蘆建輝，喬巍巍，陳東鋒，盧永吉

(空軍航空大學，長春130022)

在現(xiàn)代戰(zhàn)場復雜電磁環(huán)境下，單一傳感器很難滿足作戰(zhàn)情報需要，通常將主、被動傳感器配合使用，組成異類傳感器系統(tǒng)。主動傳感器能夠獲得目標的位置和運動特征，但不能分辨目標的類型;被動傳感器能夠獲得目標的輻射屬性，從而可以分辨目標平臺類型，并進行準確的識別，但不能獲得目標的準確位置和運動信息。異類傳感器系統(tǒng)充分發(fā)揮主、被動傳感器各自的優(yōu)勢，不僅可以改善單傳感器系統(tǒng)的測量誤差，而且能夠準確快速地獲得更多的情報信息，諸如目標類型和目標作戰(zhàn)意圖等更多更關(guān)鍵的信息。在戰(zhàn)場環(huán)境下，時效性意味著稍縱即逝的戰(zhàn)機，而異類傳感器實時信息融合可以實現(xiàn)機動目標瞬時分辨、識別和跟蹤。

目前，異類傳感器信息融合問題已經(jīng)得到國內(nèi)外學者的關(guān)注[1－7]，但尚未成熟;對于異類傳感器的實時信息融合問題研究更為稀少，國內(nèi)未查詢到相關(guān)文獻，國外有類似的研究，但主要應用于成像傳感器的動態(tài)信息融合。文獻[1]提出一種異類傳感器三維空間數(shù)據(jù)關(guān)聯(lián)算法來解決2D雷達與紅外傳感器的數(shù)據(jù)關(guān)聯(lián)問題，并獲得最優(yōu)關(guān)聯(lián)分配方案。文獻[2]提出使用基于角度和屬性信息建立的模糊綜合判別函數(shù)來解決機載雷達傳感器和ESM傳感器的航跡關(guān)聯(lián)問題，該方法具有較低的漏關(guān)聯(lián)概率和錯誤關(guān)聯(lián)概率。文獻[3]針對純方位傳感器與二維雷達量測空間不一致的航跡數(shù)據(jù)融合問題，提出了一種基于方位合成的異類傳感器航跡數(shù)據(jù)融合算法，該方法融合航跡的精度與雷達航跡精度相比有一定提高。文獻[4]通過分析待識別目標類型與結(jié)果類型的差別，提出基于DS理論的多傳感器目標識別能力分析方法。文獻[5]基于分布式多傳感器航跡融合系統(tǒng)，采用序貫處理的方法，研究了相關(guān)條件下帶反饋信息的多傳感器航跡融合問題。文獻[6]應用粒子群優(yōu)化方法解決來自視頻和音頻傳感器的動態(tài)信息融合問題，該方法計算復雜度低、三維空間目標跟蹤性能良好。文獻[7]研究機載異類傳感器的優(yōu)化配置問題，用以解決持續(xù)性情報偵察監(jiān)視任務(ISR)中情報質(zhì)量極大化和保持ISR的有效性問題。

本文研究的觀測對象是空中移動雷達輻射目標，異類傳感器信息融合算法也是針對空中目標設(shè)計的，是在分析被動傳感器多假設(shè)跟蹤(MHT)算法[8－11]的基礎(chǔ)上提出的，MHT 模型主要是用于被動傳感器的純方位目標運動跟蹤;STMHM算法[12]是以實現(xiàn)異類傳感器信息融合為主要功能，在一定程度上實現(xiàn)了實時目標識別和跟蹤。

1 融合數(shù)據(jù)模型設(shè)計

異類傳感器均是在相互獨立的空間極坐標系下測量目標參數(shù)，為了實現(xiàn)主、被動傳感器的信息融合，需要在測量數(shù)據(jù)的基礎(chǔ)上重新構(gòu)建兩類傳感器的數(shù)據(jù)模型，并將各自的數(shù)據(jù)模型投影在同一坐標系下，本文在實驗分析中選定平面直角坐標系作為信息融合的基準坐標系。

1.1 主動傳感器融合數(shù)據(jù)模型

主動傳感器測量的目標信息為目標距離r、速度v、方位角φ和俯仰角ε，將以上測量數(shù)據(jù)投影于平面直角坐標系，那么目標的高度信息將損失。如果載機慣性導航系統(tǒng)按照主動傳感器的數(shù)據(jù)率一一對應的輸出直角坐標系下載機位置信息(xC，yC)，那么目標相對平面直角坐標系原點的位置(x，y)為:

主動傳感器的融合數(shù)據(jù)模型:

其中nA為主動傳感器編號，mA為批號，t為測量時間，DA(nA，mA)表示第nA個主動傳感器的第mA批數(shù)據(jù)的全體。

1.2 被動傳感器融合數(shù)據(jù)模型

被動傳感器測量的目標方位角φ主要用于被動傳感器目標定位，也是主、被動傳感器信息融合的紐帶。如果載機的慣性導航系統(tǒng)按照被動傳感器的數(shù)據(jù)率一一對應的輸出直角坐標系下的載機位置信息(xC，yC)，那么被動傳感器的融合數(shù)據(jù)模型為:

其中nP為被動傳感器編號，mP為批號，t為測量時間，DP(nP，mP)表示第nP個被動傳感器的第mP批數(shù)據(jù)的全體。

1.3 數(shù)據(jù)模型分析

設(shè)一段時間內(nèi)，多主被動傳感器均測量得到一定量的數(shù)據(jù)，設(shè)NA個主動傳感器共測得MA批數(shù)據(jù)，NP個被動傳感器共測得MP批數(shù)據(jù)。假設(shè)單個主、被動傳感器測得的同一批號數(shù)據(jù)都是屬于同一目標的，不同批號的數(shù)據(jù)可能屬于同一目標;多個主、被動傳感器可能觀察的是同一目標，各自對同一觀察目標生成不同批號的數(shù)據(jù)。

主、被動傳感器的測量數(shù)據(jù)轉(zhuǎn)化為融合數(shù)據(jù)后，設(shè)集合A為多個主動傳感器共MA批數(shù)據(jù)的全體，集合ANA為第NA個主動傳感器融合數(shù)據(jù)的全體，ANA中包含多批數(shù)據(jù);設(shè)P為多個被動傳感器共MP批融合數(shù)據(jù)的全體，PNP為第NP個被動傳感器融合數(shù)據(jù)的全體，PNP中包含多批數(shù)據(jù)。即有:

其中，A中共有MA個元素，P中共有MP個元素。

實時信息融合是將集合A與集合P中元素的對應關(guān)系在極短時間內(nèi)通過一定的算法快速地找出來，進而實現(xiàn)實時目標識別、定位與個體精確跟蹤。此時同一目標處于多個主、被動傳感器觀察的狀態(tài)，還需要將多個主、被動傳感器相互融合成功的數(shù)據(jù)進一步融合，實現(xiàn)多主動傳感器信息融合和多被動傳感器信息融合，這部分信息融合具有更加實際的應用價值，本文暫不討論，僅研究異類傳感器實時融合算法。

2 STMHM的融合空間

STMHM算法是基于融合空間的，融合空間的構(gòu)成與主被動傳感器的測量數(shù)據(jù)有直接的關(guān)系。融合空間包括主動傳感器目標量測空間和被動傳感器目標量測空間，多主、被動傳感器可能配置于不同平臺，但是測量的數(shù)據(jù)類型、數(shù)據(jù)率、測量誤差均不相同，因此分別定義二者的目標量測空間(TOS)，目標量測空間的形成實質(zhì)是時間維和空間維的有效劃分。STMHM的融合空間是對主、被動傳感器目標量測空間的融合。

2.1 被動傳感器的目標量測空間

被動傳感器測量的目標方位線，測量間隔為TP，設(shè)k時刻所測得的目標方位角為φP(k)，用φP(k)惟一標識該時刻的方位線，把電磁波的輻射方向作為該方位線的方向。設(shè)主動傳感器測量間隔為TA，并假設(shè)TA=M·TP，M∈N+，那么以2TA的時間段作為被動傳感器目標方位線的積累時間，從而有k～k+2TA時段內(nèi)的方位線序列{φP(k)，φP(k+1)，…，φP(k+2TA)}，如圖1所示。設(shè)在2TA時間段內(nèi)，目標可能出現(xiàn)的平均最遠和最近距離分別為，將k與k+TA兩時刻的目標方位線φP(k)與φP(k+TA)、載機運動矢量的連接線構(gòu)成的矢量多邊形作為被動雷達傳感器的一個量測空間，我們用SP(k)來惟一標識該量測空間。那么{SP(k)}稱為被動傳感器的目標量測空間的集合，{SmPP(k)}表示第mP批被動傳感器融合數(shù)據(jù)的目標量測空間的集合。

圖1 被動傳感器的目標量測空間

2.2 主動傳感器的目標量測空間

在2TA時段內(nèi)，主動傳感器至少可以得到目標的兩個位置點，設(shè)在kA與kA+TA時刻分別得到目標位置TkA與TkA+TA，那么由空間位置TkA到TkA+TA可以形成目標運動矢量，如圖2所示。主動傳感器在kA與kA+TA時刻測得的目標方位角φA(kA)與 φA(kA+TA)，將 φA(kA)與 φA(kA+TA)用來惟一標識這兩個時刻的目標方位線，把電磁波的輻射方向作為該方位線的方向。載機在kA與kA+TA時刻的位置點為 OkA與 OkA+TA，那么載機運動矢量為。由目標運動矢量、目標方位線φA(kA)與φA(kA+TA)、載機運動矢量為構(gòu)成的矢量多邊形作為主動傳感器的量測空間，我們用SA(kA)來惟一標識該量測空間。那么目標運動矢量的連接線就是目標運動軌跡，{SA(kA)}稱為主動傳感器的目標量測空間的集合表示第mA批主動傳感器融合數(shù)據(jù)的目標量測空間的集合。

2.3 STMHM的融合空間

如果時刻kA在k與k+TA之間，那么主動傳感器在kA時刻測量的目標位置點TkA在空間中位于被動傳感器的量測空間SP(k)內(nèi)，相應的TkA+TA位于SP(k+TA)。

如果主、被動傳感器配置于同一運動平臺，將SP(k)和SA(kA)置于同一平面直角坐標系中，形成融合空間，如圖3。

圖3 主、被動傳感器配置于同一平臺時的融合空間

顯然，載機位置點按照時間先后順序連接后，可以形成載機運動軌跡;主動傳感器測量的目標位置點按照時間連接起來后，形成目標運動軌跡。被動傳感器測量的目標方位線的ˉLmax的連接線形成融合空間遠邊緣，載機運動軌跡形成融合空間近邊緣。那么目標就是在遠、近邊緣之間，不同目標的輻射屬性和運動屬性的信息融合也是在遠、近邊緣之間的信息融合。

如果被動傳感器配置于載機1，主動傳感器配置于載機2，同樣將SP(k)和SA(kA)置于同一平面直角坐標系中，形成融合空間，如圖4。

圖4 主、被動傳感器配置于不同平臺時的融合空間

3 STMHM算法

如果對于同一SP(k)來說，主動傳感器測得兩個或者多個目標，并且被動傳感器也能夠通過各目標的輻射特性分辨出目標的數(shù)量，此時要想在同一SP(k)內(nèi)準確的識別出多個目標，并定位跟蹤，主被動傳感器實時信息融合就非常必要了。本章首先提出主、被動傳感器量測空間的時間初始化解決辦法;其次，論述模型算法。

3.1 量測空間時間初始化

被動傳感器的量測空間SP(k)和主動傳感器的量測空間SA(kA)都是在絕對時間下定義的，為了算法的普遍適用性，現(xiàn)將某段短時間內(nèi)同一目標被動傳感器的測量數(shù)據(jù)按照該目標出現(xiàn)時間為0時刻初始化。假設(shè)絕對時刻k時，被動傳感器發(fā)現(xiàn)目標，絕對時間下的量測空間SP(k)就是被動傳感器的第1個量測空間，時間初始化為SP(0);第2個量測空間為SP(1)，對應的絕對時刻為k+TA;此短時間內(nèi)的被動傳感器測量的所有該目標的量測空間都做以上時間初始化。

主動傳感器或許比被動傳感器發(fā)現(xiàn)目標的時間要早，但是依然按照被動傳感器發(fā)現(xiàn)目標的時間為準做時間初始化。這是因為被動傳感器發(fā)現(xiàn)目標之前，主動傳感器測量的目標信息對于目標航跡關(guān)聯(lián)、合并有貢獻，但是依然不能準確識別目標類型，所以主動傳感器測量的目標信息在被動傳感器發(fā)現(xiàn)目標之后對信息融合才有貢獻。主動傳感器測得的數(shù)據(jù)一般是按照目標批次合并保存的，目標批次在一定程度上表示了目標個數(shù)。將SP(k)內(nèi)主動傳感器測得的多批次目標分別作時間初始化，假設(shè)絕對時刻k時，被動傳感器發(fā)現(xiàn)目標，從k時刻至k+2TA時間段內(nèi)，目標將只對應于一個SA(kA)，初始化為SA(0)。

對配置于不同平臺上的主、被動傳感器，需要先進行絕對時間校準，然后再進行量測空間時間初始化。

3.2 模型算法

在目標測量的絕對空間下，融合空間的形成已經(jīng)經(jīng)過時間分割，再對融合空間進行距離維分割，使目標運動在融合空間內(nèi)的描述具體為目標實體空間，目標實體空間的形成只與被動傳感器目標量測空間有關(guān)。將被動傳感器的目標量測空間SP(k)劃分為N個距離間隔不相等的子區(qū)間，第i個子區(qū)間的長度為2σL(i)，平均徑向距離為L(i)，如圖5。

圖5 STMHM目標實體空間濾波示意圖

其中2σL(i)和L(i)滿足:

其中:L(0)=Lmin，σL(0)=0，Lmax=L(N)+σL(N)，ρ為融合空間目標分辨單元，由主、被動傳感器的固有性質(zhì)決定。

經(jīng)過運算，可求得第i個子區(qū)間的長度2σL(i)和L(i)，分別為:

設(shè)空間中僅有一個目標，如果絕對時刻k時刻，被動傳感器發(fā)現(xiàn)目標，批號為m，那么被動傳感器的量測空間時間初始化為，所以，目標位于內(nèi)。依靠主動傳感器測量的目標距離等信息，通過坐標轉(zhuǎn)化可以知道目標在內(nèi)的第i個子區(qū)間?；谝陨峡紤]，信息融合在內(nèi)的融合結(jié)果可以表示為，稱為目標實體空間(TES)。

在每一個SP(k)內(nèi)分別建立擴展卡爾曼濾波模型，如果不考慮過程噪聲的影響，目標狀態(tài)方程可表示為:

其中，X(k)為k時刻目標狀態(tài)矢量，Φ為狀態(tài)轉(zhuǎn)移矩陣，V(k)為具有協(xié)方差陣為Q(k)的零均值白色高斯過程噪聲，Γ(k)為過程噪聲分布矩陣。

此時T=TA，x(k)、y(k)分別為k時刻目標距離在直角坐標系下x軸和y軸的投影分別為目標相對速度在x軸和y軸的投影。

當兩類傳感器配置于不同平臺時，由于被動傳感器測距、測速的局限性，目標實體空間的遞推需要配置于另一平臺的主動傳感器的目標量測數(shù)據(jù)，兩平臺的空間位置對于融合中心來說是已知的，此時需要進行一個簡單的矢量變換，將主動傳感器的目標距離矢量和速度矢量，轉(zhuǎn)換至被動傳感器上即可。

4 數(shù)據(jù)仿真分析

設(shè)被動傳感器的量測間隔TP=1 s，主動傳感器的量測間隔TA=10 s。

4.1 目標態(tài)勢分析

設(shè)主、被動傳感器在對空觀察一段時間后，主動傳感器收到3批數(shù)據(jù)，被動傳感器共收到2批數(shù)據(jù)。那么可以確定空中目標至少有三個，并且有其中一個不輻射電磁信號。將空中目標信息繪制在同一直角坐標系下，如圖6所示。圖中Da(1)、Da(2)、Da(3)分別表示主動傳感器測量得到的第1、2、3批目標的空間位置在平面直角坐標系下的投影點軌跡。

圖6 空中目標態(tài)勢

被動傳感器測量目標輻射信息時，載機形成的航跡如圖7所示，被動傳感器形成的第1批數(shù)據(jù)Dp(1)、對應于載機航跡運動軌跡1，被動傳感器形成的第2批數(shù)據(jù)Dp(2)對應于載機航跡運動軌跡2。

圖7 載機運動軌跡

4.2 信息融合結(jié)果分析

利用STMHM的融合算法對主被動傳感器的量測數(shù)據(jù)進行信息融合，其中，主動傳感器量測數(shù)據(jù)Da(2)與被動傳感器的量測數(shù)據(jù)Dp(1)能夠融合，如圖8，Da(3)與Dp(2)能夠融合，如圖9，并且在利用算法按照時間推演，濾波器不隨時間推移而發(fā)散，說明STMHM算法是有效的。

圖8 Da(2)與Dp(1)融合成功

圖9 Da(3)與Dp(2)融合成功

主動傳感器量測數(shù)據(jù)Da(3)與被動傳感器的量測數(shù)據(jù)Dp(1)融合失敗，原因是被動傳感器的量測空間與主動傳感器量測空間不能形成融合空間，說明這兩組數(shù)據(jù)不相關(guān);Da(2)與Dp(2)融合失敗，被動傳感器不能形成目標量測空間，說明這兩組數(shù)據(jù)亦不相關(guān)。

由于主動傳感器的量測周期(量測間隔)遠遠大于算法的計算耗時，所以算法的融合周期可以用主動傳感器的量測周期來估算。通過大量數(shù)據(jù)實驗，確認信息融合成功一般需要3 TA～5 TA，而確認融合失敗的時間很短僅需1 TA～2 TA。表1給出了以上數(shù)據(jù)信息融合所需要的融合時間。

表1 信息融合的時效性分析

5 結(jié)論

異類傳感器實時信息融合是同時實現(xiàn)目標跟蹤和目標識別的重要途徑，本文構(gòu)建的STMHM算法有效實現(xiàn)了這兩類數(shù)據(jù)的實時信息融合。該算法構(gòu)建兩類傳感器的目標量測空間不僅解決了數(shù)據(jù)率不同造成的融合困難，而且淡化了單個數(shù)據(jù)的功能，從而在一定程度上允許部分數(shù)據(jù)出錯，而且不影響兩類傳感器數(shù)據(jù)的下一步融合。本文通過設(shè)計空中態(tài)勢，運用該算法對兩類數(shù)據(jù)進行融合，驗證了算法的有效性。但是算法在構(gòu)建過程中存在很多問題，對于異類傳感器配置于同一平臺或者不同平臺時，目標量測空間和融合空間的誤差分析方法未詳細論述，而且未推導嚴格的評判規(guī)則方程和誤差允許范圍。

[1]李彬彬，馮新喜，王朝英，等.異類傳感器三維空間數(shù)據(jù)關(guān)聯(lián)算法研究[J].宇航學報，2011，32，(7):1632－1638.

[2]董紅波，劉進忙，張春梅，等.機載異類傳感器模糊航跡關(guān)聯(lián)算法的研究[J].傳感器與微系統(tǒng)，2010，29(7):8－12.

[3]黃友澎，吳漢寶，張志云.基于方位合成的異類傳感器航跡數(shù)據(jù)融合算法[J].西南交通大學學報，2011，46(2):277－280.

[4]劉湘?zhèn)?，周國輝，郝成民.基于D-S理論的多傳感器目標識別能力分析[J].傳感技術(shù)學報，2011，24(7):1017－1020.

[5]黃樹峰，秦超英，郭培榮.帶反饋信息的多傳感器航跡融合算法[J].傳感技術(shù)學報，2009，22(11):1591－1595.

[6]Ulrich K，Simon H，Klaus D.Dynamical Information Fusion of Heterogeneous Sensors for 3D Tracking Using Particle Swarm Optimization[J].Information Fusion，2011，12(4):275－283.

[7]Alex J Barnett，Gavin Pearson，Robert I Young.Optimising the Deployment of Airborne Heterogeneous Sensors for Persistent ISR Missions[J].Proc.of SPIE，2010，7694:0401－0410.

[8]Dunham，Darin T.Tracking Multiple Targets in Cluttered Environments with the Probabilistic Multi-Hypothesis Tracking Filter[D].Naval postgraduate school Monterey，California:1997，3.

[9]Dominic S P Leung，Scott Williams D.A Multiple Hypothesis Based Multiple Sensor Spatial Data Fusion Algorithm[R].SPIE Automatic Object Recognition，1991(1471):314－325.

[10]Rita Baltes.Improvement of Sensor Fusion with Misalignment by MHT Tracking[C]//SPIE Signal and Data Processing of Small Targets，2003(5204):436－445.

[11]Juan R Vasqueza，Jason L Williams.Improved Hypothesis Selection for Multiple Hypothesis Tracking[C]//SPIE Signal and Data Processing of Small Targets，2004(5428):221－223.

[12]Jianhui Lu，Chengzhi Yang，Dongfeng Chen，et al.Spatial-Time Multiple Hypothesis Model of Data Fusion based on Active and Passive Sensors[C]//International Workshop on Information and Electronics Engineering.2012:2759－2764.