一种基于动态拓扑约束的无人机群目标跟踪方法

本技术属于多目标跟踪，更具体地说，是涉及一种基于动态拓扑约束的无人机群目标跟踪方法。

背景技术：

1、近年来，随着无人机技术的快速发展，小型化、低成本、高机动性的无人机已在诸多领域得到广泛应用。由多架无人机构成的无人机群也逐渐成为低空空域监视、安防预警与目标防御领域的重要关注对象。无人机群普遍具备数量多、目标小、飞行高度低、机动能力强、群体协同行为明显等特点，给传统多目标跟踪方法提出了更高的要求，对应的群目标跟踪问题是当今多目标跟踪问题中的一大重要研究方向。

2、多目标跟踪的主要任务是在连续观测数据中估计多个目标的运动状态，并保持各目标身份的一致性。现有多目标跟踪方法通常基于卡尔曼滤波、粒子滤波、联合概率数据关联、多假设跟踪、标签化随机有限集等技术实现。上述方法在一般多目标跟踪场景下通常可以取得较好的跟踪效果，但在无人机群目标跟踪场景下仍存在一定局限。

3、首先，无人机群内各目标间距近，群内目标运动速度、航向与机动特征相近。当多个无人机目标在传感器视场内密集分布或相互交叉时，仅依赖单个目标的运动预测结果进行数据关联，易引发目标身份变换、轨迹跳变或误关联问题。

4、其次，无人机群在实际飞行过程中可能存在编队飞行、分散搜索、聚合突防、分裂绕行、合并撤离等群体状态变化。传统多目标跟踪方法通常将各个目标作为相互独立的跟踪对象，缺乏对无人机群内部空间结构与拓扑关系的表达，难以充分利用无人机群整体运动和相对结构的稳定性信息。

5、再次，在复杂低空环境中，无人机群目标容易受到地物遮挡、传感器噪声、杂波干扰、目标漏检与虚警的影响。当某个或多个无人机目标短时缺失时，传统方法通常依赖单目标运动模型来维持轨迹，未能充分利用群体中心运动、邻接目标关系与历史相对位置等群体约束信息，导致轨迹连续性不足。

6、此外，现有跟踪方法中的关联参数、门限参数或模型权重多为固定设置，难以适应无人机群状态的动态变化，例如，在稳定编队状态下，群体拓扑结构相对稳定，应当增强拓扑一致性约束；而在分散状态下，各目标相对关系变化较大，应当适当降低拓扑约束权重并增强个体运动预测作用。固定参数策略难以兼顾不同群体状态的跟踪精度与稳定性。

7、因此，亟需提供一种新的无人机群目标跟踪方法以解决上述问题。

技术实现思路

1、本技术实施例的目的在于提供一种基于动态拓扑约束的无人机群目标跟踪方法，以解决现有技术中无人机群目标跟踪时，存在目标关联不稳定、身份易交换、遮挡漏检后轨迹中断，难以实现持续稳定跟踪的技术问题。

2、为实现上述目的，本技术实施例提供了一种基于动态拓扑约束的无人机群目标跟踪方法，包括以下步骤：

3、获取无人机群目标的观测数据，生成无人机候选目标并计算对应的运动状态信息；

4、基于无人机候选目标确定边权并构建无人机群动态拓扑图，结合运动状态信息提取群体结构特征，根据群体结构特征确定无人机群体状态；

5、构建目标关联代价函数，根据群体状态调整目标关联代价函数的关联参数，将当前时刻的无人机候选目标与历史轨迹进行关联，得到目标关联结果；

6、根据目标关联结果更新无人机群中各无人机目标的轨迹，实现无人机群目标的持续跟踪。

7、优选地，基于无人机候选目标确定边权并构建无人机群动态拓扑图的过程包括：将各个无人机候选目标映射为动态拓扑图的节点，无人机候选目标之间的相对位置、相对运动关系映射为节点之间的边；结合预设的距离邻接条件与最近邻条件判定节点间是否能够建立边；

8、结合两节点间的相对距离、相对速度差、航向角差和历史邻接稳定性计算得到两节点间的边权，综合节点集合、边集合与边权集合构建动态拓扑图。

9、优选地，结合运动状态信息提取群体结构特征的过程包括：根据动态拓扑图和无人机候选目标的运动状态信息，计算群体中心位置、群体半径、目标间平均距离、目标间距离方差、航向一致性参数、拓扑边变化率和拓扑连通分量数量，得到无人机群的群体结构特征；

10、群体中心位置和群体半径用于表征无人机群的整体空间分布，目标间平均距离和目标间距离方差用于表征无人机群内部目标间距变化，航向一致性参数用于表征无人机群运动方向的一致程度，拓扑边变化率和拓扑连通分量数量用于表征无人机群拓扑结构的演化状态。

11、优选地，根据群体结构特征确定无人机群体状态的过程包括：根据当前时刻和上一时刻的群体结构特征，计算群体半径变化量、目标间距离方差变化量、目标密度、目标密度变化量以及拓扑连通分量数量变化量， 按照预设判别优先级，将群体结构特征以及对应的变化量与预设判别阈值进行比对，从预设群体状态集合中确定无人机群当前所处的群体状态；

12、预设群体状态集合包括稳定编队状态、分散状态、聚合状态、分裂状态与合并状态；预设判别优先级先判断分裂状态或合并状态，再判断稳定编队状态、分散状态或聚合状态。

13、优选地，目标关联代价函数的公式为：

14、；

15、式中，为当前时刻

t第

i条历史轨迹与第

j个无人机候选目标之间的目标关联代价，为运动预测匹配代价，为拓扑一致性代价，为观测特征匹配代价，均为根据群体状态调整的关联权重参数，当不采用观测特征匹配代价时，。

16、优选地，根据群体状态调整目标关联代价函数的关联参数的过程包括：当群体状态为稳定编队状态时，相对于基准权重增大拓扑一致性代价对应的权重参数；当群体状态为分散状态时，相对于基准权重减小拓扑一致性代价对应的权重参数，并增大运动预测匹配代价对应的权重参数；当群体状态为聚合状态时，放宽目标关联门限，并以根据当前时刻群体中心预测位置与历史相对位置所确定的预测位置参与运动预测匹配代价的计算；当群体状态为分裂状态时，基于拓扑连通分量分别执行子群目标关联；当群体状态为合并状态时，对合并后的群体重新构建动态拓扑图，并基于重新构建的动态拓扑图执行目标关联。

17、优选地，得到目标关联结果的过程包括：基于当前时刻的群体状态，采用状态调节函数对运动预测匹配代价、拓扑一致性代价和观测特征匹配代价对应的权重参数进行归一化，使各项权重参数相加为1；采用分配算法，将当前时刻的无人机候选目标与历史轨迹进行关联，得到目标关联结果。

18、优选地，更新无人机群中各无人机目标的轨迹的过程包括：当目标关联结果中无人机候选目标成功关联历史轨迹，通过滤波器更新目标状态与轨迹，输出无人机群目标轨迹；

19、当无人机候选目标未成功关联历史轨迹，根据群体中心预测位置以及该目标相对于群体中心的历史相对位置生成补偿预测位置，对轨迹进行维持，输出无人机群目标轨迹。

20、优选地，在无人机群目标的持续跟踪过程中，实时监测动态拓扑图连通分量的变化；若检测到无人机群目标分裂，将无人机群划分为多个子群并分群进行跟踪；若多个子群的中心距离、运动方向差异均满足预设合并条件，则合并子群并重新构建动态拓扑图。

21、优选地，补偿预测位置的公式为：

22、；

23、式中，为第

i条历史轨迹在当前时刻

t的补偿预测位置，为当前时刻

t的群体中心预测位置，为

t-1时刻的群体中心位置，为第

i条历史轨迹在时刻

t-1的目标位置，为群体整体修正矩阵。

24、本技术的有益效果在于：本技术提出了一种基于动态拓扑约束的无人机群目标跟踪方法，首先，获取无人机群目标的观测数据，生成无人机候选目标并计算对应的运动状态信息，为后续动态拓扑图的构建、群体结构特征的提取提供可靠的数据支撑；接着，将无人机候选目标作为动态拓扑图的节点，根据目标间相对位置关系和相对运动关系构建边并设定边的判定条件，确定边权构建无人机群动态拓扑图，显式表达无人机群内部的结构耦合关系，减少邻近无人机发生错配与身份交换的情况，提升无人机群跟踪稳定性；其次，结合无人机群动态拓扑图和运动状态信息提取群体结构特征，根据群体结构特征确定无人机群体状态，实现对无人机群稳定编队、分散、聚合、分裂与合并等状态的判别；再次，构建目标关联代价函数，根据群体状态自适应调整目标关联代价函数的关联参数，使跟踪策略能够随无人机群状态变化而动态调整，之后完成当前时刻无人机候选目标与历史轨迹的关联匹配，得到目标关联结果，能够根据无人机群不同运动演化状态动态适配关联策略，利用群体拓扑约束辅助目标匹配判别；最后，根据目标关联结果更新无人机群中各无人机目标的轨迹，实现无人机群目标的持续跟踪。本技术将拓扑一致性约束引入目标关联这一过程，保障各无人机目标的身份一致性，同时结合群体中心与历史相对位置对漏检目标进行补偿预测维持轨迹，能够适配无人机群稳定编队、分散、聚合、分裂、合并等多种复杂飞行工况，提升无人机群整体跟踪的稳定性与可靠性。