一种基于增广拉格朗日和概率松弛分配的多平台跟踪方法
本发明属于多平台多目标纯方位跟踪,具体涉及一种基于增广拉格朗日和概率松弛分配的多平台跟踪方法。
背景技术:
1、多平台被动跟踪技术是指利用多个搭载被动传感器的观测平台,在不主动发射信号的情况下,仅接收目标辐射或反射信号,通过各平台获取的方位角等被动量测信息实现对多个运动目标的检测、状态估计与航迹维持。由于被动传感器往往仅能提供角度信息,单个平台通常无法独立完成目标定位与跟踪,因此需要依靠多个平台协同工作,通过数据关联与信息融合提升跟踪性能。
2、在多平台被动跟踪系统中,数据关联是核心难题之一。由于每个平台在每个采样时刻可能获得多个量测(包含真实目标量测和虚警),如何确定来自不同平台的哪些量测源自同一目标,直接影响后续目标状态估计的精度。当系统包含s个平台时,该问题可被建模为s维分配(s-dimensional assignment, s-d assignment)问题,即在一个s维代价张量中寻找满足约束的代价最小分配组合。s维分配问题的标准形式为整数线性规划,当平台数量较多或量测密集时,其求解复杂度随维数呈指数增长,属于np-hard组合优化问题,难以直接精确求解。
3、针对多平台被动跟踪中的数据关联问题,现有技术主要可分为以下几类:
4、第一类是基于最近邻(nearest neighbor, nn)和全局最近邻(global nearestneighbor, gnn)的贪婪关联方法。这类方法在每一时刻将量测与目标或量测与量测之间按最近距离准则进行配对,具有计算简单、实时性好的优势,在目标稀疏、杂波较少的场景下具有一定实用性。然而,最近邻方法只考虑局部最优配对,缺乏对全局关联结构的优化能力。在多目标交汇、量测密集或存在多个代价相近的关联假设时,最近邻方法容易做出错误决策,导致目标丢失、航迹交换或虚假航迹初始化。对于多平台被动跟踪中的s维关联问题,最近邻方法往往退化为逐对关联,难以处理多个平台之间的复杂约束关系。
5、第二类是基于概率化关联的方法,主要包括联合概率数据关联(jointprobabilistic data association, jpda)和多假设跟踪(multiple hypothesistracking, mht)。jpda通过计算量测与目标之间的关联概率,并以加权融合方式更新目标状态,能够在一定程度上处理关联不确定性。然而,jpda需要枚举所有可能的关联事件,其计算量随量测数和目标数呈组合增长,在平台数量多、量测密集时难以实时应用。mht通过维护多个关联假设树,保留历史关联决策的多种可能性,在理论上能够获得较优的关联结果,但其假设数量随时间指数增长,必须依赖剪枝和合并策略才能实用化,容易因过早剪枝而丢失真实关联路径,或因剪枝不足而导致计算量爆炸。此外,jpda和mht主要面向目标-量测之间的二维关联框架,缺乏与s维分配松弛理论的有效融合,难以直接利用多维代价结构进行高效的概率推断。
6、第三类是基于多维分配(multi-dimensional assignment, mda)的优化方法。这类方法将多平台被动跟踪中的数据关联建模为s维分配问题,通过优化手段寻找全局代价最小的关联组合,是当前处理多平台被动关联问题的主流技术路线。求解s维分配问题的常用手段是拉格朗日松弛(lagrangian relaxation):保留前两维约束以保持二维分配结构,对第3至第s维约束引入拉格朗日乘子进行松弛,从而将原问题降维为多项式时间可解的二维分配子问题,并通过迭代更新拉格朗日乘子逐步逼近原问题的最优解。然而,现有的拉格朗日松弛方法普遍采用次梯度上升法更新乘子,步长通常依据固定衰减规则或对偶间隙启发式估计确定。该机制存在以下缺陷:一是次梯度法收敛速度仅为次线性,迭代次数多、收敛慢;二是步长选择敏感,过大易导致震荡,过小则易陷入停滞;三是直接输出单一分配结果,当多个关联假设代价相近时,强行选择单一最优解会丢失关键的关联不确定性信息。这些缺陷使得传统拉格朗日松弛方法在低信噪比、目标交汇、密集杂波等复杂场景下容易出现目标丢失和航迹交换问题。
技术实现思路
1、本发明是为解决现有s维分配问题求解方法的收敛速度慢,且在复杂场景下易出现目标丢失和航迹交换的问题,而提出了一种基于增广拉格朗日和概率松弛分配的多平台跟踪方法。
2、本发明为解决上述技术问题所采取的技术方案是:一种基于增广拉格朗日和概率松弛分配的多平台跟踪方法,所述方法具体包括以下步骤:
3、步骤一、获取个传感器平台在当前采样时刻接收到的量测数据,其中,将第个传感器平台在当前采样时刻接收到的量测个数记为,;
4、再根据个传感器平台在当前采样时刻接收到的量测数据构造维代价张量,并根据维代价张量构造s维分配问题:
5、步骤二、初始化迭代次数;
6、步骤三、对构造的s维分配问题进行拉格朗日松弛,将构造的s维分配问题分解为二维分配子问题,得到二维分配子问题在第次迭代对应的代价;
7、步骤四、采用增广拉格朗日对偶上升机制和惩罚参数更新拉格朗日乘子向量,获得满足所有维度约束的量测组合的代价;
8、步骤五、基于各个量测的约束违反度计算总约束违反度,根据总约束违反度的收缩特性自适应调整惩罚参数;
9、步骤六、根据二维分配子问题在第次迭代对应的代价和计算归一化对偶间隙,根据归一化对偶间隙和总约束违反度判断是否满足增广拉格朗日算法的收敛条件,所述增广拉格朗日算法的收敛条件为满足条件(1)或条件(2):
10、条件(1)、归一化对偶间隙收敛;
11、条件(2)、总约束违反度收敛;
12、若满足增广拉格朗日算法的收敛条件,则利用各个传感器平台的最终拉格朗日乘子向量执行步骤七;
13、若不满足增广拉格朗日算法的收敛条件,则重新构造维代价张量,令,返回执行步骤三;
14、步骤七、利用各个传感器平台的最终拉格朗日乘子向量对最后一次构造的维代价张量进行解耦,计算出约化代价张量;
15、步骤八、基于约化代价张量的统计分布自适应选择温度参数,再根据温度参数计算集合中每个元素对应的量测组合的吉布斯权重;
16、步骤九、对吉布斯权重进行逐维度交替归一化,得到联合概率张量;
17、步骤十、对步骤十得到的联合概率张量分别沿每个维度的互补维度求和,得到各维度的边际关联概率,并基于各维度的边际关联概率和束搜索生成概率最高的top-k关联假设;
18、步骤十一、建立由jpda和卡尔曼滤波器组成的跟踪器,并基于加权最小二乘法和top-k关联假设求得目标坐标,将目标坐标输入跟踪器进行目标位置更新;
19、根据各个采样时刻对应的目标位置更新结果实现对目标的连续跟踪。
20、进一步地,所述s维分配问题为:
21、
22、其中,表示第1个传感器平台在当前采样时刻接收到的量测个数,表示第2个传感器平台在当前采样时刻接收到的量测个数,表示第3个传感器平台在当前采样时刻接收到的量测个数,表示第个传感器平台在当前采样时刻接收到的量测个数,表示第个传感器平台在当前采样时刻接收到的量测个数,表示由第1个传感器平台在当前采样时刻接收到的第个量测、第2个传感器平台在当前采样时刻接收到的第个量测、…、第个传感器平台在当前采样时刻接收到的第个量测组成的量测组合来自于同一目标的负对数似然代价;为二元分配矩阵中的元素;
23、。
24、进一步地,所述步骤二的具体过程为:
25、利用拉格朗日乘子向量松弛s维分配问题的第s约束集,得到维分配子问题:
26、
27、其中,为第次迭代更新后第s维的拉格朗日乘子向量,,为第个传感器平台在当前采样时刻接收到的第1个量测在第次迭代更新后的拉格朗日乘子,为第个传感器平台在当前采样时刻接收到的第2个量测在第次迭代更新后的拉格朗日乘子,为第个传感器平台在当前采样时刻接收到的第个量测在第次迭代更新后的拉格朗日乘子;
28、同理,再继续利用拉格朗日乘子向量依次松弛s维分配问题的第约束集、第约束集、…、第3约束集,将构造的s维分配问题分解为如下的二维分配子问题:
29、
30、其中,为二维分配子问题的代价;
31、构造新的二元关联变量:
32、
33、并定义新的代价张量为:
34、将和代入二维分配子问题中,得到化简后的二维分配子问题:
35、
36、求解二维分配子问题得到松弛解以及松弛解对应的代价。
37、进一步地,所述步骤四的具体过程为:
38、步骤四一、初始化;
39、步骤四二、对松弛解实施第约束集确定维分配问题的代价以及第个传感器平台在当前采样时刻接收到的第个量测在第次迭代的约束违反度;
40、步骤四三、根据约束违反度更新第维的拉格朗日乘子向量;
41、步骤四四、令,判断是否满足;
42、若满足,则获得满足所有维度约束的量测组合的代价,再执行步骤五;
43、若不满足,则返回执行步骤四二。
44、进一步地,所述步骤四三的具体过程为:
45、
46、其中,为第个传感器平台在当前采样时刻接收到的第个量测在第次迭代更新后的拉格朗日乘子,为第个传感器平台在当前采样时刻接收到的第个量测在第次迭代更新后的拉格朗日乘子,为第次迭代更新后的惩罚参数。
47、进一步地,所述步骤五的具体过程为:
48、
49、其中,表示第次迭代的总约束违反度,表示第个传感器平台在第次迭代的约束违反度向量,,表示第个传感器平台在当前采样时刻接收到的第1个量测在第次迭代的约束违反度,表示第个传感器平台在当前采样时刻接收到的第2个量测在第次迭代的约束违反度,表示第个传感器平台在当前采样时刻接收到的第个量测在第次迭代的约束违反度,为l2范数;
50、再根据调整惩罚参数:
51、
52、其中,为惩罚因子,表示第次迭代的总约束违反度,表示惩罚参数上限,为收缩阈值,为第次迭代更新后的惩罚参数。
53、进一步地,所述步骤八的具体过程为:
54、
55、其中,为约化代价张量中全部有限且非零的元素组成的集合,为集合中全部元素的标准差,为初始温度参数;
56、则温度参数为:
57、
58、其中,为最终选择的温度参数,为集合内的全部元素中的最小值;
59、根据温度参数计算集合中每个元素对应的量测组合的吉布斯权重;
60、
61、其中,表示集合中的元素所对应的量测组合的吉布斯权重。
62、进一步地,所述步骤九的具体过程为:
63、步骤1、初始化迭代次数、初始化联合概率张量,为根据步骤九的结果构建的吉布斯权重张量;
64、步骤2、初始化维数;
65、步骤3、对第个维度进行归一化:
66、
67、其中,为在次迭代得到的联合概率张量中第个维度的第个值,为在次迭代得到的联合概率张量中第个维度的第个值,为联合概率张量中第个维度对应的数值总个数,为在次迭代得到的联合概率张量中第个维度的第个值;
68、步骤4、判断维度是否满足;
69、若满足,则执行步骤5;
70、若不满足,则令,返回执行步骤3;
71、步骤5、判断第次迭代得到的联合概率张量相比于第次迭代得到的联合概率张量的变化量是否小于设定的容差,若变化量小于设定的容差,则执行步骤6,否则,令,返回执行步骤2;
72、步骤6、对最后一次迭代得到的联合概率张量执行整体归一化,得到最终的联合概率张量。
73、进一步地,所述步骤十的具体过程为:
74、步骤a、分别计算每个维度的边际关联概率向量:
75、
76、其中,为第个维度的边际关联概率向量,为量测组合在联合概率张量中对应的值;
77、步骤b、初始化束宽,其中,为第个传感器的量测数;
78、步骤c、按照边际关联概率从高到低的顺序对第1个维度的量测进行排序,从排序结果中取前个量测作为候选量测;再按照边际关联概率从高到低的顺序对第2个维度的量测进行排序,从排序结果中取前个量测作为候选量测,则组合出个部分分配,每个部分分配的启发式概率为部分分配中两个量测的边际关联概率的乘积,保留启发式概率最大的前个部分分配;
79、步骤d、初始化维数;
80、步骤e、按照边际关联概率从高到低的顺序对第个维度的量测进行排序,从排序结果中取前个量测作为候选量测;
81、利用新取出的前个量测与目前保留的个部分分配组合得到个部分分配,再从得到的个部分分配中保留启发式概率最大的前个部分分配;
82、步骤f、判断维数是否等于;
83、若等于,则将最终保留下来的个分配作为top-k关联假设;
84、若不等于,则令,返回步骤e。
85、更进一步地,所述归一化对偶间隙的计算方法为:
86、
87、其中,为中间变量,为第次迭代的二维分配问题的松弛解的代价;
88、
89、其中,为第次迭代计算出的归一化对偶间隙,表示取绝对值。
90、本发明的有益效果是:
91、本发明通过以增广拉格朗日对偶上升替代传统次梯度乘子更新,将启发式变步长替换为基于固定惩罚参数的增广拉格朗日风格更新,乘子序列以接近线性的速率收敛到最优对偶解,克服了次梯度法的震荡与停滞问题,提高了收敛速度。基于约束违反范数的特性动态调整惩罚参数,当约束未充分收缩时自动增大惩罚参数以强化约束满足,反之保持当前水平以避免过度惩罚,显著改善了不同问题实例下的数值鲁棒性。最后将单一分配的决策松弛为连续概率分布,输出各维度边际关联概率、关联熵及top-k假设,为跟踪器提供了丰富的概率化不确定性信息。在目标交汇与低检测概率场景下显著提升了协同跟踪的精度与鲁棒性,有效避免目标丢失和航迹交换。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com