基于目标位置信息的移动平台网络雷达在线空间对齐与融合算法研究

为解决移动平台网络雷达空间对齐依赖GPS/IMU数据的局限性，南京大学研究团队提出基于滑动窗口机制和Tikhonov正则化的递归最小二乘法(RLS)在线对齐算法。该研究通过动态参考雷达预选策略和轨迹融合反馈调整，实现了仅利用目标位置信息的高精度空间对齐，仿真显示其性能优于传统算法，为复杂环境下的多雷达协同探测提供了新思路。

　　

在卫星、飞机等移动平台上部署的雷达系统面临严峻的空间对齐挑战——传统方法依赖全球定位系统(GPS)和惯性测量单元(IMU)提供平台姿态数据，但实际应用中这些传感器易受误差干扰。更棘手的是，当多个雷达平台持续运动时，坐标系转换参数会随时间动态变化，导致目标定位误差呈指数级放大。现有基于卡尔曼滤波(KF)或最大似然(ML)的算法要么需要已知目标运动状态，要么要求固定参考点，难以满足实战需求。

南京大学的研究团队在《Digital Signal Processing》发表的研究中，创新性地提出仅利用目标位置信息即可实现移动雷达在线对齐的解决方案。该研究通过三个关键技术突破构建完整算法框架：首先采用滑动窗口机制建立目标函数，结合Tikhonov正则化与递归最小二乘法(RLS)递归求解时变对齐参数；其次基于轨迹数据矩阵特征向量相关性设计动态参考雷达预选策略；最后利用对齐与融合过程的耦合特性，构建融合质量反馈优化模型，通过梯度下降(GD)法动态调整参数。

Algorithm Description
以三雷达系统为例，在k-th相干处理间隔(CPI)内，通过建立雷达B与参考雷达A之间的坐标转换模型，将空间对齐问题转化为包含旋转矩阵H和平移向量b的优化问题。滑动窗口内目标轨迹的欧氏距离差异构成目标函数，RLS算法通过递归更新协方差矩阵P_k
和增益矩阵K_k
实现参数估计，Tikhonov正则项有效抑制了矩阵病态问题。

Dynamic Preselection of Reference Radar
通过分析不同雷达轨迹数据矩阵特征向量间的相关系数，提出动态预选策略。仿真显示该策略能使参考雷达的选择准确率提升40%，为后续对齐创造先验优势。

Trajectory Fusion with Feedback Adjustment
建立以融合轨迹质量为目标函数的约束最小二乘模型，利用最高精度雷达的测量数据作为基准，通过梯度下降优化对齐参数。实验表明反馈机制使融合定位误差降低62%。

Simulation and Analysis
在目标初始位置[10,3,30]km、速度[-50,40,30]m/s、加速度[10,-6,10]m/s²
的非线性运动场景下，新算法对齐误差较传统EKF方法减少58%，且无需GPS/IMU支持。

这项研究开创性地实现了移动雷达纯目标位置信息的在线对齐，其提出的动态预选和反馈机制为分布式传感器网络提供了普适性框架。特别是将Tikhonov正则化与RLS结合的递归求解思路，对解决时变参数估计问题具有方法论意义。该技术已在机载雷达组网试验中验证，为下一代智能协同感知系统奠定了算法基础。