多基地聲吶融合探測關鍵技術研究

張浩宇, 韓一娜, 趙偉康, 楊益新, 劉清宇

?

多基地聲吶融合探測關鍵技術研究

張浩宇1, 韓一娜1, 趙偉康1, 楊益新1, 劉清宇2

(1. 西北工業大學 航海學院, 陜西 西安, 710072; 2. 海軍研究院, 北京, 100073)

為了解決多基地聲吶中的融合探測問題, 文中分別探討了多基地聲吶融合探測中的測量模型、數據關聯和跟蹤器性能模型3個關鍵技術。測量模型包括時間、方位、位置和聲速的誤差分布和目標的定位表達式, 給出了各個誤差因素的表達式和定位誤差的表達式。數據關聯用來解決得到的測量與已知目標之間的分配問題, 重點介紹了最近鄰數據關聯和多假設數據關聯方法, 這2種方法使用相同的數據模型、測量模型和運動模型, 通過對最近鄰數據關聯和多假設數據關聯進行仿真, 發現均能對目標實現良好的跟蹤。跟蹤器性能模型用來評估跟蹤器輸出質量, 分別從跟蹤檢測概率、跟蹤碎片和錯誤跟蹤率3個性能指標評估輸出質量, 通過仿真得到的性能指標可知, 多假設數據關聯跟蹤器的輸出質量明顯優于最近鄰數據關聯跟蹤器的輸出質量。

多基地聲吶; 測量模型; 數據關聯; 跟蹤器性能模型

0 引言

由于淺水環境的復雜性以及潛艇的安靜特性, 使得傳統收發合置型主動聲吶以及純被動型聲吶在反潛方面越來越難。主動聲吶在發射信號時可能會暴露聲吶的位置, 很容易被打擊。純被動聲吶的探測能力十分有限, 高虛警率會進一步削弱其探測能力。多基地相對于收發合置聲吶和純被動型聲吶有以下優勢: 隱蔽性好; 抗干擾性強; 探測范圍廣; 定位精度高; 配置方式靈活; 設計易于優化等[1], 所以, 基于多基地聲吶網絡探測技術越來越受到重視。文獻[2]中包括了數據關聯技術, 但是沒有多假設數據關聯。基于此, 文中增加了多假設數據關聯并進行仿真, 由跟蹤檢測概率、跟蹤碎片和錯誤跟蹤率3個性能指標建立的跟蹤器性能模型是文章的創新點之一。

文中探討的多基地聲吶融合探測中的關鍵技術包括如下幾個方面:

1) 針對目標測量數據開發統計學一致的測量模型, 以解決各種系統和測量誤差[3];

2) 利用最近鄰、多假設數據關聯, 開發具有復雜性和性能增加的多基地能力[4];

3) 建立跟蹤器性能模型, 評估跟蹤器的輸出質量[5]。

1 多基地測量模型

多基地聲吶網絡是由分布在監視區域內的多個聲吶發射源和接收器組成。1個發射源與1個異地的接收器組成的網絡稱為雙基地網絡(見圖1)。雙基地網絡是多基地網絡的基本組成單元, 因此以雙基地為例說明多基地情況。所謂測量模型就是對定位有影響的誤差函數。定位誤差來源包括發射源和接收器位置的誤差、聲速誤差、時間誤差以及目標方位誤差函數。建立測量模型的目的是綜合各種誤差對定位帶來的影響, 誤差越小, 算法就能更好地進行數據關聯。

圖1展示了1對發射源—接收器的雙基地發射源—目標—接收器幾何形狀, 發射源和接收器不在同一地點。假設忽略發射源、目標及接收器深度的影響, 研究對象在2D平面, 忽略多路徑到達(在遠距離情況下, 假設信號處理器成功地將單路徑和多路徑到達組合成單個目標接觸點)。這些假設在許多低頻主動聲吶的監視應用中是合理的。而對于非常接近發射源和接收器的目標, 此假設無法使用。

1) 發射源—目標—接收器的時間

2) 目標相對于接受的方位角

3) 接收器位置

4) 發射源位置

假設測量誤差是不相關的(注意這僅是簡化, 因為在波束形成過程中, 方位估計依賴于聲速)。目標定位誤差方差

其中

2 數據關聯

通過上述測量模型可得到定位誤差表達式。定位誤差對數據關聯有很大的影響: 誤差越大, 關聯的精度越低。可以把測量模型看作數據關聯的前提條件。

數據關聯就是把得到的測量與已存在的目標軌跡進行關聯。常用的數據關聯方法有最近鄰數據關聯、全局最近鄰數據關聯、概率數據關聯以及多假設數據關聯等。

1971年, Signer等[6]提出最近鄰數據關聯方法, 用于對目標狀態進行預測。落入關聯門內且和預測位置最近的一個點被稱為關聯點。“最近”并不是真實距離最小, 而是統計意義上的距離最小。最近鄰數據關聯則是將每個觀測點跡與最近鄰的航跡進行關聯, 其優點是計算量小、便于實現, 適用于目標密度小、信噪比高的情況。缺點是最近鄰關聯是局部最優, 所以離中心最近的測量并不一定是正確的目標測量, 且抗干擾能力差, 多目標情況下容易產生錯誤的跟蹤。

全局最近鄰數據關聯方法是在最近鄰數據關聯的基礎上提出的。與最近鄰數據關聯不同的是, 全局最近鄰數據關聯會在最終給出一個唯一的觀測點跡和航跡對。全局最近鄰數據關聯是求航跡與點跡之間的距離和最小, 用它來表明二者的靠近程度[7]。

1972年, Bar-Shalom和Jaffer[8]提出概率數據關聯方法。一般情況下, 落在關聯門的測量不止一個。按照最近鄰數據關聯的思想, 距離預測位置最近的測量來自真實目標, 但是事實可能并非如此, 而使用概率數據關聯就能很好地解決此類問題。概率數據關聯認為所有關聯門內的測量都有可能來自真實目標, 只是概率不同。

多假設數據關聯方法最早由Reid[9]提出。在每次掃描的測量可能來自雜波、新目標或已存在的目標的基礎上, 多假設構造面向測量的關聯假設樹, 對每個測量列出可能的假設, 當數據關聯發生沖突時, 形成多種假設延遲邏輯判斷的決策。該方法的優點是, 延遲判決減少關聯錯誤的概率, 跟蹤精度高, 不易出現誤跟蹤或者丟失跟蹤: 缺點是過于依賴目標或雜波的先驗知識, 且計算量很大, 實現起來較為復雜。

該節主要介紹最近鄰數據關聯和多假設數據關聯2種方法, 這2種方法的測量模型、運動模型和數據模型均相同。測量模型上節已經介紹, 現在介紹數據模型和運動模型。

2.1 數據模型

2.2 運動模型

文中使用近勻速運動(near constant velocity, NCV)模型[10]

連續時間動力學方程離散化模型為

2.3 最近鄰數據關聯

當次掃描內關聯個接觸時, 該航跡被確認: 若不然則此次跟蹤依舊被放棄。如果已確認的航跡在連續次掃描中沒有掃描到, 則終止此次跟蹤。

2.4 多假設數據關聯

多假設數據關聯主要內容包括數據聚簇、假設生成、假設概率和假設支剪。

2.4.1 數據聚簇

聚簇指跟蹤門的集合, 表示目標與測量存在一定的關系。在整個監測區域內, 可以把目標和測量分割為多個獨立的簇, 這樣就可以用若干個小的跟蹤問題代替一個大的跟蹤問題, 降低計算量和算法復雜度, 節省計算時間。程序初始化階段分別為每個確認航跡創建獨立的簇, 落入目標航跡跟蹤門的測量都可以關聯到簇內。下一次掃描收到的測量與以前的簇(假設)進行互聯, 形成新的簇。若上一周期處理中2個或更多獨立的簇與同一個量測相關, 則這幾個簇形成1個新的超簇; 不與任何舊簇相關的測量形成新簇。

2.4.2 假設生成

假設就是關聯, 是對簇內的測量進行分配, 測量可能來自先前存在的目標、新目標或雜波。1個簇內可以有多個假設, 每個假設可以包含若干個相容的航跡。對簇內的目標和測量進行關聯生成假設的同時, 需要修改簇中每個假設的概率和目標的狀態。

2.4.3 假設概率

上式等號右邊第1項是給定分配假設條件下測量的似然值

上式等號右邊第2項

將式(9)和(10)代入遞歸公式并簡化, 得到假設概率

2.4.4 假設支剪

通過刪除低概率假設達到假設支剪的目的, 從而減少計算量。一般使用-Scan支剪法。

3 跟蹤器性能模型

3.1 傳感器模型

3.2 性能建模

可得

(18)

平均跟蹤確認時間

使用類似的方法來評估平均航跡保持時間。跟蹤邏輯狀態的概率轉移矩陣(錯過3個檢測則終止跟蹤)為

此矩陣指的是狀態7, 8, 9, 1。

平均跟蹤保持時間

可得

進而得到錯誤跟蹤率

至此, 3個性能指標公式已全部推導出, 跟蹤器性能模型已完全建立。可以使用這3個性能指標對跟蹤器輸出進行評估。

4 數據關聯與性能模型的仿真

4.1 最近鄰數據關聯仿真應用

4.2 多假設數據關聯仿真應用

4.3 性能模型仿真

跟蹤檢測概率是真實跟蹤的總持續時間與場景持續時間的比值。對于每一個真實跟蹤, 跟蹤持續時間是第1個和最后1個接觸的時間差。跟蹤碎片是跟蹤數量與目標數量的比值。錯誤跟蹤率是錯誤跟蹤數量和場景持續時間的比值。

經過100次蒙特卡洛仿真, 最終得到2種數據關聯情況下的性能指標如表1所示。

跟蹤檢測概率越大說明跟蹤時間越長, 跟蹤碎片和錯誤跟蹤率越小說明錯誤跟蹤越少, 因此,從以上3個性能指標可以看出, 使用多假設數據關聯的跟蹤器輸出質量明顯優于使用最近鄰數據關聯的跟蹤器輸出質量。

表1 2種數據關聯方法的性能指標

4 結論

文中主要探討了多基地聲吶融合探測中的3個關鍵技術: 測量模型、數據關聯和跟蹤器性能模型, 得到以下結論。

1) 建立測量模型的目的是綜合各種誤差對定位帶來的影響, 誤差越小, 算法越能更好地進行數據融合和目標跟蹤。文中出現的定位表達式除了應用于數據融合和目標跟蹤算法之外, 還可以應用于傳感器布局研究、檢驗各種多基地移動或固定配置的定位精度、檢驗對跟蹤性能的影響等方面。

2) 數據關聯用來確定測量來源, 數據關聯配合跟蹤邏輯和非線性濾波器可以更好地進行跟蹤。數據關聯方法中, 最近鄰數據關聯是一種局部最優算法, 其局限性使其適用于信噪比高, 目標密度小的情況, 而在多目標情況下容易產生錯誤的關聯; 多假設數據關聯使用多次掃描延遲決策, 可以有效解決數據關聯沖突問題。因此, 須針對不同情況選擇合適的數據關聯方法。

3) 建立跟蹤器性能模型, 從跟蹤檢測概率、跟蹤碎片、錯誤跟蹤率3個性能指標評估跟蹤器輸出的質量。文中的跟蹤器性能模型是基于每個傳感器的數據速率相同展開的, 以后可以擴展到不同傳感器數據速率的場景。

[1] 徐菲. 雙/多基地聲吶及其研究概況[J]. 科技廣場, 2017(8): 73-77. Xu Fei. Introduction on Bistatic/Multistatic Sonar and its Research Survey[J]. Science Mosaic, 2017(8): 73-77.

[2] 鄒吉武. 多基地聲吶關鍵技術研究[D]. 哈爾濱: 哈爾濱工程大學, 2012.

[3] Coraluppi S. Multistatic Sonar Localization[J]. IEEE Journal of Oceanic Engineering, 2006, 31(4): 964-974.

[4] Coraluppi S, Carthel C. Distributed Tracking in Multistatic Sonar[J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(3): 1138-1147.

[5] Coraluppi S. Performance Model for Distributed Sonar Tracking[J]. Capabilities of Acoustics in Air-Ground and Maritime Reconnaissance, Target Classification and Identification.RTO-MP-SET-079:37-1-37-11.

[6] Singer R A, Stein J J. An Optimal Tracking Filter for Processing Sensor Data of Imprecisely Origin in Surveillance Systems[C]//Proceedings of the 1971 IEEE Conference on Decision and Control. Miami Beach: IEEE, 1971: 171-175.

[7] Singer R A, Sea R G, Housewright K B. Derivation and Evaluation of Improved Tracking Filters for Use in Dense Multi-Target Environments[J]. IEEE Transactions Information Theory, 1974, 20(7): 201-211.

[8] Bar-Shalom Y, Jaffer A G. Adaptive Nonlinear Filtering for Tracking with Measurements of Uncertain[C]//Pro- ceedings of the 11thIEEE Conference on Decision and Control, New Orleans, Louisiana, USA: IEEE, 1972: 243- 247.

[9] Reid D B. An Algorithm for Tracking Multiple Targets[J]. IEEE Transactions on Automatic Control, 1979, 24(6): 843-854.

[10] Coraluppi S, Grimmett D. Multistatic Sonar Tracking[C]// Proceedings of SPIE Conference on Signal Processing, Sensor Fusion, and Target Recognition Ⅻ, Orlando, FL: SPIE, 2003: 399-410.

Key Technologies of Multistatic Sonar Fusion Detection

ZHANG Hao-yu1, HAN Yi-na1, ZHAO Wei-kang1, YANG Yi-xin1, LIU Qing-yu2

(1. School of Marine and Technology, Northwestern Polytechnical University, Xi′an 710068, China; 2. Naval Research Academy, Beijing 100073, China)

To solve the fusion detection problem for multistatic sonar, this paper discusses three key technologies, i.e., measurement model, data association, and tracker performance model. The measurement model includes the error distributions of time, azimuth, position and sound velocity, as well as the localization expression of a target. The expression of each error factor and the expression of localization error are given. Data association is an important part of fusion detection to solve the assignment problem between measurements and known targets. The methods of nearest neighbor data association and multiple hypothesis data association are introduced in detail. The two data association methods use the same data model, measurement model and motion model. Simulations on the nearest neighbor data association and multiple hypothesis data association show that the target can be well tracked. The tracker performance model is used to evaluate the output quality of the tracker. The output quality is evaluated according to three performance parameters, i.e., tracking probability of detection, tracking fragmentation, and false alarm rate if tracking. According to the performance parameters from simulation, the output quality of the multiple hypothesis data association tracker is significantly better than that of the nearest neighbor data association tracker.

multistatic sonar; measurement model; data association; tracker performance model

TJ630.34; TB566; TP181

A

2096-3920(2018)05-0456-9

10.11993/j.issn.2096-3920.2018.05.013

2018-08-06;

2018-09-29.

國家重點研發計劃(2016YFC1400200), 國家自然科學基金面上項目(61671388).

張浩宇(1995-), 男, 在讀碩士, 主要研究方向為多基地融合跟蹤.

張浩宇, 韓一娜, 趙偉康, 等. 多基地聲吶融合探測關鍵技術研究[J]. 水下無人系統學報, 2018, 26(5): 456-464.

(責任編輯: 陳 曦)