知識輔助的多模型機動目標跟蹤算法

黃建軍 王全輝 胡堅耀

(1.深圳大學(xué)信息工程學(xué)院，深圳, 518060；2.工業(yè)和信息化部電子第五研究所，廣州, 510610)

知識輔助的多模型機動目標跟蹤算法

黃建軍1王全輝1胡堅耀2

(1.深圳大學(xué)信息工程學(xué)院，深圳, 518060；2.工業(yè)和信息化部電子第五研究所，廣州, 510610)

多模型機動目標跟蹤技術(shù)是一種先進的目標跟蹤算法。由于目標類型越來越多、運動環(huán)境越來越復(fù)雜，僅使用位置量測進行目標跟蹤變得越來越難以滿足應(yīng)用要求。除位置量測之外，引入目標和環(huán)境相關(guān)的知識，對多模型算法中的模型集、轉(zhuǎn)移概率矩陣和模型概率這3個關(guān)鍵因素進行自適應(yīng)調(diào)整，可以有效提高機動目標跟蹤性能。本文對知識輔助多模型機動目標跟蹤算法的原理和方法等進行了分析。按照知識作用的對象(模型集、轉(zhuǎn)移概率矩陣和模型概率)和作用方式(智能法和非智能法)分別介紹了該類算法的原理及其特點,最后對該類算法下一步的研究方向和發(fā)展趨勢進行了展望。

機動目標跟蹤；知識輔助多模型算法；模型調(diào)整；轉(zhuǎn)移概率矩陣調(diào)整；模型概率調(diào)整

引 言

20世紀70年代以來，受航空、航天等應(yīng)用的驅(qū)動，機動目標跟蹤技術(shù)進入快速發(fā)展階段[1]。Singer于1970年提出了零均值一階時間相關(guān)機動加速度的Singer模型，奠定了機動目標跟蹤的研究基礎(chǔ)[2]。隨后出現(xiàn)了各種統(tǒng)計意義上的修正模型和自適應(yīng)算法[3]，其中周宏仁等提出的“當(dāng)前”統(tǒng)計模型對目標機動的預(yù)先假設(shè)比Singer模型更加符合實際情況，被公認為是一種有效的機動目標跟蹤方法[4, 5]。近年來，粒子濾波算法成為目標跟蹤領(lǐng)域的研究熱點。該算法采用基于非參數(shù)化的蒙特卡洛和遞推貝葉斯估計的濾波方法，不受系統(tǒng)非線性、非高斯的約束[6]。與此同時，基于生物仿生理論的一系列目標跟蹤算法也不斷涌現(xiàn)。如基于遺傳算法及其改進的各種目標跟蹤算法等，它們利用仿生學(xué)中的優(yōu)化理論來指導(dǎo)目標跟蹤過程，在某種程度上彌補了基于確定性方法的不足[7, 8]。上述機動目標跟蹤算法通常采用單一的運動模型，要求運動模型能夠準確地反映目標實際運動模式，當(dāng)運動模型與實際運動模式相差較大時，算法性能急劇下降[9-11]。為了解決該問題，采用多個模型同時工作的多模型目標跟蹤算法應(yīng)運而生。第一代多模型算法由Magill和Lainiotis提出[12]，由Maybech廣泛應(yīng)用并大力推廣[13]，算法中的所有濾波器相互之間獨立工作、不進行交互，與非多模型算法的區(qū)別在于它綜合了多個濾波器的輸出結(jié)果產(chǎn)生全局估計。Blom在基于廣義偽貝葉斯算法的基礎(chǔ)上提出交互式多模型(Interacting multiple model, IMM)算法[14]，該算法被認為是第二代多模型算法，與第一代不同之處是所有濾波器通過有效的內(nèi)在交互協(xié)調(diào)工作，能獲得更好的估計結(jié)果。隨后，在以Bar-Shalom和Li X R為首的研究者推動下，該算法得到了廣泛的應(yīng)用和發(fā)展[1, 15, 16]。IMM算法是一種基于固定模型集的算法，需要大量的模型來保證跟蹤精度。龐大的模型集不僅會導(dǎo)致計算量巨大，過于細化的模型空間可能破壞貝葉斯推理要求模型間獨立的要求，反而可能會降低跟蹤性能[17, 18]。為了解決這一問題，Li X R在文獻[19]中提出了第三代多模型算法：變結(jié)構(gòu)多模型(Variable structure multiple model, VSMM)算法。該算法使用兩層分級結(jié)構(gòu)：高層結(jié)構(gòu)負責(zé)模型集的確定，低層結(jié)構(gòu)依據(jù)確定的模型集進行多模型濾波處理。高層結(jié)構(gòu)采用一種稱為模型集自適應(yīng)(Model-set adaptation, MSA)的方法來獲得最佳模型集，因此建立高效、智能的MSA方法是VSMM算法理論研究的核心[20-22]。

由于傳感器技術(shù)、航空航天技術(shù)和智能制造技術(shù)等的快速發(fā)展，傳統(tǒng)的機動目標跟蹤算法面臨著越來越多的問題和挑戰(zhàn)，主要包括：(1)目標機動模式差異巨大。通用航空飛行器、無人機和自動無人搬運車等新興目標與以往傳統(tǒng)目標(民航、軍用飛機)相比，具有類型多、體積小和運動速度變化大的特點，使得新興目標的機動頻次更高且模式更復(fù)雜，傳統(tǒng)機動目標跟蹤算法難以應(yīng)對。(2)目標運動環(huán)境更復(fù)雜。傳統(tǒng)多模型算法假定目標運動在自由、無障礙的區(qū)域，不考慮環(huán)境因素對目標運動的影響。隨著研究的深入，人們發(fā)現(xiàn)對于低空、建筑物區(qū)域甚至建筑物內(nèi)部運動的目標，必須考慮環(huán)境對目標運動的影響。多模型算法由以前不考慮地形、地物的影響，到現(xiàn)在必須考慮這些因素的制約。(3)量測更具多樣性。近年來傳感器技術(shù)有了很多新的發(fā)展，比如多輸入多輸出(Multiple-input multiple-output, MIMO)雷達提升了雷達的目標分辨率，可以提供除了目標位置外的目標特征信息[23]；超寬帶(Ultra wide band, UWB)技術(shù)可以在測量的同時進行通信，能夠在提供目標精確位置的同時傳輸目標上的陀螺儀、激光雷達等信息[24]；廣播式自動相關(guān)監(jiān)視(Automatic dependent surveillance-broadcast, ADS-B)技術(shù)可以提供目標的位置、飛行狀態(tài)、識別號和導(dǎo)航精度等級等信息[25, 26]；通航監(jiān)測站不僅提供飛機位置信息外還提供來自空管中心的飛機類型、飛行計劃、航路管制等信息[27]；無人機(Unmanned aerial vehicle, UAV)除了采用GPS跟蹤定位，還可提供慣性測量單元(Inertial measurement unit, IMU)、電子高度計等量測信息[28, 29]。傳統(tǒng)多模型跟蹤算法需要適應(yīng)傳感器技術(shù)的新發(fā)展，充分利用新出現(xiàn)的量測信息進行更好的跟蹤。為了應(yīng)對上述問題和挑戰(zhàn)，知識輔助的機動目標跟蹤算法應(yīng)運而生[30, 31]。而信號與信息處理技術(shù)的新發(fā)展也使得知識輔助的方法成為可能。例如：研究者將隨機集[32]、深度學(xué)習(xí)[33]、大數(shù)據(jù)分析[34]、證據(jù)理論[35]、模糊理論[36-41]、神經(jīng)網(wǎng)絡(luò)[42]、輪廓跟蹤[43]以及粗糙集[44]等與傳統(tǒng)的目標跟蹤算法相結(jié)合，提出了大量新跟蹤算法，取得了更好的跟蹤性能。

目前可資利用的知識主要有：目標類型信息、氣象信息、運動環(huán)境信息、目標輪廓信息、運動軌跡規(guī)劃信息、沖突碰撞信息、導(dǎo)航精度等級以及姿態(tài)角信息等。運用這些知識輔助多模型算法進行機動目標跟蹤，具有模型準確率高、跟蹤精度高以及計算復(fù)雜度低等一系列的優(yōu)點[24, 25, 31, 45-47]。本文對知識輔助的多模型機動目標跟蹤算法進行了歸納和總結(jié)，以期作為相關(guān)研究的參考。

1 多模型跟蹤算法

(1)

(2)

多模型算法對多個濾波器的輸出(目標狀態(tài)的單獨估計結(jié)果)進行綜合以得到對目標狀態(tài)的整體估計，這種綜合一般是根據(jù)相應(yīng)模型的后驗概率——模型概率(Model probability, MP)來進行。MP通常是根據(jù)模型似然函數(shù)在迭代過程中進行自適應(yīng)更新的，其具體計算公式為

(3)

當(dāng)目標機動時，其運動模式會隨之改變，多模型跟蹤算法假設(shè)這種模式的改變符合馬爾科夫過程，對應(yīng)的馬爾科夫轉(zhuǎn)移概率矩陣稱為模型的轉(zhuǎn)移概率矩陣(Transition-probability matrix, TPM)。模型轉(zhuǎn)移概率用pji來表示，即

(4)

2 知識輔助的多模型機動目標跟蹤算法研究進展

知識輔助能夠提高多模型機動目標跟蹤算法的跟蹤性能。通過對以往該領(lǐng)域研相關(guān)究的總結(jié)歸納發(fā)現(xiàn)，研究主要圍繞著多模型算法中的模型集、轉(zhuǎn)移概率矩陣和模型概率的調(diào)整展開，有以下3種調(diào)整方式：知識輔助的模型集調(diào)整和知識輔助的轉(zhuǎn)移概率矩陣調(diào)整、知識輔助的模型概率調(diào)整。

2.1 知識輔助的模型集調(diào)整

模型集可以分為目標運動模型集和傳感器量測模型集兩類，通過引入關(guān)于環(huán)境信息、目標類型、運動姿態(tài)角、量測精度等級(Navigational accuracy category for position, NACp)[50]和IMU量測等先驗知識，可以起到對模型集的約束作用，使之更加符合目標真實運動模式或量測模式，從而提高了跟蹤性能。

2.1.1 知識輔助的運動模型集調(diào)整

調(diào)整運動模型集的方法通常有模型集的自適應(yīng)和模型集的切換。采用的知識有目標類型、障礙物信息、道路信息和姿態(tài)角信息等。知識輔助調(diào)整模型集的基本流程是：首先建立一個由多個獨立且相容的模型集合序列組成模型總集，然后根據(jù)目標跟蹤過程中獲取的目標類型信息、障礙物信息、道路信息和姿態(tài)角信息等知識，分別采用模型集自適應(yīng)和模型集切換的方法對模型集進行動態(tài)調(diào)整，該類算法工作流程如圖1所示。

圖1運動模型知識輔助調(diào)整Fig.1 Knowledge-aided adjustment of motion model

在模型集自適應(yīng)調(diào)整的過程中，首先根據(jù)獲取的知識將目標運動模型集劃分為可能的模型集、應(yīng)該增加的模型集和應(yīng)該刪除的模型集，然后從當(dāng)前模型集中去掉應(yīng)該刪除的模型集，添加上應(yīng)該增加的模型集，從而實現(xiàn)模型集的動態(tài)調(diào)整。如文獻[24]中的算法采用目標預(yù)測位置到障礙物區(qū)域的張角(多邊形障礙物面向目標的視場角，它反映了目標與障礙物之間的相對位置)對模型集進行調(diào)整。張角可以判斷狀態(tài)預(yù)測值xk|k-1在障礙物內(nèi)部或外部。文獻[24]認為：當(dāng)張角Bk=π時，說明xk|k-1在障礙物區(qū)域內(nèi)或邊界上，此時位置估計是錯誤，對應(yīng)模型估計是不可能的，應(yīng)該將該模型刪除，從而實現(xiàn)了模型集的自適應(yīng)。此外，文獻[51]對不同運動模型時姿態(tài)角的變化規(guī)律進行了分析，根據(jù)姿態(tài)角求解轉(zhuǎn)彎角度變化率來實時更新模型集。若偏航角或俯仰角濾波過程中檢測到機動，則利用獲取的轉(zhuǎn)彎角速率添加相應(yīng)的轉(zhuǎn)彎模型，實現(xiàn)了模型集的自適應(yīng)。

圖1中模型集切換是指利用目標類型信息、道路信息等知識對模型集進行整體切換。例如：量測信息中的目標分類信息(如：ADS-B信息中的目標類型信息等)可以輔助調(diào)整模型集[25]。目標類型信息的引入可以更快切換到適合的模型集，從而使模型集更快地匹配上目標的真實運動。采用道路信息的模型集切換方法首先需要對道路進行分類歸納，不同類型的道路對應(yīng)不同的模型集。然后在濾波過程中根據(jù)當(dāng)前道路類型信息，實時切換為道路類型對應(yīng)的模型集[45]。文獻[30,52, 53]則將超出道路范圍的區(qū)域認為是障礙物，用障礙物信息來切換模型集。這幾種模型集的調(diào)整算法分別利用不同的道路信息來切換模型集，可適應(yīng)不同的應(yīng)用場景。

2.1.2 知識輔助的量測模型集調(diào)整

(5)

針對UAV的跟蹤監(jiān)視中偶爾出現(xiàn)的GPS量測缺失問題，文獻[29]提出一種將IMU、電子高度計等機載傳感器信息引入到目標跟蹤中的算法。該算法采用基于LMI的Luenberger觀測器方法對量測增益矩陣進行判別，通過在GPS量測缺失時切換到IMU等量測對應(yīng)的量測增益矩陣以限定量測噪聲范圍，進而得到噪聲協(xié)方差陣。

2.2 知識輔助的轉(zhuǎn)移概率矩陣調(diào)整

在知識輔助的轉(zhuǎn)移概率矩陣TPM調(diào)整方法中，引入了包括目標狀況報告、航跡基準點信息、氣象環(huán)境信息以及障礙物信息等先驗知識。這些先驗知識可以預(yù)判目標的運動模型轉(zhuǎn)移情況，降低轉(zhuǎn)移到不合理模型的概率，使機動模式估計更加符合實際情況。TPM調(diào)整方法可以分為非智能法和智能法。統(tǒng)計法和方程法是非智能法的常用方法[58]，采用的知識包括目標狀況報告、航跡基準點信息和障礙物信息等。統(tǒng)計法是通過歷史記錄獲得運動狀態(tài)的條件轉(zhuǎn)移概率，其獲取過程有以下幾個步驟：(1)根據(jù)預(yù)測模型的要求，獲取大量的飛行航跡、運動軌跡信息等，篩選并處理所得數(shù)據(jù)。(2)應(yīng)用已有數(shù)據(jù)，計算狀態(tài)轉(zhuǎn)移概率的初始值。(3)根據(jù)目標機動時運動模型轉(zhuǎn)移頻次情況，計算出狀態(tài)轉(zhuǎn)移概率矩陣。根據(jù)概率論與數(shù)理統(tǒng)計知識可知，當(dāng)試驗次數(shù)相當(dāng)大的時候，頻次可以作為概率的一個近似[58]。上述知識與TPM的關(guān)系可以采用文獻[46]中的方法，即令模型轉(zhuǎn)移概率為

(6)

非智能法常用的方法還包括方程法，方程法利用函數(shù)方程可以快速估算出TPM。例如：狀態(tài)相關(guān)信息的IMM(State-dependent variations of the interacting multiple model, SD-IMM)算法[60]，該算法把障礙物信息和TPM的對應(yīng)關(guān)系看成是函數(shù)方程關(guān)系，利用距目標預(yù)測位置最近的障礙物與目標之間距離的函數(shù)來對模型轉(zhuǎn)移概率加權(quán)，最后再進行歸一化。目標的預(yù)測位置由各個運動模型給出，距離越小則說明目標越可能與障礙物相撞，因而該模型對應(yīng)的權(quán)值就應(yīng)該越??；反之則應(yīng)該賦予較大的權(quán)值。

圖2 知識輔助模糊調(diào)整TPMFig.2 Knowledge-aided fuzzy adjustment TPM

2.3 知識輔助的模型概率調(diào)整

傳統(tǒng)多模型算法中的模型概率是通過濾波殘差來估計，由于濾波殘差不夠準確,因而不能全面反映目標的機動，尤其是在機動發(fā)生的瞬間。引入航跡基準點信息、障礙物信息等先驗知識，可以為模型概率MP提供一種新的判斷渠道。通過知識輔助可以判定目標當(dāng)前的運動模式，然后對目標的MP進行調(diào)整，提高可能模型的概率，降低不可能模型的概率，從而提高模型概率的準確性。MP調(diào)整的具體方法包括智能法和非智能法，非智能法也可分為統(tǒng)計法和方程法。統(tǒng)計法中的航跡基準點信息調(diào)整法的調(diào)整過程為：當(dāng)目標到達飛行計劃基準點附近時，計算航路寬度制約的目標當(dāng)前位置可能轉(zhuǎn)彎角度的高斯概率密度函數(shù)得到MP[62]。該算法的優(yōu)點是簡單準確，缺點是需要設(shè)置一定量的航跡基準點，靈活性不高。

除了統(tǒng)計法，也可以采用方程法，例如：SD-IMM算法中采用與目標到最近障礙物的距離成反比的方式對每個模型的MP進行加權(quán)修正，隨著目標到障礙物距離的減小，權(quán)重相應(yīng)減小，從而降低模型概率MP。具體方法見文獻[60, 63]。

圖3 障礙物信息輔助模糊調(diào)整MPFig.3 Obstacle information aided fuzzy adjustment MP

(7)

除了上述三類調(diào)整方法以外，模型集、轉(zhuǎn)移概率矩陣和模型概率聯(lián)合調(diào)整方法也常常被使用。主要方法有：聯(lián)合調(diào)整模型概率和模型轉(zhuǎn)移概率矩陣、聯(lián)合調(diào)整模型概率和模型集、聯(lián)合調(diào)整模型集和模型轉(zhuǎn)移概率矩陣等方法。同時要注意到模型集一旦有變化，其對應(yīng)的MP和TPM都要進行相應(yīng)調(diào)整。聯(lián)合調(diào)整方法一般情況下要比單獨調(diào)整方法性能要好，但是有時可能會因調(diào)整配合不好而造成算法發(fā)散。

3 結(jié)束語

知識輔助多模型機動目標跟蹤算法近年來取得了很多進展，但還未達到理想的性能，仍存在很多挑戰(zhàn)，而這些挑戰(zhàn)也正是該類算法的發(fā)展方向。

(1) 獲取知識的方法和手段發(fā)展迅速，其中的代表就是深度學(xué)習(xí)和大數(shù)據(jù)分析，因此知識更準確的獲取方法將是一個重要的研究方向。例如文獻[33]借鑒深度學(xué)習(xí)的思想，利用深度學(xué)習(xí)網(wǎng)通過對雷達得到的船只初始航跡弧段數(shù)據(jù)可以挖掘得到雷達噪聲水平、觀測方程的模型參數(shù)以及狀態(tài)方程、描述船只運動的非線性模型等。利用獲取的知識對算法估計結(jié)果不斷遞歸校正，使得隨著獲取數(shù)據(jù)的增加跟蹤準確性不斷提高。在大數(shù)據(jù)分析法中，傳感器數(shù)據(jù)集包含大量的由數(shù)個特征量組成的運動記錄，記錄有目標類型、姿態(tài)角、速度、目標狀況報告、氣象環(huán)境、飛行計劃或路徑規(guī)劃、空域管制以及航跡基準點等。需要針對每類目標在不同知識影響下的運動模式進行分析，判斷哪些知識才是有價值，可以利用的。最后出現(xiàn)多種知識同時作用時，如何能夠自適應(yīng)分配不同知識的權(quán)重也是一個非常值得研究的問題。

(2) 隨著傳感器對目標和環(huán)境信息的感知能力和手段的提高，可以獲取更多新知識信息，如何將其引入到多模型算法也是一個重要研究方向。例如，UWB定位系統(tǒng)中的電子陀螺儀和激光雷達信息可用來輔助濾波；還有本文提到道路信息為理想道路模型，如果能引入實際的道路地形和其他地理信息則可以提高算法的適用性；此外，目標跟蹤中采用的傳感器為雷達時還可以利用雷達的雜波幅度信息、雜波分布圖、主動式側(cè)視雷達系統(tǒng)圖像等信息來提高目標跟蹤性能。

(3) 知識輔助多模型算法的關(guān)鍵為獲取知識與多模型算法3個關(guān)鍵因素之間的關(guān)聯(lián)關(guān)系，深度學(xué)習(xí)和大數(shù)據(jù)技術(shù)對挖掘上述關(guān)聯(lián)關(guān)系提供了先進的手段和方法，如何運用這些手段和方法進行挖掘得到上述關(guān)聯(lián)關(guān)系將是一個重要的研究方向。深度學(xué)習(xí)與目標跟蹤算法相結(jié)合能夠找出知識與模型集、模型概率和轉(zhuǎn)移概率等的對應(yīng)關(guān)系，用以輔助多模型跟蹤算法以提高跟蹤性能。數(shù)據(jù)挖掘算法是大數(shù)據(jù)分析理論的核心，數(shù)據(jù)挖掘算法采用聚類、分割以及孤立點分析等方法深入數(shù)據(jù)的內(nèi)部，挖掘價值[64, 65]。近年來人們開始嘗試將大數(shù)據(jù)方法應(yīng)用于自然災(zāi)害的預(yù)防[66]、高速公路事故原因分析[67]以及飛機中斷著陸原因分析[68]等領(lǐng)域，并取得了一定的成果。采用大數(shù)據(jù)技術(shù)挖掘出運動模式、知識等關(guān)聯(lián)關(guān)系，將其應(yīng)用于多模型目標跟蹤將能夠取得更好的跟蹤性能。

(4) 由于知識表述和關(guān)聯(lián)關(guān)系描述具有不確定性，運用新方法處理這些不確定信息是未來另一個重要研究方向。傳統(tǒng)的目標跟蹤算法主要采用概率統(tǒng)計理論和模糊理論來解決目標跟蹤過程的不確定信息?；诟怕式y(tǒng)計的方法計算過程復(fù)雜，應(yīng)用范圍受限?；谀：碚摰姆椒☉{借模糊信息處理技術(shù)能夠簡化計算復(fù)雜度，適用于存在較大誤差的跟蹤系統(tǒng)。然而基于模糊理論的方法并不能直接描述和處理目標跟蹤過程中的不確定信息或事件，在實際應(yīng)用中依然受到約束。為了解決不確定信息的度量問題，Smarandache教授在模糊集的基礎(chǔ)上提出了中智集理論[69]。它使用隸屬度T、不確定度I和非隸屬度F來描述對信息或事件的度量。由于中智集中對不確定度直接明確量化，比直覺模糊集理論具有更好的不確定信息表達能力[70]。中智集理論為知識輔助多模型目標跟蹤算法中的不確定信息處理提供了一條新的解決途徑。

[1] Bar-Shalom Yaakow, Li Xiaorong. Estimation and tracking: Principles, techniques, and software[M]. Boston, MA: Artech House, 1993.

[2] Robert S. Estimating optimal tracking filter performance for manned maneuvering targets[J]. IEEE Transactions on Aerospace and Electronic Systems, 1970, 6 (4): 473-483.

[3] Julier S J, Uhlmann J K. Unscented filtering and nonlinear estimation[J]. Proceedings of the IEEE, 2004, 92 (3): 401-422.

[4] Kumar K, Zhou H. A current statistical model and adaptive algorithm for estimating maneuvering targets[J]. Journal of Guidance, Control, and Dynamics, 1984, 7 (5): 596-602.

[5] 黃偉平, 徐毓, 甘少武. FB-CS模型的兩層嵌套機動目標跟蹤算法[J]. 數(shù)據(jù)采集與處理, 2012, 27 (2): 230-235.

Huang Weiping, Xu Yu, Gan Shaowu. Double-layer maneuver tracking algorithm of function based current statistic (FB-CS) model[J]. Journal of Data Acquisition and Processing, 2012, 27 (2): 230-235.

[6] Foo P H, Ng G W. Combining the interacting multiple model method with particle filters for meneuvering target tracking[J]. IET Radar, Sonar & Navigation, 2011, 5 (3): 234.

[7] 李翠蕓, 姬紅兵. 新遺傳粒子濾波的紅外弱小目標跟蹤與檢測[J]. 西安電子科技大學(xué)學(xué)報:自然科學(xué)版, 2009, 36 (4): 619-623.

Li Cuiyun, Ji Hongbing. IR dim target tracking and detection based on new genetic particle filter[J]. Journal of Xidian University, 2009, 36 (4): 619-623.

[8] Vahabian A, Sedigh A K, Akhbardeh A. Optimal design of the variable structure IMM tracking filters using genetic algorithms[C]//IEEE International Conference on Control Applications. Taipei, China: IEEE, 2004: 1485-1490.

[9] Chen Hongda, Chang K C. Novel nonlinear filtering &: Prediction method for maneuvering target tracking[J]. IEEE Transactions on Aerospace and Electronic Systems, 2009, 45 (1): 237-249.

[10]Li X R, Jilkov V P. Survey of maneuvering target tracking, Part V: Multiple-model methods[J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41 (4): 1255-1321.

[11]Rong L X, Jilkov V P. Survey of maneuvering targettracking, Part I: Dynamic models[J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39 (4): 1333-1364.

[12]Magill D. Optimal adaptive estimation of sampled stochastic processes[J]. IEEE Transactions on Automatic Control, 1965, 10 (4): 434-439.

[13]Maybeck P S. Stochastic models, estimation and control volume 3 [M]. New York: Academic Press, 1982: 868-869.

[14]Blom H A P, Bar-Shalom Y. The interacting multiple model algorithm for systems with Markovian switching coefficients[J]. IEEE Transactions on Automatic Control, 1988, 33 (8): 780-783.

[15]Li X R, Bar-Shalom Y. Performance prediction of the interacting multiple model algorithm[J]. IEEE Transactions on Aerospace and Electronic Systems, 1993, 29 (3): 755-771.

[16]Li X R, Bar-Shalom Y. Design of an interacting multiple model algorithm for air traffic control tracking[J]. IEEE Transactions on Control Systems Technology, 1993, 1 (3): 186-194.

[17]Qu Hongquan, Li Shaohong. The model set multiple hypotheses IMM algorithm for maneuvering target tracking[C]// International Conference on Signal Processing. Beijing, China: IEEE, 2008: 2302-2305.

[18]陳曉峰, 嵇成新, 陳陽. 機動目標跟蹤中的多模型算法[J]. 艦船電子對抗, 2008, 31 (1): 85-88.

Chen Xiaofeng, Ji Chengxin, Chen Yang. Multi-model aigorithm for maneuvering target tracking[J]. Shipboard Electronic Countermeasure, 2008, 31 (1): 85-88.

[19]Li Xiaorong, Bar-Shalom Y. Multiple-model estimation with variable structure[J]. IEEE Transactions on Automatic Control, 1996, 41 (4): 478-493.

[20]Rong L X. Multiple-model estimation with variable structure II model-set adaptation[J]. IEEE Transactions on Automatic Control, 2000, 45 (11): 2047-2060.

[21]Li X R, Zhang Y M, Zhi X R. Multiple-model estimation with variable structure—Part IV: Design and evaluation of model-group switching algorithm[J]. IEEE Transactions on Aerospace And Electronic Systems, 1999, 35 (1): 242-254.

[22]Li X, R, Xiaorong Zwi, Youmin Zwang. Multiple-model estimation with variable structure III model-group switching algorithm[J]. IEEE Transactions on Aerospace and Electronic Systems, 1999, 35 (1): 225-241.

[23]Bj?rnson Emil, Larsson Erik G, Marzetta Thomas L. Massive MIMO: Ten myths and one critical question[J]. IEEE Communications Magazine, 2015, 54 (2): 114-123.

[24]王全輝, 黃建軍, 胡堅耀. 超寬帶定位的 AGV定位跟蹤算法研究[J]. 信號處理, 2017, 33 (4): 516-522.

Wang Quanhui, Huang Jianjun, Hu Jianyao. AGV tracking algorithm on ultra wide band location[J]. Journal of Signal Processing, 2017, 33 (4): 516-522.

[25]Wang Quanhui, Huang Jianjun. A VB-IMM filter for ADS-B data[C]// 12th International Conference on Signal Processing (ICSP). Hangzhou: IEEE, 2014: 2130-2134.

[26]Strohmeier M, Schafer M, Lenders V, et al. Realities and challenges of nextgen air traffic management: The case of ADS-B[J]. IEEE Communications Magazine, 2014, 52 (5): 111-118.

[27]汪萬維, 王曉亮, 章濤, 等. 民航空管自動化系統(tǒng) [M]. 北京: 清華大學(xué)出版社, 2016.

Wang Wanwei Wang Xiaoliang, Zhang Tao, et al. Civil aviation air traffic control automation system[M]. Beijing: Tsinghua University Press, 2016.

[28]Lynen Simon, Achtelik Markus W, Weiss Stephan, et al. A robust and modular multi-sensor fusion approach applied to MAV navigation[C]// IEEE International Conference on Intelligent Robots and Systems. Tokyo: IEEE, 2013: 3923-3929.

[29]Elzoghby M, Li F, Arafa I, et al. Multi-mode estimation for small fixed wing unmanned aerial vehicle localization based on a linear matrix inequality approach[J]. Sensors, 2017, 17 (4): 1-19.

[30]Kirubarajan T, Bar-Shalom Y, Pattipati K R, et al. Ground target tracking with variable structure IMM estimator[J]. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36 (1): 26-46.

[31]Benavoli A, Chisci L, Farina A, et al. Knowledge-based system for multi-target tracking in a littoral environment[J]. IEEE Transactions on Aerospace & Electronic Systems, 2006, 42 (3): 1100-1119.

[32]Vo BaNgu, Vo BaTuong, Phung Dinh. Labeled random finite sets and the Bayes multi-target tracking filter[J]. IEEE Transactions on Signal Processing, 2014, 62 (24): 6554-6567.

[33]張玲, 劉旭, 姜義, 等. 基于弧段檢測的高頻地波雷達特定目標航跡跟蹤方法研究[J]. 海洋科學(xué), 2016, 40 (6): 133-138.

Zhang Ling, Liu Xu, Jiang Yi, et al. Research on a specific target tracking method based on arcdetection with HF surface wave radar[J]. Marine Sciences, 2016, 40 (6): 133-138.

[34]Bei-Bei M, Xue-Bo J. Compression processing estimation method for time series big data[C]// The 27th Chinese Control and Decision Conference. Qingdao, China: IEEE, 2015: 1807-1811.

[35]Fan Lixin, Fan En, Yuan Changhong, et al. Weighted fuzzy track association method based on Dempster-Shafer theory in distributed sensor networks[J]. International Journal of Distributed Sensor Networks, 2016, 12 (7): 1-10.

[36]Lee Yung-Lung, Chen Yiwei. IMM estimator based on fuzzy weighted input estimation for tracking a maneuvering target[J]. Applied Mathematical Modelling, 2015, 39 (19): 5791-5802.

[37]范恩. 基于模糊信息處理的傳感網(wǎng)系統(tǒng)中多目標跟蹤方法 [D]. 西安: 西安電子科技大學(xué), 2015.

Fan En. Research for multi-target tracking methods based on fuzzy information processing in sensor network system[D]. Xian: Xidian University, 2015.

[38]Li Liangqun, Xie Weixin. Intuitionistic fuzzy joint probabilistic data association filter and its application to multitarget tracking[J]. Signal Processing, 2014, 96, Part B: 433-444.

[39]Fan En, Xie Weixin, Liu Zongxiang. Maneuvering target tracking using fuzzy logic-based recursive least squares filter[J]. EURASIP Journal on Advances in Signal Processing, 2014,1: 1-9.

[40]范恩, 謝維信, 劉宗香, 等. 傳感器組網(wǎng)中基于模糊信息處理的多目標跟蹤[J]. 指揮信息系統(tǒng)與技術(shù), 2014, 5 (6): 1-8.

Fan En, Xie Weixin, Liu Zongxiang, et al. Multiple target tracking in sensor network based on fuzzy information processing [J]. Command Information System and Technology, 2014, 5 (6): 1-8.

[41]李鵬飛, 黃建軍, 黃敬雄, 等. 一種模糊Kalman濾波機動目標跟蹤的新算法[J]. 數(shù)據(jù)采集與處理, 2009, 29 (4): 483-486.

Li Pengfei, Huang Jianjun, Huang Jingxiong, et al. A novel fuzzy kalman filter for maneuvering target tracking[J]. Journal of Data Acquisition and Processing, 2009, 29 (4): 483-486.

[42]Qu Shiru, Yang Honghong. Multi-target detection and tracking of video sequence based on Kalman_BP neural network[J]. Infrared and Laser Engineering, 2013(9): 558-574.

[43]Cao Xiaomeng, Lan Jian, Li X Rong. Extension-deformation approach to extended object tracking[C]// 19th International Conference on Information Fusion. Heidelberg, Germany: IEEE, 2016: 1185-1192.

[44]Shanmugapriya K, Malar R, Suja Mani. A multi-balanced hybrid optimization technique to track objects using rough set theory[J]. Signal, Image and Video Processing, 2017, 11 (3): 415-421.

[45]劉瑤. 基于知識輔助的多目標跟蹤技術(shù)研究 [D]. 成都: 電子科技大學(xué), 2013.

Liu Yao. Study on knowledge-based multi-target tracking [D]. Chengdu: University of Electronic Science and Technology of China, 2013.

[46]王全輝，黃敬雄，黃建軍. 通航目標監(jiān)視中的多因素輔助多模型濾波算法[EB/OL]. http://www.paper.edu.cn/releasepaper/content/,2015-05-184.

Wang Quanhui, Huang Jingxiong, Huang Jianjun. Multi-factor aided IMM algorithm for general aviation target tracking[EB/OL]. http://www.paper.edu.cn/releasepaper/content/,2015-05-184.

[47]Wang Quanhui, Huang Jianjun, Huang Jingxiong. Fuzzy logic-based multi-factor aided multiple-model filter for general aviation target tracking[J]. Journal of Intelligent & Fuzzy Systems, 2015, 29(6): 2603-2609.

[48]Busch M T, Blackman Samuel S. Evaluation of IMM filtering for an air defense system application[J]. Proceedings of SPIE ,The International Society for Optical Engineering, 1995, 2561: 435-447.

[49]Jilkov V P, Li X R. Online bayesian estimation of transition probabilities for markovian jump systems[J]. IEEE Transactions on Signal Processing, 2004, 52 (6): 1620-1630.

[50]Mueller R K. Quality of reported nacp in surveillance and broadcast services systems[C]//IEEE 28th Digital Avionics Systems Conference, Vols 1-3. Orlando, FL: IEEE, 2009: 1623-1630.

[51]趙軍, 單甘霖, 吉兵, 等. 飛機姿態(tài)角輔助的交互式多模型跟蹤算法[J]. 電光與控制, 2011, 18 (3): 43-47.

Zhao Jun, Shan Ganlin, Ji Bing , et al. IMM tracking algorithm with the aid of pose-angle of plane[J]. Electronics Optics & Control, 2011, 18 (3): 43-47.

[52]Chen Yangsheng, Jilkov Vesselin, Li X R. Multilane-road target tracking using radar and image sensors[J]. IEEE Transactions on Aerospace and Electronic Systems, 2015, 51 (1): 65-80.

[53]Zhang Miao, Knedlik S, Loffeld O. An adaptive road-constrained IMM estimator for ground target tracking in GSM networks[C]// International Conference on Information Fusion. Cologne, Germany: IEEE 2008: 1-8.

[54]黃建軍, 劉杰, 虢珺婷. 精度分類量測數(shù)據(jù)的變分貝葉斯自適應(yīng)Kalman濾波算法[J]. 信號處理, 2013, 29 (11): 1482-1487.

Huang Jianjun, Liu Jie, Guo Junting. Variational Bayesian adaptive Kalman filtering algorithm for measurement data with accuracy category[J]. Journal of Signal Processing, 2013, 29 (11): 1482-1487.

[55]Sarkka S, Nummenmaa A. Recursive noise adaptive Kalman filtering by variational Bayesian approximations[J]. IEEE Transactions on Automatic Control, 2009, 54 (3): 596-600.

[56]Li W, Jia Y. State estimation for jump Markov linear systems by variational Bayesian approximation[J]. IET Control Theory & Applications, 2012, 6 (2): 319-326.

[57]黃建軍, 劉杰. 基于自適應(yīng)衰減系數(shù)的VB-AKF濾波算法[J]. 新型工業(yè)化, 2013, 3(11): 27-31.

Huang Jianjun, Liu Jie. A VB-AKF algorithm based on adaptive attenuation parameter[J]. New Industrialization Straregy, 2013, 3 (11): 27-31.

[58]許智慧. 馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣的求解方法研究 [D]. 哈爾濱: 東北農(nóng)業(yè)大學(xué), 2013.

Xu Zhihui. Research of method to estimate Markov state transition probability matrix[D]. Harbin: Northeast Agricultural University, 2013.

[59]宮淑麗. 機場場面移動目標監(jiān)視系統(tǒng)關(guān)鍵技術(shù)研究 [D]. 南京: 南京航空航天大學(xué), 2012.

Gong Shuli. Research on key techniques of moving target surveillance system on airport surface [D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012.

[60]Rastgoufard R, Jilkov V P, Li X R. Incorporating world information into the IMM algorithm via state-dependent value assignment[C]// IEEE International Conference on Information Fusion. Salamanca, Spain: IEEE, 2014: 1-8.

[61]Kirubarajan T, Bar-Shalom Y, Blair W D, et al. IMMPDAF for radar management and tracking benchmark with ECM[J]. IEEE Transactions on Aerospace and Electronic Systems, 1998, 34 (4): 1115-1134.

[62]Chze Eng Seah, Inseok Hwang. State estimation for stochastic linear hybrid systems with continuous-state-dependent transitions: An IMM approach[J]. IEEE Transactions on Aerospace and Electronic Systems, 2009, 45 (1): 376-392.

[63]Rastgoufard Rastin. The interacting multiple models algorithm with state-dependent value assignment [D]. New Orleans, USA: University of New Orleans, 2012.

[64]孟小峰, 慈祥. 大數(shù)據(jù)管理:概念、技術(shù)與挑戰(zhàn)[J]. 計算機研究與發(fā)展, 2013, 50 (1): 146-169.

Meng Xiaofeng, Ci Xiang. Big data management:Concepts, techniques and challenge[J]. Journal of Computer Research and Development, 2013, 50 (1): 146-169.

[65]謝維信, 陳曾平, 裴繼紅, 等. 大數(shù)據(jù)背景下的信號處理[J]. 中國科學(xué):信息科學(xué), 2013, 43 (12): 1525-1546.

Xie Weixin, Chen Zengping, Pei Jihong, et al. Signal processing in the context of big data[J]. Scientia Sinica Informationis, 2013, 43 (12): 1525-1546.

[66]Tin Pyke, Zin Thi Thi, Toriu Takashi, et al. An integrated framework for disaster event analysis in big data environments[C]//Ninth International Conference on Intelligent Information Hiding and Multimedia Signal Processing. Beijing, China: IEEE, 2013: 255-258.

[67]Chung Duckwon, Rui Xuhua, Min Dugki, et al. Road traffic big data collision analysis processing framework[C]// International Conference on Application of Information and Communication Technologies. Baku, Azerbaijan: IEEE, 2014: 1-4.

[68]Sherry L, Wang Zhenming, Kourdali H K, et al. Big data analysis of irregular operations: Aborted approaches and their underlying factors[C]// Integrated Communications, Navigation and Surveillance Conference. Herndon, VA, USA: IEEE, 2013: 1-10.

[69]Smarandache Florentin. A unifying field in logics: Neutrosophic logic[J]. Multiple-Valued Logic, 2002, 8 (3): 489-503.

[70]Chaira Tamalika. A novel intuitionistic fuzzy C means clustering algorithm and its application to medical images[J]. Applied Soft Computing, 2011, 11 (2): 1711-1717.

Knowledge-Aided Multi-model Maneuvering Target Tracking Algorithm

Huang Jianjun1, Wang Quanhui1, Hu Jianyao2

(1.College of Information Engineering, Shenzhen University, Shenzhen, 518060, China； 2. The Fifth Research Institute, Ministry of Industry and Information Technology, Guangzhou, 510610, China)

Multi-model algorithm is the state-of-the-art approach to maneuvering target tracking. Due to the increasing types of targets and complication of motion environment, it is more and more difficult to meet the target tracking requirements by only using the position measurement. In addition to the position measurement, the knowledge about targets and their environment can be adopted to adaptively adjust the three key factors, i.e., the model set, transition probability matrix and model probability in the multi-model algorithm to achieve better performance. This paper analyzes the principles and methods of knowledge-aided multiple-model maneuvering target tracking algorithm. According to the subjects (model set, transition-probability matrix and model probability) that the knowledge being used to adjust, the adjustment manner (intelligent methods and non-intelligent methods), the principles and characteristics of adjustments are introduced, respectively. Finally, future research of knowledge-aided multi-model maneuvering target tracking algorithm is given.

maneuvering target tracking; knowledge-aided multi-model algorithm; model adjustment; transition-probability matrix adjustment; model probability adjustment

廣東省科技計劃(2016B090918084)資助項目；深圳市科技計劃(JCYJ2017030215011535)資助項目。

2017-05-10；

2017-07-01

TN911.72

A

黃建軍(1971-)，男，教授，研究方向：智能信息處理、多傳感器信息融合等,E-mail: huangjin@szu.edu.cn。

王全輝(1978-)，男，博士研究生， 研究方向：智能信息處理、傳感器信號處理等。

胡堅耀(1990-)，男，博士，研究方向：信號處理與可靠性等。