基于机器学习和约束状态估计的水下目标跟踪优化方法研究

针对水下目标跟踪(TMA)中非线性测量导致的估计误差问题，研究人员提出融合机器学习预测的约束状态估计方法。通过将声呐信号强度、方位角及多普勒频移(fd )转化为目标距离和速度约束，结合拉格朗日乘子优化算法，在仅方位跟踪(BOT)和多普勒-方位跟踪(DBT)场景中显著提升RMSE和ANEES精度，为隐蔽军事侦察提供新思路。

　　

水下目标跟踪是军事防御中的关键技术挑战。传统方法如扩展卡尔曼滤波(EKF)和确定性采样点滤波(DSPFs)在处理声呐非线性测量时，因高阶项忽略导致轨迹发散。更棘手的是，单观测器自主目标运动分析(ATMA)中，仅依赖方位角(BOT)或结合多普勒频率(DBT)的被动传感虽能隐蔽观测，但存在可观测性依赖观测机动的限制。印度理工学院巴特那分校的研究团队在《Digital Signal Processing》发表研究，创新性地将声呐操作员的经验知识转化为机器学习预测的约束条件，通过拉格朗日优化显著提升跟踪精度。

研究采用三项关键技术：1) 基于声强逆平方律(I_d
∝1/d²
)和机器学习(ML)的距离分类；2) 从多普勒方程v_k
=(1-f_d
/f_t
)c推导速度约束；3) 将约束集成到EKF/UKF/CKF/GHF框架，形成CEKF/CUKF等改进算法。实验使用包含直线运动和恒定转弯率的三类轨迹场景验证。

【Process model】建立目标状态向量X^t
_k
=[x^t
_k
,y^t
_k
,?^t
_k
,?^t
_k
]^T
与观测器相对运动模型，为非线性滤波提供基础。

【Range classification】通过声强、方位角和f_d
的ML模型预测距离区间，替代传统操作员经验。

【Tracking methodology】从多普勒方程解析径向速度v_k
，结合协方差矩阵加权构建约束优化目标函数。

【Simulation Results】在BOT和DBT测试中，约束算法CEKF的RMSE较传统EKF降低37%，且ML预测约束的CUKF-ML在噪声环境下仍保持90%航迹维持率。

该研究首次将机器学习与约束估计结合应用于DBT问题，证实约束条件能有效补偿非线性误差。军事应用价值在于：1) 提升隐蔽跟踪稳定性；2) 通过自动化ML降低对人机交互依赖；3) 为高机动目标跟踪提供新框架。如Shreya Das团队所述，该方法可扩展至空中目标监测，未来需探索深度学习在约束生成中的潜力。