空中目標傳感器管理方法綜述

閆濤，韓崇昭，張光華

1. 西安交通大學 電信學院 綜合自動化研究所，西安 710049 2. 西安交通大學 智能網絡與網絡安全教育部重點實驗室，西安 710049

在20世紀的最后十多年里，傳感器技術在全球范圍內迎來了革命性的發展和進步。這直接引發了具有高可控自由度的感知設備的大量出現。傳統的傳感器信號傳輸屬性，如中心頻率、帶寬、波束調制、采樣率等一系列與傳感器管理有關的參數和工作模式都可以通過軟件的形式進行操控。在同一時期內，傳感器網絡方面的相關技術也取得了非常大的進步，出現了具有各種先進傳感器以及交互式網絡的可部署自動/半自動的無人機/無人車系統。這說明可自動配置的網絡感知系統是信息融合領域的一個新興的發展方向，能夠解決工程應用中的許多實際問題。

隨著近年來合成孔徑雷達(Synthetic Aperture Radar, SAR)、相控陣雷達(Phased Array Radar, PAR)、敵我識別器(Identification Friend of Foe, IFF)、前視紅外雷達(Forward Looking Infrared Radar, FLIR)、電子支持測量(Electronic warfare Support Measures, ESM)等各種先進傳感器以及新型作戰飛機、預警機、無人機等平臺的不斷發展，現代戰場環境變得日益復雜，傳感器管理任務也面臨重大需求和挑戰，亟需進一步深入研究。在軍用領域，傳感器管理方法可用于彈道導彈防御、空防預警、超視距多目標探測、戰場區域監視、態勢評估等方面；在民用領域，可用于空中交通管制、交通導航、智能車輛系統、機器人視覺等領域。同時，傳感器管理與多目標意圖推斷、威脅估計等其他高層信息融合處理過程也具有重要的耦合關系。這就需要有針對性地采用某種策略來對多傳感器進行優化配置，以發揮其最大效用。

所謂的“傳感器管理”總體而言是指對傳感器系統的自由度進行控制，以滿足實際的約束條件并實現既定的任務目標。為了達到這一目的，需要在跟蹤過程的每一時刻，在約束條件下根據已經得到的量測集合和當前可用的傳感器資源確定最優的傳感器配置方案。因此傳感器管理的核心思想在于優化方法，并且與控制論、信息論、統計方法、信號處理等數學、計算科學與工程方法密切相關。同時，傳感器管理可同時應用于區域目標監視、多目標跟蹤等各種軍用和民用領域。本文重點針對空中目標傳感器管理問題的內涵、產生和發展進程，以及近年來主要傳感器管理方法的任務目標、約束條件、感知模式、動態模型等問題進行綜述和討論。這些相關的方法實際上具有更廣闊的適用范圍，而并不局限于本文所涉及到的內容。

本文旨在對傳感器管理的相關研究脈絡和最新進展進行較為全面的分析和總結。由于傳感器管理屬于信息融合領域的一個分支，該領域內與其關聯的問題較多，因此部分與傳感器管理相關的研究內容并不在本文的討論范圍之內。這其中包括自適應搜索方法、啟發式傳感器管理方法等，還有人工智能和人機交互系統的部分相關內容，包括機器視覺、自動導航、壓縮感知等方法也不在本文討論之列。另外，由于空中目標具有機動性高、運動軌跡和跟蹤環境復雜多變等特點，因此一直以來都是傳感器管理方面的重點研究對象。本文以此為基礎展開論述，其中涉及到的方法具有一般性，并不局限于空中目標。該領域的研究還包括但不限于針對地面運動目標檢測(Ground Moving Target Indication, GMTI)等傳感器管理方法，在此不再專門討論。參考文獻列舉了本文所涉及到的全部相關學術研究工作。

在傳感器管理方面最早發表的綜述性論文是Monahan于1982年發表的文章[1]，該文在傳感器管理概念尚未建立的時候就給出了針對部分能觀馬爾可夫決策過程(Partially Observed Markov Decision Process, POMDP)的理論和方法。其后是1998年Cassandra發表的文章[2]，該文并未直接討論傳感器管理問題，而是主要研究了在傳感器管理與調度任務中的一些應用實例，并分析了POMDP與傳感器管理之間的聯系。Ng G W和Ng K H于2000年則從傳感器融合的角度對傳感器管理方法進行了總結[3]。Hero等于2008年出版的論著《Foundations and applications of sensor management》分章節闡述了傳感器管理的主要方法[4]。該領域其他的綜述性文章還有Cochran[5]于1995年發表的文章以及Liu等[6]于2002年發表的文章。

近年來國內外有關傳感器管理的博士學位論文也有許多。其中國外有Kreucher[7]、Rangrajan[8]、Blatt[9]、Williams[10]、Huber[11]和Jenkins[12]等；國內先后有劉先省[13]、周文輝[14]、劉嚴巖[15]、盧建斌[16]和劉欽[17]等對傳感器管理問題做過深入的研究。

本文后續內容按以下結構組織：第1節給出了傳感器管理系統的概念定義和基本目標；第2節重點介紹了過去隨著傳感器管理的產生和發展而出現的經典方法和技術，并概述和分析了近年來最新的一些傳感器管理方法；第3節展望了傳感器管理在未來所面臨的挑戰與機遇；最后部分對全文進行了總結。

1 傳感器管理的定義

通過綜合參考文獻[4-17]，能夠得出傳感器管理(也稱傳感器控制)的具體定義：利用有限的傳感器資源完成對多個目標的檢測、跟蹤與識別任務，以得到各目標具體特性的最優度量值(如檢測概率、截獲概率、傳感器發射能力、網絡能耗、航跡精度和丟失概率等)，并根據最優準則對目標函數進行優化，進而實現對傳感器資源科學合理地分配與調度。在進行測量跟蹤過程的每一時刻，系統從一組可選傳感器集合中動態地選擇合適的傳感器對單目標或多目標進行掃描跟蹤，從而達到優化傳感器網絡各項性能的目的。一般將時間離散化為等長的時間段，一個傳感器在任一時間段內可能被選擇和調度，因此該問題屬于離散時間問題。這里的傳感器管理系統通常是指閉環系統，下一時刻傳感器選擇調度的結果是根據當前時刻傳感器的量測集得出的。而傳感器調度則是用于進行傳感器選擇的前饋結構，在部分文獻里這兩個概念是混用的[18]。

傳感器管理方法能夠根據一定的最優準則對傳感器部署位置、目標分配、工作模式及工作參數等進行控制，從而優化傳感器網絡整體性能。該方法能夠提高對特定目標或監視區域的感知能力，同時減小應對時的工作負荷，因此在整個信息融合系統中占據更高層級的位置，并如前所述與系統其他部分緊密關聯，如圖1所示。其中：L0～L4分別表示信息融合系統由低到高的5個不同層級。

在傳感器管理的相關應用方面，可以用于管理調度的傳感器一般都是指虛擬傳感器，表示實際物理設備的相關參數設置以及傳感器器件、傳感器平臺等工作模式選擇，還包括傳感器子系統數據處理方式和相互之間數據通信方式的設置。因此，對傳感器進行管理就意味著確定傳感器系統的可控自由度數值應如何設定。

圖2展示了一個閉環傳感器管理系統的基本結構。當S1～S3中的某個傳感器被系統選擇并對目標進行了探測時，被掃描對象的信息就能從傳感器數據中被系統提取出來。這一過程涉及到將不同來源、不同類型的傳感器數據進行異類信息融合，以及將當前時刻所獲得的信息與之前的傳感器量測信息進行進一步融合。該閉環系統在信息融合與信號處理過程中有可能產生部分附加信息，例如目標航跡和目標種類信息等，可以在傳感器管理過程中充分利用這些信息來提高系統感知能力。

為了達到傳感器管理的目的，需要對每一時刻可能的傳感器選擇結果進行量化分析。該量化分析可以采用多種形式，包括基于信息增益或者期望風險的統計方法，以及啟發式方法。從這個角度來看，傳感器管理又可以理解成是對下一時刻掃描探測所使用的傳感器進行選擇的一個決策優化過程。

關于信息狀態，需要保證其能夠表示所需要感知場景下的全部信息，或者至少是與目標相關的全部信息。通常情況下，這些信息包括傳感器系統自身的物理狀態(如搭載了傳感器的飛行器的位置與方位角)，通過這些信息的約束可以得到傳感器系統下一步可能的動作以及下一時刻可選擇參加任務的傳感器。傳感器系統自身的先驗物理信息對傳感器管理而言非常重要，因此部分文獻將其物理狀態與信息狀態區別對待并分別建模，如圖3所示。

圖1 多傳感器信息融合系統閉環模型Fig.1 Multi-sensor information fusion system in close-loop model

圖2 傳感器管理系統結構Fig.2 Architecture of sensor management system

圖3 控制論角度下的傳感器管理模型Fig.3 Sensor management model in view of control theory

圖3表明傳感器管理與反饋控制在很多方面都具有極大的相似性，而控制理論本身就是目前傳感器管理相關理論的重要組成部分。但二者在一些具體性質方面卻又有所區別。在傳統的反饋控制理論方面，傳感器用來確定某一動態目標的狀態信息。該信息表征了外部施加的控制動作是如何根據控制原理或者控制規則來不斷改變系統狀態；而在傳感器管理方面，控制動作會更為直接地影響目標的信息狀態，與其說反饋的目的是幫助系統判斷應該執行哪種控制動作，不如說反饋感知行為本身即是一種控制動作。

2 方法概述

針對空中目標的傳感器管理技術是現代戰爭，尤其是C4ISR(Command, Control, Communication, Computer, Intelligence, Surveillance, Reconnaissance)系統和其基礎上的全域作戰不可或缺的組成部分。目前主要應用于空中區域目標監視、彈道導彈攔截、防空預警、飛行導航等方面。而由于傳感器管理技術在眾多軍用和民用領域均具有非常重要的戰略意義和應用價值，因此世界各國都在積極開展相關研究工作，其中以美國在該領域的研究水平最為先進。國內對傳感器管理問題的研究始于20世紀末，雖然起步較晚，但也得到了一系列成果。

2.1 方法的起源與發展

早在20世紀上半頁“傳感器管理”的概念出現以前，Fisher為了解決數據統計過程中的樣本選取問題改進了統計實驗的設計方法[19]。到了20世紀80年代，統計學的相關學者開始在統計實驗設計中引入序貫和閉環反饋的思想，并且證明了在序貫統計實驗中樣本的數量和組成不該是固定不變的，應隨量測函數變化[20]。Meier等于1967年給出了在動態模型中使用閉環結構解決量測自適應問題的數據統計和采集方法[21]。Fedorov在其1972年的著作中給出了序貫統計實驗設計中的優化方法[22]。這些統計方法的提出都為傳感器管理奠定了數學統計方面的理論基礎。

1977年，Nash率先采用線性規劃方法研究了單平臺多傳感器多目標跟蹤過程中傳感器資源的最優分配問題[23]。而“傳感器管理”這一文字性的具體概念則最早出現于1988年在美國舉辦的IEEE全國宇航電子學會會議上，即NAECON(National Aerospace and Electronics CONference)有關軍用飛行器上的傳感器系統自動控制方法的討論中[24]。

在此之后，Castanon[25]首先使用POMDP來解決真正的多傳感器管理問題。但該方法的計算復雜度過高，尤其是那些預測步超過一步的改進型方法，導致其在工程實踐中難以使用。Ktishnamurthy[26]率先將解決多臂賭博機(Multi-Armed Bandit, MAB)問題的思路引入傳感器管理方法，并考慮到可以通過啟發式方法減小POMDP問題的計算復雜度。但該方法無法同時對多個目標進行跟蹤，并且在量測滿足一定的能觀性條件下才能得到目標狀態的解析解。Kreucher等[27]使用粒子濾波方法解決了目標運動模型非線性且環境隨時間動態變化情況下多目標跟蹤中的傳感器管理問題，且對交叉航跡能進行正確跟蹤。然而該方法在非線性條件下需要使用大量的粒子進行計算，從而帶來巨大的計算代價，且該方法在多目標對象較為密集或航跡交叉時容易出現誤關聯。Tharmarasa等[28]使用多層分布式融合中心的傳感器網絡結構解決了大規模多傳感器多目標的跟蹤問題以及傳感器管理問題。然而該方法不適用于分布式融合中心移動的場景中，無法通過移動融合中心來得到優化的跟蹤結果，且該方法在實時條件下無法保證得到傳感器管理的全局最優結果。

2.2 傳感器管理方法研究現狀

近幾年來，在傳感器管理方面又出現了很多新的學術成果。這些成果主要可以分為兩大類：一類是基于信息指標優化的傳感器管理方法；另一類是基于決策過程優化的傳感器管理方法。其中，前者在當前的研究成果中占多數，后者占少數。當前傳感器管理方法從其他角度來看還有各種不同的分類方式，本節后續部分僅依據上述分類方式對各種具體方法分別進行討論和分析。

從另一個方面來看，當前各種主要的傳感器管理方法大都以短時間尺度下的傳感器調度管理為主要目標，即此類方法在第k時刻僅能得出第k+1時刻的傳感器調度方案。而長時間尺度下的傳感器管理方法，即在第k時刻能夠得出第k+n時刻(n>1)的傳感器調度方案，由于其問題描述更為復雜，需要使用線性規劃等其他數學工具進行處理，因此當前的研究中鮮有涉及。同時，由于估計濾波算法帶來的高計算復雜度、目標及其周圍環境所存在的不確定性、傳感器固有的系統偏差等各種因素綜合作用，導致許多傳感器管理方法僅能通過仿真實驗驗證其有效性和具體性能，而無法滿足工程實際中實時在線的傳感器管理需求。

2.3 基于信息指標優化的傳感器管理方法

將傳感器管理作為信息評價指標進行優化的一類方法，其實質在于在任一時刻k，在一定約束條件下以某種目標相對于傳感器的信息評價指標為優化對象，進而實現傳感器資源的最優分配和調度，以提高融合系統對單/多目標、動/靜目標的整體跟蹤精度。在某些情況下還能同時提高融合系統對目標的檢測概率和識別能力。該類傳感器管理方法近年來主要有以下幾種具體方法。

Ristic和Vo[29]使用Rényi信息增益作為回報函數來進行POMDP框架下的多目標Bayes濾波傳感器控制，并引入獨立同分布的隨機有限集來進行多目標的狀態預測和更新。但該方法的計算復雜度過高，且僅考慮了集中式的融合結構。

Gostar等[30]利用多伯努利濾波器以及基于估計誤差的損失函數最小化方法來選擇傳感器進行多目標狀態估計。該方法對多目標個數和狀態估計結果一體化考慮，且計算時間和魯棒性都令人滿意。但該方法未考慮較為復雜的非高斯噪聲場景問題。

Wang等[31]于1999年提出了多傳感器數據融合系統中的自適應傳感器管理方法。該方法基于模糊集理論和證據理論，由于避免了積分運算而簡化了計算復雜度。

何友等[32]將動態規劃思想和有限集合理論引入了傳感器管理方法，并提出了一種基于信息熵的傳感器管理方法。但該方法在使用有限集理論方面只局限于對理論框架的討論，并未涉及具體的傳感器管理方案。

楊小軍等[33]嘗試使用條件后驗克拉美羅下界(Conditional Posterior Cramér-Rao Lower Bound, CPCRLB)指標選擇并激活傳感器節點，并使用粒子濾波對目標進行跟蹤。但該方法在量測來源不確定的情況下無法進行傳感器選擇。

劉欣怡等[34]提出了一種基于Rényi信息增益的多傳感器管理方法，該方法利用交互式多模型(Interactive Multiple Model, IMM)和容積卡爾曼濾波(Cubature Kalman Filter, CKF)算法解決了高斯非線性條件下的系統狀態估計問題。然而在傳感器和目標數目較多的情況下，該方法無法保證模型求解的時效性。

黎子芬等[35]設計了一種基于跟蹤精度控制的多傳感器多目標分配方法，通過使用協方差控制、偽量測異步融合、IMM算法以及蟻群算法實現對多目標跟蹤精度的控制。但該方法只能針對目標個數已知且確定的情況進行處理，無法解決目標個數隨時間變化的傳感器管理問題。

申屠晗等[36]提出一種基于反饋式多傳感器結構和概率假設密度(Probability Hypothesis Density, PHD)濾波器的融合跟蹤框架，并使用GM-PHD(Gaussian Mixture PHD)濾波器實現了多種多目標跟蹤方法，提高了對多目標的跟蹤精度。但該方法沒有研究不同形式多傳感器后驗PHD融合方法的理論性能，也并未從傳感器管理的角度出發，考慮如何進一步提高多傳感器對多目標的跟蹤性能和效率。

筆者[37]使用后驗克拉美羅下界(Posterior Cramér-Rao Lower Bound, PCRLB)指標結合粒子群優化技術實現了多傳感器多目標聯合檢測跟蹤任務中的傳感器管理方法。該方法能有效提高傳感器網絡對多機動目標的整體感知能力與跟蹤精度，但未考慮復雜的多目標數據關聯問題，也未討論非線性非高斯條件下相應的傳感器管理方法。

除此以外，筆者[38-39]還給出了用于解決復雜的群目標和擴展目標跟蹤問題的傳感器控制策略。吳巍等[40]提出了基于輻射控制的機載多傳感器系統協同跟蹤方法，該方法有助于提高作戰飛機的抗偵察、抗干擾能力和整體生存能力。童俊和單甘霖[41]提出了一種基于目標跟蹤精度Cramér-Rao下界的多傳感器跟蹤資源協同分配方法。葉繼坤等[42]提出了一種基于幾何關系的多導彈協同跟蹤方法。張華睿等[43-44]提出了基于Fisher信息距離的傳感器管理方法。孟迪等[45-46]提出面向空中目標跟蹤、搜索與成像任務的雷達資源優化調度方法。

2.4 基于決策過程優化的傳感器管理方法

將傳感器管理作為決策過程進行優化的一類方法，其實質在于在任一時刻k，在一定約束條件下根據傳感器得到的目標量測信息Zk(經常還包括歷史量測信息Z1:k)，使基于某種特定控制策略或任務生成的回報函數最大化，或者使風險函數最小化，并以此為依據在該時刻對傳感器(或者傳感器平臺)進行控制和調度。該類傳感器管理方法近年來主要有以下幾種具體方法。

Wang等[47]提出一種使用帶標簽的多伯努利(Labeled Multi-Bernoulli, LMB)濾波器和優化控制策略實現多傳感靜/動平臺控制的傳感器管理方法。該方法有效降低了傳感器管理的時間復雜度，但與實時在線計算仍有較大距離。且該方法僅能對目標之間距離較近的非機動/機動群目標進行有效跟蹤。

Gostar等[48]以LMB濾波器為工具，以最優次模式分配(Optimal Sub-Pattern Assignment, OSPA)距離為優化指標，實現了最優傳感器控制動作下的多目標狀態估計信任度最大化。該方法能明顯提高單傳感器動平臺對多目標的整體跟蹤性能，但未涉及多傳感器對多目標跟蹤場景下的情況

Hoang和Vo[49]通過將多目標狀態建模為多伯努利隨機有限集，同時實現了目標數方差后驗期望的最小化以及預測與更新概率密度函數之間Rényi距離期望的最大化，即完成了目標個數的確定以及估計新息的最大化。但該方法只局限于特定場景，不具有普遍性，且未能解釋目標對象能觀性如何影響傳感器控制策略。

Katsilieris等[50]提出了一種基于威脅度的傳感器管理方法。該方法主要針對多目標威脅度中的不確定性進行最小化處理，可應用于目標區域監視與空中交通管制。其缺點在于無法用威脅度函數表征一些不可測量所包含的信息，且只能在較短時間尺度內進行傳感器優化調度。

Gostar等[51]對多目標狀態的預測與更新概率密度函數之間的Cauchy-Schwarz距離進行最大化處理，從而得到該距離在多伯努利濾波器下的閉合形式解，實現優化傳感器控制策略的目標。而該方法的缺點同樣是只能得到傳感器單步的最優控制結果，無法得到多步全局最優結果。

通過對上述國內外研究現狀的梳理可以發現，與目標跟蹤、數據關聯以及時空配準等傳統信息融合研究方向相比，傳感器管理這一重要研究方向目前的研究成果還相對較少，且仍存在許多尚未解決的重要問題。

2.5 現存問題及分析

決策過程理論為研究傳感器管理方法提供了一個潛在的統一框架。一個決策過程指的是關于量測的時間序列以及相應的控制動作，而每個控制動作是由上一時刻控制動作影響下得到的該時刻的量測決定的。因此，最優的傳感器管理方案本質上是一個使回報期望最大化的決策過程?？v觀過去和近年來的各種傳感器管理方法，發現可以從決策過程的角度來研究傳感器管理方法。

為了簡化傳感器管理中的優化策略，通常假設決策過程具有Markov性，即當前時刻的決策僅由該時刻的量測值決定，而與之前的量測集無關。當待估計的目標狀態能夠完全通過量測進行估計時，將該決策過程稱為Markov決策過程(Markov Decision Process, MDP)；否則，稱之為部分能觀Markov決策過程(Partially Observed MDP, POMDP)。根據Bellman公式[4]，可以通過線性規劃得到MDP和POMDP問題的最優解。而前述的MAB問題實質上是一個資源分配的時間序列模型，在該模型中多臂所對應的多種資源由控制器分配給多個任務。當某時刻對一種資源進行分配時，MAB就轉換到另一個隨機狀態，并同時得到由該狀態確定的一個回報。當MAB下的控制動作和狀態序列滿足Markov性時，則該MAB問題就成為了MDP或POMDP的一個特例。

用于傳感器管理的MDP、POMDP和MAB方法都會面臨多步前向搜索問題。而要確定這一搜索策略，需要先對每一時刻可供選擇的各種控制動作及其執行后所帶來的回報進行評價。現有的研究成果主要集中于短時間尺度下的貪婪方法，因其方法的計算復雜度較低而易于實現。這類方法一般只根據當前時刻計算出下一步的回報期望來尋找當前最優的控制動作，而不考慮多步的最優問題，因此其方法性能相較于多步優化方法有所降低，有時甚至會有顯著差異。

基于信息論的各種方法已經被大量用于傳感器管理。在選取優化指標時，通常使用的是信息增益而非具體任務所對應的回報函數，這是因為信息增益作為度量目標對象的一個指標更能反映本質。例如，許多回報函數都與所用的濾波或檢測方法相關，但其中所蘊含的互信息卻不會隨著數據的轉換而變化。這一性質使得單步優化方法在犧牲系統性能的條件下能夠保證其在遇到對應模型失配、系統目標動態變化(檢測與跟蹤)等不利因素的情況下仍具有足夠的魯棒性。

起初，多數基于信息論的傳感器管理方法重點關注的是在單模式下以簡單的被動方式對多目標進行跟蹤。但近些年來，信息增益被更多地用于建立模型及傳感器管理任務，例如基于通訊損失函數下的動態協同感知[52]、多傳感信息融合[53]、機器路徑規劃[54]以及利用互信息進行目標識別與跟蹤[55]等方面。

3 展 望

盡管自2000年以來，尤其是最近十年內，相關領域學者在空中目標傳感器管理方面做了許多研究工作[56-69]，但其目前在實際系統設計和性能評價方法上仍缺乏有效的指導原則。同時，該領域未來有以下幾個潛在發展方向值得關注：

1) 在該技術應用于大規模傳感器系統時，其中一個核心問題就是當多傳感器系統的可調參數過多時或者時間約束條件較為苛刻時抑或只能使用多步優化方法時，現有傳感器管理方法的計算復雜度均會急劇上升。解決這一困境的其中一個潛在方向就是使用稀疏凸優化方法。因為在一系列可能的控制動作中選取最優的控制動作，這一思路本身與壓縮感知以及稀疏回歸中的變量選取思路非常相似。所以可以沿此思路進一步深入研究，以期解決更多諸如多步優化之類的復雜傳感器管理問題。

2) 另一個應對傳感器管理高計算復雜度問題的方向在于使用統計理論與機器學習中的一些方法。通常面對某個領域中令人感到棘手的問題，可以將其等價的轉換到另一個領域中使用該領域已有的方法將其簡化并予以解決。例如，Freund和Schapire所提出的加速最優分類器學習方法即是受到了最優MAB策略的啟發[70]；而相對的，Blatt等通過將最優POMDP策略的離線學習方法等價轉換為最優分類器學習方法，提出了應用于雷達的最優傳感器管理快速學習方法[71]。

3) 此外，非合作條件下的傳感器管理方法也是該領域未來的一個重要發展方向，即對方能夠通過控制目標場景中的一些條件來阻撓我方實現自己的傳感器管理目標的情況。目前的主要研究方向在于引入博弈論等其他相關方法。近年來有關POMDP用于智能目標的方法就是實例[72]。所謂智能目標指的是在感知到自己被對方探測到時能夠做出相應反應的目標[73]。但是整體上而言，這一研究方向還比較新穎，因此相關成果還非常少，需要繼續研究。

總體而言，未來作戰概念在空中目標傳感器管理領域內集中體現在安全防御區域監視系統上。其發展趨勢表現為各類自主或半自主平臺上會出現越來越多的網絡化分布式傳感器。這些傳感器通過傳感器管理子系統能夠提供比傳統目標跟蹤與發射源定位等任務更高層級的多/群目標與復雜環境感知信息?？梢云诖S著該領域的進一步研究和發展能夠逐漸實現這一愿景。

4 結 論

本文圍繞空中目標傳感器管理方法這一核心問題對一些過去代表性的經典方法和近年來新提出的方法進行了較為全面的綜述、分析和比較。

1) 回顧了傳感器管理方法的誕生與研究發展進程，同時按時間發展順序重點研究了一些具體的傳感器管理方法。

2) 對傳感器管理方法當前的國內外研究進展以及未來的發展方向進行了進一步闡述，并對這些方法各自的思想與優缺點進行了深入剖析。

3) 指出了現有空中目標傳感器管理方法存在的改進空間，以及解決該領域現存困難的一些可行出路，并展望了該領域未來的發展方向。