一种动态信息缺失条件下的大批次目标航迹关联方法

本发明涉及信息融合，特别是涉及一种动态信息缺失条件下的大批次目标航迹关联方法。

背景技术：

1、随着探测技术的发展，多源传感器协同探测已成为获取精准目标信息的重要手段。通过在不同位置部署多传感器，可实现目标的互补观测，提升探测覆盖率与鲁棒性。其中，跨传感器轨迹关联track-to-track association（t2ta）是协同探测的核心，其目标是判断不同传感器量测轨迹是否来源于同一目标。t2ta的难点主要来自场景复杂度（如大批次密集目标）与传感器特性（如量测信息缺失）。在实际应用中，由于目标密集交叉、传感器分辨率受限以及复杂环境引起的信号衰减，传感器在连续探测过程中易出现对部分目标的量测间歇性丢失。该现象导致不同目标在同一时刻的量测维度存在差异，使轨迹关联更加困难，并对算法的鲁棒性提出更高要求。

2、t2ta可分为主动-主动、被动-被动和主动-被动三类。主动传感器可提供角度与距离信息，而被动传感器通常只能提供角度信息。在主动-主动场景下，现有方法主要分三类：第一类基于统计距离，仅依赖空间距离最近原则，但在密集目标场景中易产生大量误关联，且面对信息缺失时无法计算；第二类将先验知识融入关联过程，但依赖场景参数，也难以适应信息缺失的情况；第三类为数据驱动方法，虽然计算效率较高，但普遍未考虑信息缺失，鲁棒性和适应性存疑。被动-被动关联方法多基于角度交汇几何约束，但几何计算在密集目标场景下会导致高计算复杂度，难以满足实时性要求，且同样缺乏对信息缺失的处理能力。主动-被动关联方法通常依赖物理模型构建几何约束，缺陷是计算成本随目标数量显著上升，且现有研究均未考虑信息动态缺失的问题。此外，由于不同传感器的物理特性差异，输出的量测维度常常不一致，导致状态量测不完整。目前已有研究提出了这种不完整量测下的关联方法，可在部分状态缺失时实现关联。但方法假设量测维度在整个观测过程中固定，无法直接适用于动态信息缺失条件下的大批次目标航迹关联。

3、综上所述，当前t2ta方法在应用于大批次目标场景时在计算复杂度和鲁棒性方面存在明显局限，更缺乏对动态信息缺失的考虑。在动态缺失时，关联方法须在信息维度波动的情况下保持稳定性能，即使维度减少，也应确保性能保持在可接受范围内，以维持系统的连续可靠探测能力。然而现有方法尚无法满足上述需求。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种动态信息缺失条件下的大批次目标航迹关联方法，用于解决现有技术在应用于大批次目标场景时在计算复杂度和鲁棒性方面存在明显局限，更缺乏对动态信息缺失的考虑的问题。

2、为实现上述目的及其他相关目的，本发明提供如下技术方案：

3、一种动态信息缺失条件下的大批次目标航迹关联方法，包括以下步骤：确定有关多种类型目标的大批次航迹数据库，并根据所述大批次航迹数据库生成具有动态量测维度变化的多源异构不完备的多传感器的量测数据库；根据所述多传感器的量测数据库获取多传感器采集的量测数据，并对所述量测数据进行封装，根据封装结果得到多传感器采集的封装量测数据，其中，所述多传感器采集的量测数据包括缺维量测数据；根据所述多传感器采集的封装量测数据得到多传感器的原始特征；

4、对所述多传感器的原始特征进行时空耦合特征的提取，根据时空耦合特征的提取结果得到多传感器的最终特征，并将所述多传感器的最终特征映射至关联代价矩阵；对所述关联代价矩阵进行优化，根据优化结果得到最优软分配矩阵，并根据所述最优软分配矩阵得到在大批次目标场景下的航迹关联矩阵。

5、于本发明的一实施例中，所述确定有关多种类型目标的大批次航迹数据库，包括：构建三维空域仿真环境，并在所述三维空域仿真环境内设置多种类型目标以及各类目标的具体运动参数范围，在所述具体运动参数范围内执行随机初始点的圆周运动，从而生成有关多种类型目标的大批次航迹数据库。

6、于本发明的一实施例中，所述根据所述大批次航迹数据库生成具有动态量测维度变化的多源异构不完备的多传感器的量测数据库，包括：在所述三维空域仿真环境内构建多传感器量测模型以及设置多传感器的相关参数，通过多传感器量测模型分别对所述航迹数据库进行观测，并模拟在实际应用中存在的量测因素，从而生成具有动态量测维度变化的多源异构不完备的多传感器的量测数据库。

7、于本发明的一实施例中，所述对所述多传感器的原始特征进行时空耦合特征的提取，根据时空耦合特征的提取结果得到多传感器的最终特征，包括：对所述多传感器的原始特征进行空间关联特征的提取，根据空间关联特征的提取结果得到加权更新后的多传感器的原始特征；根据所述多传感器的封装量测数据对加权更新后的多传感器的原始特征进行跨传感器的特征交汇，并根据特征交汇结果得到空间关联特征提取的多传感器特征；

8、对所述空间关联特征提取后的多传感器特征进行局部时序关联特征的提取，根据局部时序关联特征的提取结果得到局部时序关联特征提取后的多传感器特征；对所述局部时序关联特征提取后的多传感器特征进行全局时序关联特征的提取，根据全局时序关联特征的提取结果得到增强后的多传感器特征；对所述多传感器的原始特征和增强后的多传感器特征进行残差连接，根据残差连接结果得到多传感器的最终特征。

9、于本发明的一实施例中，所述将多传感器的最终特征映射至关联代价矩阵，包括：采用多层感知器神经网络构建多传感器的最终特征之间的映射关系，统一多传感器的目标表征，从而得到更新后的多传感器的最终特征；根据更新后的多传感器的最终特征，并采用余弦相似度量化多传感器的航迹对之间的对应关系，从而得到在大批次目标场景下的关联代价矩阵。

10、于本发明的一实施例中，所述对所述关联代价矩阵进行优化，根据优化结果得到最优软分配矩阵，并根据所述最优软分配矩阵得到在大批次目标场景下的航迹关联矩阵，包括：采用sinkhorn优化方法对所述关联代价矩阵进行优化，从而得到最优软分配矩阵；将所述最优软分配矩阵中用于对应无关联航迹的行和列去除，根据去除结果得到初始的航迹关联矩阵，并采用双向最大值判别准则对初始的航迹关联矩阵进行判别，从而得到在大批次目标场景下的航迹关联矩阵。

11、于本发明的一实施例中，在所述对所述关联代价矩阵进行优化，根据优化结果得到最优软分配矩阵之后，还包括：根据最优软分配矩阵构建损失函数；在所述据所述最优软分配矩阵得到在大批次目标场景下的航迹关联矩阵之后，还包括：设置优化器与训练策略，并使用优化器与训练策略对得到在大批次目标场景下的航迹关联矩阵的整体模型进行反向传播训练。

12、如上所述，本发明的一种动态信息缺失条件下的大批次目标航迹关联方法，具有以下有益效果：1、本发明通过对不完整量测数据进行封装，统一量测数据维度，使得本发明能够处理量测数据在动态信息缺失时的维度变化；

13、2、本发明采用数据驱动的方法，并基于轻量化网络算子搭建高计算效率的特征提取网络，该网络能够提取到航迹数据中存在的空间关联特征与时间关联特征，并对二者进行聚合，实现时空耦合特征的提取；本发明还构建了多源传感器间的特征对齐模块，使得多传感器的特征表征得到统一，从而提升航迹关联的精度；

14、3、本发明采用可微的sinkhorn方法对关联代价矩阵进行优化，得到最终的关联矩阵；同时整个框架均可微分，可直接设置训练策略，进行模型的自主训练；

15、4、本发明可实现动态信息缺失条件下大批次目标场景的航迹关联任务，突破了现有航迹关联方法对量测数据维度完整性的要求，且具备高效率与高准确率等优势。