一种基于创新技术的双驱动混合跟踪架构,用于雷达目标跟踪
《Information Fusion》:A Dual-Driven Hybrid Tracking Architecture for Radar Targets Based on Innovation
【字体:
大
中
小
】
时间:2025年12月17日
来源:Information Fusion 15.5
编辑推荐:
雷达目标跟踪中,传统方法因模型假设与噪声统计特性不符导致跟踪误差。本文提出双驱动混合跟踪架构(DDHTA),通过模型驱动层提供物理可解释的基准估计,并利用创新项统计特性动态调整测量误差方差;数据驱动层设计双尺度时序网络(DSTNet)融合因果 dilated 卷积与多头自注意力机制,动态补偿模型驱动误差。仿真验证表明该方法在复杂机动场景下跟踪精度和鲁棒性显著提升。
在雷达目标跟踪领域,针对高速超音速导弹和隐身飞机等具有复杂机动模式、强变轨能力和异常雷达测量的目标,传统方法存在显著局限性。本文提出的双驱动混合跟踪架构(Dual-Driven Hybrid Tracking Architecture Based on Innovation,简称DDHTA),通过创新性地融合物理模型驱动与数据驱动方法的协同优势,构建了具有动态适应能力的跟踪框架。该方案突破性地将创新项的统计特性作为桥梁,实现了模型驱动框架与数据驱动补偿模块的有机衔接,在保持理论解释性的同时显著提升了复杂环境下的跟踪性能。
传统跟踪方法面临双重困境:模型驱动方法依赖预设的运动学模型(如恒定速度、加速度或 Singer 模型),当目标出现非预期的复杂机动时,模型失配会导致估计偏差累积;而纯数据驱动方法虽能通过深度学习捕捉非线性运动特征,但存在噪声敏感、低频机动特征缺失等问题。现有混合方法多采用功能替代策略,例如直接用神经网络替代传统卡尔曼滤波模块,这种简单替换不仅导致物理可解释性丧失,还可能引入新的误差放大机制。
DDHTA 的核心创新在于构建了双层协同机制:在底层模型驱动层,采用改进的物理模型进行基础状态估计,通过动态调整测量误差方差实现异常噪声的鲁棒抑制。上层数据驱动层则专注于捕捉创新序列中的隐含特征,利用时空联合建模补偿基础估计的动态偏差。这种架构设计既保留了物理模型的确定性优势,又充分发挥了神经网络对复杂模式的学习能力,形成了独特的协同效应。
在模型驱动层,研究团队提出动态调整测量误差方差的机制(Dual Condition Judgment Adjustment,DCJA)。通过实时分析创新项(残差)的统计特性,系统能够自动识别测量噪声中的异常波动,并据此调整误差模型的协方差矩阵。这种动态校准机制有效解决了传统方法中固定误差假设与实际噪声时变特性之间的矛盾,特别是在应对云层散射、等离子体效应等引起的非高斯噪声时展现出显著优势。
数据驱动层采用分层时空网络(Dual-Scale Temporal Network,DSTNet)实现动态补偿。该网络创新性地结合了因果 dilated 卷积与多头自注意力机制:前者通过多层次因果卷积捕捉目标机动轨迹的局部时变特征,后者利用自注意力机制建模轨迹的全局时空依赖关系。这种双尺度架构既能精细刻画短时内的剧烈机动细节,又能有效整合长期运动趋势,解决了传统时序模型在局部特征捕捉与全局趋势建模之间的平衡难题。
实验验证部分通过三个典型场景展示了DDHTA的优越性:1)非高斯噪声环境下的鲁棒性测试,2)多目标异动场景的跟踪精度评估,3)极端机动目标(如蛇形机动)的实时处理能力验证。对比结果显示,在同等计算资源条件下,DDHTA在跟踪误差均值、协方差矩阵拟合度等关键指标上分别优于传统IMM算法、基于LSTM的深度学习方法以及混合卡尔曼滤波方法约15%-22%。特别是在处理低频小幅机动(幅度小于10m/s,频率低于0.5Hz)时,其跟踪误差标准差较现有方法降低约34%,表明该方案能有效解决数据不平衡问题。
技术实现层面,DCJA机制通过实时计算创新项的三维统计特征(均值、方差、偏度)构建动态误差模型。当检测到创新项的统计量超出预设阈值范围时,系统自动触发协方差矩阵的在线更新,这一过程通过递推公式实现,既保证了实时性又避免了复杂的矩阵运算。DSTNet网络架构采用分层设计,底层采用4层因果 dilated 卷积处理时序数据,每层卷积核的扩张因子按几何级数递增(1×2×4×8),以捕捉不同时间尺度的机动特征;顶层通过多头自注意力机制(8头,每个头128维)建模跨时间步的全局依赖关系,注意力权重矩阵经归一化处理后输入全连接层进行误差补偿。
算法优势体现在三个方面:首先,物理模型驱动的基础估计层为数据驱动补偿提供了高置信度的基准,避免了纯数据驱动方法在初期估计上的不确定性;其次,动态误差调整机制有效抑制了异常噪声的干扰,使得特征提取网络能更精准地捕捉目标机动特征;最后,分层时空网络的结构设计兼顾了局部机动细节与全局运动趋势,在保证实时性的同时提升了多尺度特征融合能力。
在工程应用方面,该方案已通过某型相控阵雷达的实测验证。系统在处理某型高速突防目标的跟踪时,当目标突然改变航向(偏转角>45°/s)并伴随加速度突变(超过预设阈值3倍标准差),传统方法跟踪误差立即超过50m,而DDHTA通过DCJA机制快速调整误差模型,配合DSTNet的动态补偿,将跟踪误差控制在15m以内,且保持了连续10秒的稳定跟踪状态。这种快速响应能力在应对电子对抗环境下的突发机动目标时具有重要实战价值。
该研究为解决复杂机动目标跟踪难题提供了新的技术路径。其核心启示在于:通过创新项的动态建模,可以构建物理约束与数据特征之间的有效耦合机制。这种设计不仅提升了算法的容错能力,更重要的是建立了可解释的补偿框架——模型驱动层提供理论支撑,数据驱动层进行动态修正,两者通过创新项的统计特性实现无缝衔接。未来研究可进一步探索多源传感器融合下的分层补偿机制,以及基于物理先验的神经网络架构优化,以拓展该方案在三维空间跟踪和分布式雷达系统中的应用潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号