基于AIS和雷達數據融合的多船舶跟蹤

高 曦 徐得志 鄧志華

(武漢交通職業(yè)學院,湖北 武漢 430065)

0 引言

長江內河航運作為我國貫穿東西的黃金水道,在《國家綜合立體交通網規(guī)劃綱要》國家戰(zhàn)略部署下,正在經歷以“安全、高效、綠色、智能”為特征的新一代航運系統(tǒng)[1]偉大變革。以船舶交通管理系統(tǒng)(Vessel Traffic Service,VTS)為基礎,國內外積極開發(fā)智慧海事監(jiān)管平臺,致力于由“人盯死守”的傳統(tǒng)海事監(jiān)管方式向以智慧管理為核心的現代方式轉變[2]。利用船舶自動識別系統(tǒng)(Automatic Identification System,AIS)、雷達、閉路電視(Closed Circuit Television,CCTV)等感知方式實時、精準掌握船舶動態(tài)信息,及時采取合理措施有效引導船舶航行行為,可實現船舶的自動跟蹤和碰撞預警。

AIS作為一種船舶廣播式應答系統(tǒng),能夠自動向外發(fā)送本船的靜態(tài)和動態(tài)信息的同時,不斷接收周圍他船發(fā)送的此類信息,是最常見的船舶定位跟蹤設備。雷達、CCTV是VTS用于水路交通監(jiān)管的主要工具,對交通密集區(qū)域、進出航道和高風險水域的船舶實時動態(tài)監(jiān)測。Kalman濾波、粒子濾波、相關濾波、深度學習以及其他衍生濾波器是常用的目標跟蹤方法[3]。目前針對雷達和AIS信息融合的研究還比較有限,實際應用中還有許多值得進一步研究的問題[4]。現階段國內外研究熱點集中在航跡關聯(lián),主要從統(tǒng)計學角度和模糊隸屬角度涉及關聯(lián)算法,并取得了豐富的研究成果。方瓊林等[5]針對復雜場景中船舶視覺跟蹤問題提出一種自適應分數Kalman濾波算法,有效降低了跟蹤器的漂移效應。王群朋等[6]采用Kalman濾波算法對夜間航行船舶在視頻圖像中形成的多個光斑進行跟蹤,并根據光斑變化規(guī)律實現船舶檢測和跟蹤?；诙嘣串悩嫈祿诤系拇案櫡椒ㄅc傳統(tǒng)單一監(jiān)測手段相比,具有更好的環(huán)境適用性和檢測精度。潘泉等[7]針對目標跟蹤聯(lián)合優(yōu)化問題,綜述了數據融合在多目標跟蹤方面的研究進展。陳永利[8]提出一種多船舶雷達信息的軌跡融合算法,利用本船和他船的雷達信息,提升目標探測精度。陳信強等[9]針對多目標船舶跟蹤問題,提出一種多維特征融合機制和尺度變化估計的跟蹤框架,引入位置濾波器判定視覺圖像中的船舶位置。馬瑞鑫等[10]提出一種正態(tài)性隸屬度函數計算模糊矩陣的方法,對激光點云與AIS數據進行融合,用于船舶的動態(tài)跟蹤。多目標跟蹤步驟主要分為目標初始化、運動預測、數據關聯(lián)和狀態(tài)估計。目標初始化是對場景中出現的新對象進行建模,并為其定義一個新的跟蹤ID。文成宇等[11]從多假設跟蹤、網絡流、深度學習、主題發(fā)現四類方法綜述了多目標跟蹤目標初始化方法。數據關聯(lián)負責多目標跟蹤過程中多個觀測和多個目標之間的關聯(lián),不僅需要判斷觀測信息是來源于真實目標還是環(huán)境干擾,還應識別出對應哪個目標的觀測。蔡秀梅等[12]和龔軒等[13]分別綜述了包括最近鄰法、聯(lián)合概率、粒子濾波等在內的經典數據關聯(lián)算法。動態(tài)復雜的水上環(huán)境使得雷達檢測系統(tǒng)存在大量漏檢和虛警現象,這便導致多目標跟蹤算法性能下降[14]。

AIS和雷達是VTS重要的信息獲取方式,前者能提供靜態(tài)信息、安全信息和航次相關信息[15]等動靜態(tài)數據,然而數據質量和實時性不高,后者能夠實時、準確地提供監(jiān)控范圍內船舶的動態(tài)信息。兩者既有共同信息,在性能方面也能夠互相彌補。因此,AIS與雷達數據融合對提升船舶航跡跟蹤精度,實現智能航行和智能航保具有重要價值。本文以長江某航段為對象,研究基于AIS與雷達數據融合的多船舶航跡跟蹤方法,設計一種多船舶跟蹤框架,包括數據關聯(lián)、目標初始化、運動預測和狀態(tài)估計四個核心組成部分。同時,對AIS、雷達原始數據進行重采樣、時空對齊等預處理,確保符合輸入要求。最后,開展實驗評價,分析所提方法的跟蹤性能,包括跟蹤精度和計算代價。

1 多船舶跟蹤框架

目前,AIS與雷達的信息數據融合方式可分為集中式、分布式、混合式三種,其中分布式以實時性強、可靠性高分布式應用最為廣泛。本文設計一種基于分布式AIS與雷達數據融合的多船舶跟蹤框架:首先將AIS、雷達原始數據進行預處理(AIS解析、降噪),并經過時空配準轉換至同一個坐標系當中;其次,利用運動特征相似度將雷達數據與跟蹤軌跡進行關聯(lián);隨后,建立運動方程對船舶運動進行預測,以關聯(lián)的雷達或AIS數據作為觀測信息,利用Kalman濾波對船舶當前時刻的運動狀態(tài)進行更新,實現最優(yōu)估計。該多船舶跟蹤框架主要包括四部分:預處理、數據關聯(lián)、運動預測和狀態(tài)更新,如圖1所示。該方法可以實現以下目標:(1)不同(雷達、AIS)坐標系統(tǒng)下同一目標的數據關聯(lián),快速識別雷達系統(tǒng)中的船舶與非船舶目標;(2)雷達與AIS數據融合可以獲得更高質量的船舶航跡,確保航行安全。

圖1 基于AIS與雷達數據融合的多船舶跟蹤框架

1.1 數據預處理

AIS提供的船舶動態(tài)數據是基于大地經緯度坐標系,同一艘船的AIS動態(tài)信息發(fā)送時間間隔與自身運動狀態(tài)相關,約2~12 s之間,停泊船舶為3 min。雷達數據建立在以雷達為原點的極坐標系下,檢測周期為2~4 s。AIS和雷達數據不在同一個空間坐標系下,時間上也是異步的。為實現兩者的關聯(lián)和融合,本文須將其轉換至同一個空間坐標系,時間上也需要對準,即時空配準。

(1)坐標轉換

假設雷達坐標系(r,θ),AIS坐標系(L,B)?？臻g配準就是將雷達和AIS的信息數據融合到同一坐標系統(tǒng)下,本文選用以雷達為原點的直角坐標系為系統(tǒng)坐標系。假設O為雷達位置,x、y分別指向東經和北緯方向。雷達和AIS捕獲同一個目標,對應參數分別為(r,θ)和(L,B),則雷達目標在系統(tǒng)坐標系O-xy的位置(xr,yr)可表示為

AIS所獲位置信息是由GPS提供,采用墨卡托投影方法將大地坐標的經緯度變換成平面直角坐標,如公式(2)~(5)所示。

式中:r0為基準緯度圈半徑,為常數;q為等量維度,a為地球長半徑,e為橢球的第一偏心率,N0為墨卡托基準緯度卯酉圈曲率半徑,φ0為墨卡托投影變換的基準緯度。(L,B)為墨卡托變換輸出的WGS-84經緯度,(xa,ya)則是墨卡托直角坐標。

(2)時間對準

由于雷達的掃描周期較AIS來說相對固定,所以采用雷達的采樣時刻作起始時間基準,建立閾值為

式中:ta是AIS信號掃描周期,tr是雷達信號掃描周期,C為閾值。

1.2 數據關聯(lián)

數據關聯(lián)包含航跡關聯(lián),是AIS和雷達信號數據融合的關鍵,目前關聯(lián)算法主要有統(tǒng)計法和模糊數學法,其目的是將無序的雷達和AIS數據作為觀測信息來判定是否為同一目標,是則關聯(lián)分配到某個目標進行跟蹤,否則將作為噪聲被丟棄。本文采用基于聚類的數據關聯(lián)方法,其基本思想是將雷達m個觀測數據分配至當前跟蹤目標,使得整體距離相似度最小?？紤]到雷達數據的點云特征,多個雷達數據允許被判定為同一目標的觀測數據。

假設某一采樣時刻雷達獲取的位置數據為[xr,1,xr,2,…,xr,m],當前跟蹤目標有n個,可表示為[xt,1,xt,2,…,xt,n],以當前跟蹤目標狀態(tài)為中心,計算每一個雷達數據xr,i到某一類中心xt,j的歐式距離

式中:xr,ik表示雷達觀測向量xr,i的第k個屬性,同理xt,jk。雷達觀測與跟蹤目標之間的數據關聯(lián)可以通過兩者歐式距離之和最小化實現,具體計算公式如下所示:

式中:Ci(i=1,…,n)表示雷達數據的關聯(lián)序號,取值范圍為當前跟蹤目標數量以及-1。-1表示該雷達數據遠離于所有的跟蹤目標,屬于干擾噪聲或者新目標。

1.3 目標初始化

目標初始化是對當前跟蹤目標進行初始化,根據數據關聯(lián)結果對當前跟蹤的目標進行更新,新增或者刪除跟蹤目標。

當多船舶跟蹤系統(tǒng)在1 min內連續(xù)收到同一艘船舶的AIS數據時,且該船舶不在當前的跟蹤列表中,則為其定義一個新的跟蹤目標,其目標狀態(tài)定義為

式中:i為該目標的跟蹤序號,x,y分別為該目標的絕對坐標,s是相應的對地速度,c表示對地航向。

假設當前的跟蹤列表X=[x1;x2;…;xn](i=1,…,n),如果其中某目標xi超過1 min沒有關聯(lián)新的觀測數據(AIS或雷達),則將其從跟蹤列表X中刪除,表示該目標已經消失或者跟蹤結束。

1.4 預測與更新

以Kalman濾波為融合框架,建立船舶狀態(tài)轉移方程,對船舶運動狀態(tài)進行預測,將關聯(lián)后的雷達或AIS數據作為觀測信息,對目標船舶的狀態(tài)進行更新,通過多源數據融合,實現多船舶在線跟蹤。

假設船舶在短時間內近似勻速運動,那么單個船舶運動狀態(tài)轉移方程可以表示為

式中:xk()、xk-1( )分別表示時刻k和k-1的船舶運動狀態(tài)向量,包括位置坐標(單位:m)、航速(單位:m/s);F為4×4大小的狀態(tài)轉移矩陣,可用公式(11)表示;W表示4×1的系統(tǒng)噪聲向量,符合標準正態(tài)分布。

式中:Δt為狀態(tài)轉移時長(單位:s)。

隨后,利用關聯(lián)的雷達或AIS數據,建立狀態(tài)觀測方程,如公式(12)所示:

式中:z(k)、x(k)分別表示時刻k的船舶運動觀測向量和預測向量;H為4×2大小的觀測矩陣,可用公式(13)表示;Q表示2×1的系統(tǒng)噪聲向量,符合標準正態(tài)分布。

根據Kalman濾波器工作原理,計算船舶運動狀態(tài)的最優(yōu)估計:

式中:Kk為時刻k的Kalman增益,與預測向量、預測協(xié)方差相關。由于線性假設,可以通過公式(10~13)擴展,可同步實現多船舶運動預測和狀態(tài)更新。

值得注意的是,基于AIS與雷達數據融合的多船舶跟蹤可分為以下幾種情況。當前時刻有AIS或雷達數據時,跟蹤過程包括運動預測和狀態(tài)更新;當前時刻AIS和雷達數據都不可得時,跟蹤過程僅包括運動預測。當連續(xù)缺少AIS或雷達數據作為觀測信息時,目標初始化模塊將停止對該目標的跟蹤,意味該目標跟蹤結束。

2 結果與分析

天氣良好情況下,利用長江某航段AIS、雷達數據開展實驗,驗證所提多船舶跟蹤方法的有效性。

首先,對該航段的AIS報文進行解析,提取船舶的動、靜態(tài)信息,本文主要利用船舶的MMSI碼、經緯度位置等數據。然后,將AIS、雷達提取到的船舶動態(tài)數據轉換至同一空間坐標系,并根據時間戳信息進行同步,如圖2所示。圖2(a)為AIS數據,不同的船舶位置信息用不同顏色標識,并使用MMSI作為船舶身份識別碼;圖2(b)為對應時空條件下的原始雷達檢測信號。經統(tǒng)計可知,該場景共包含25個船舶目標,累計觀測時長2個小時。

圖2 船舶動態(tài)數據

使用預處理后的AIS、雷達數據對多船舶跟蹤方法進行測試,結果如圖3所示。雷達數據實際刷新時間為4~10 s,AIS數據受接收帶寬限制,同一個船舶的數據刷新時長也被大大延長。因此,所提的多船舶跟蹤方法的計算周期設置為2 s,即每2 s對所有目標的狀態(tài)進行預測和更新。當一個新的目標船舶AIS數據連續(xù)兩次可得時,此時目標初始化模塊啟動一個新的跟蹤線程加入到多船舶跟蹤框架當中。隨后,利用不同時刻得到的AIS或雷達數據作為觀測信息,并結合該目標船舶的運動預測,對其進行持續(xù)在線跟蹤,直到長時間(超過40 s)內無法獲得新的觀測信息。目標初始化模塊在每一個跟蹤周期內負責對所有跟蹤線程進行判定,刪除不適合繼續(xù)跟蹤的目標,增加符合跟蹤條件的目標。對圖3中目標的跟蹤結果分析可得,所提方法的平均誤差為45.3 m,最大誤差為82 m。引起誤差的原因主要在于雷達觀測數據受大型船舶體積影響導致存在偏置誤差,AIS觀測數據的實時性不高,對機動性較強的小型船舶效果較低。

圖3 多船舶跟蹤結果

為驗證所提方法的實時性,本文在多船舶跟蹤程序執(zhí)行過程中加入了時間計算函數。本文開展實驗的計算平臺配置:CPU i7-10510U,8 G內存。所提方法在跟蹤不同數量目標時的時間消耗如圖4所示。所提方法在實現多目標跟蹤過程中,是將所有目標狀態(tài)置于一個跟蹤矩陣當中進行同步處理,而不是跟蹤線程迭代,因此消耗時間并不是單純地疊加。當目標數量逐漸增加后,計算機要處理的矩陣維度也會隨之增大,導致多船舶跟蹤所消耗的時間成本逐漸加大。由圖4可知,盡管所提方法在同時跟蹤25個船舶目標時,消耗時間為0.06 s,但仍遠低于多船舶跟蹤方法的執(zhí)行周期(2 s),滿足實時性要求。

圖4 多船舶跟蹤方法的時間成本統(tǒng)計

3 結 論

基于AIS和雷達數據融合的多船舶跟蹤能夠為智能航行和智能航保提供基礎技術支持。所提方法利用基于聚類的數據關聯(lián)、基于Kalman濾波的運動預測與狀態(tài)更新,在將AIS、雷達數據進行融合的過程中,實現多船舶航跡的在線跟蹤。良好天氣情況下,以長江某航段為對象,開展了相關實驗,結果證明了提出的多船舶跟蹤方法在內河航道場景中具有量好的精度和實時性。在未來研究工作中,引入航道航行時空特征以及船舶物理特征因素,構建先驗知識為條件的船舶運動預測模型,實現對船舶航跡預測和跟蹤的精準掌控。