另一個(gè)空間中以處理亮度、大小和定向的變化。提取一個(gè)或一個(gè)以上的特征并根據(jù)這些特征對(duì)感興趣的目標(biāo)進(jìn)行模型化。其優(yōu)點(diǎn)是，即使場景中出現(xiàn)部分遮擋，只要有一些特征點(diǎn)可見，仍可以保持對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。采用基于特征的方法計(jì)算量明顯小于基于區(qū)域和邊緣輪廓的方法，較適用于實(shí)時(shí)系統(tǒng)中。但在跟蹤過程中，存在遮擋和噪聲等原因造成的特征消失或出現(xiàn)虛假特征以及消失的特征再現(xiàn)等問題。另外，該方法需要進(jìn)行特征聚類，從眾多的特征中分析出哪些是屬于同一個(gè)目標(biāo)的。因此選取出具有代表性的特征點(diǎn)也是這個(gè)算法的主要困難。

（4）基于運(yùn)動(dòng)特性的跟蹤

基于運(yùn)動(dòng)特性的目標(biāo)跟蹤算法復(fù)雜度比較低。一般可分為兩種：一種是依據(jù)目標(biāo)運(yùn)動(dòng)的連續(xù)性進(jìn)行關(guān)聯(lián)的算法,被用在多種跟蹤算法相融合的場合，只需要較少的運(yùn)算就可以大大提高跟蹤的準(zhǔn)確性另外一種是運(yùn)動(dòng)預(yù)測跟蹤算法，可以估計(jì)目標(biāo)在下一時(shí)刻可能的位置，然后以這個(gè)估計(jì)的位置為中心，再擴(kuò)展到一定的區(qū)域內(nèi)進(jìn)行目標(biāo)搜索，由于縮小了目標(biāo)的搜索范圍，從而提高了目標(biāo)的跟蹤速度。通過預(yù)測目標(biāo)位置來進(jìn)行跟蹤最大的特點(diǎn)是一方面可以減小搜索范圍，另一方面又可以在一定程度上解決了遮擋問題。在較多的場合中經(jīng)常使用濾波來實(shí)現(xiàn)目標(biāo)短暫丟失情況下的精確預(yù)測和縮小搜索范圍。基于運(yùn)動(dòng)特性跟蹤方法的缺點(diǎn)是在處理非剛性運(yùn)動(dòng)或非剛性目標(biāo)時(shí)存在一定困難。

基于DDDAS的目標(biāo)跟蹤系統(tǒng)框架圖。

根據(jù)不同的目標(biāo)跟蹤算法預(yù)測出目標(biāo)的可能軌跡之后，需要調(diào)整飛行器的飛行狀態(tài)以及攝像頭的探測姿態(tài)，該部分涉及多體系統(tǒng)的姿態(tài)控制，需要仔細(xì)設(shè)計(jì)智能無人機(jī)的目標(biāo)跟蹤控制系統(tǒng)。

無人機(jī)的觀測與其運(yùn)動(dòng)狀態(tài)（位置和方向）密切相關(guān)。但是，無人機(jī)只能在嚴(yán)格的物理約束條件下通過連續(xù)航跡調(diào)節(jié)自身位置、速度和方向。傳感器視野約束和平臺(tái)運(yùn)動(dòng)約束給信息處理和平臺(tái)控制帶來新的挑戰(zhàn)，由此帶來兩個(gè)關(guān)鍵問題：（1）如何持續(xù)的維持對(duì)目標(biāo)狀態(tài)估計(jì)；（2）如何實(shí)時(shí)調(diào)整傳感器平臺(tái)位置保持對(duì)目標(biāo)覆蓋。目標(biāo)狀態(tài)估計(jì)要求基于觀測平臺(tái)自身的完全狀態(tài)（位置和速度），以及被觀測目標(biāo)的測量信息（相對(duì)位置、距離等），確定目標(biāo)對(duì)象在全局坐標(biāo)下的位置、速度和方向等信息。目標(biāo)狀態(tài)估計(jì)的意義在于：一方面，準(zhǔn)確估計(jì)目標(biāo)狀態(tài)是跟蹤任務(wù)的最終目的；另一方面，無人機(jī)運(yùn)動(dòng)控制模塊需要持續(xù)的目標(biāo)狀態(tài)估計(jì)以作為目標(biāo)函數(shù)。

觀測路徑指傳感器所在運(yùn)動(dòng)平臺(tái)的航跡。觀測路徑和傳感器觀測方向確定了傳感器觀測的覆蓋區(qū)域。傳感器觀測路徑優(yōu)化的意義在于目標(biāo)狀態(tài)估計(jì)性能依賴于特定的傳感器觀測路徑。目標(biāo)運(yùn)動(dòng)估計(jì)結(jié)果的準(zhǔn)確性與特定觀測路徑構(gòu)成因果關(guān)系，部分航跡可以獲得更好的性能。因此，在基于視覺的無人機(jī)目標(biāo)跟蹤中，一種思路是通過產(chǎn)生近似最優(yōu)的觀測路徑提高基于單目視覺的目標(biāo)狀態(tài)估計(jì)，再以提升的目標(biāo)狀態(tài)估計(jì)生成新的觀測路徑，最終實(shí)現(xiàn)對(duì)目標(biāo)的有效跟蹤。

一般的，設(shè)計(jì)人員會(huì)從三個(gè)方面設(shè)計(jì)智能無人機(jī)控制系統(tǒng)：首先根據(jù)目標(biāo)的位置規(guī)劃無人機(jī)的理想飛行軌跡；然后設(shè)計(jì)飛行控制器使無人機(jī)跟蹤該軌跡，實(shí)現(xiàn)跟蹤目標(biāo)飛行；最后給出一種攝像機(jī)姿態(tài)控制方法使得跟蹤過程中目標(biāo)始終位于圖像中心，實(shí)現(xiàn)視覺跟蹤。因此，整個(gè)智能無人機(jī)基于DDDAS的目標(biāo)跟蹤系統(tǒng)框架就顯而易見了：機(jī)載攝像機(jī)不斷得到目標(biāo)區(qū)域的圖像，機(jī)載處理平臺(tái)根據(jù)視覺處理算法識(shí)別目標(biāo)并鎖定目標(biāo)，之后根據(jù)目標(biāo)軌跡判斷目標(biāo)下一刻的位置，然后調(diào)整飛行器的姿態(tài)以及攝像機(jī)的姿態(tài)已保證目標(biāo)的不間斷跟蹤。需要指出的是整個(gè)過程是一個(gè)數(shù)據(jù)不斷注入計(jì)算模型的動(dòng)態(tài)過程。

總結(jié)

基于DDDAS的智能無人機(jī)目標(biāo)跟蹤系統(tǒng)要求真實(shí)的評(píng)估監(jiān)測區(qū)域所處的背景、環(huán)境以及情形。本文從原理上探討了DDDAS與無人機(jī)目標(biāo)跟蹤系統(tǒng)相互結(jié)合的可能性。然而，當(dāng)前DDDAS在目標(biāo)跟蹤系統(tǒng)上的應(yīng)用還主要受到以下的幾個(gè)限制：

（1）DDDAS表述了一種復(fù)雜的環(huán)境下各種資源之間相互協(xié)作集成的概念，這種復(fù)雜性涉及大量的數(shù)據(jù)的傳遞與計(jì)算，在一定程度上增加了計(jì)算平臺(tái)的處理耗時(shí)；

（2）DDDAS系統(tǒng)對(duì)傳感器精度以及控制算法模型的準(zhǔn)確度有較高的要求以幫助實(shí)時(shí)預(yù)測目標(biāo)的行動(dòng)軌跡；

（3）DDDAS系統(tǒng)對(duì)于動(dòng)態(tài)過程中大量數(shù)據(jù)不斷注入計(jì)算模型可能出現(xiàn)的算法不穩(wěn)定提出了要求。

由此可見，基于DDDAS的目標(biāo)跟蹤系統(tǒng)發(fā)展趨勢為：（1）高性能的機(jī)載計(jì)算處理平臺(tái)的開發(fā)，已實(shí)現(xiàn)實(shí)時(shí)快速的計(jì)算；（2）多模塊傳感器數(shù)據(jù)融合技術(shù)的發(fā)展以實(shí)現(xiàn)目標(biāo)數(shù)據(jù)的準(zhǔn)確輸入；（3）控制算法模型精度的提高，以提高目標(biāo)預(yù)測精度；（4）計(jì)算模型穩(wěn)定性的提高，以抵御數(shù)據(jù)流注入帶來的算法不穩(wěn)定問題。因此，隨著大數(shù)據(jù)、云計(jì)算以及高性能計(jì)算技術(shù)的出現(xiàn)，DDDAS作為一種實(shí)時(shí)快速準(zhǔn)確的方法會(huì)更加滿足智能化無人機(jī)目標(biāo)跟蹤系統(tǒng)的需求。 ■