基于k-NN自适应IPLF–PMBM的水下多目标跟踪算法

《Journal of Marine Science and Engineering》：k-NN Adaptive IPLF–PMBM Underwater Multi-Target Tracking Algorithm

　　

Poisson多伯努利混合（PMBM）滤波器在主动声纳（active sonar）跟踪中表现良好，但其标准形式假设单一、全局预设的杂波强度（clutter intensity），这与水声信道的距离相关混响（range-dependent reverberation）匹配较差。研究人员将迭代后验线性化滤波器（IPLF）应用于PMBM递归中，并提出k近邻（k-NN）估计器估计局部杂波强度，其中每个测量值到其第k个近邻的距离设定了自适应带宽（adaptive bandwidth），进入新生存在概率（newborn existence probability）的强度来自测量值而非预设值。在批量形式下，成对距离矩阵每帧构建一次，对于约九十个测量值，每帧代价为0.14 ms。在幂律杂波（power-law clutter）场景中，该方法达到的广义最优子模式分配（GOSPA）值为11.13，比预设低估杂波水平的标准滤波器低22.9%，差异由虚警项（false-alarm term）携带。预设扫描表明，最佳固定值11.23仅在事后调整预设时达到，而自适应方法在无需调整的情况下达到该值。结果在近邻数从8到90的变化中小于0.07，均匀杂波（uniform clutter）对照实验表明，当杂波无空间结构时，这种自适应既无帮助也无损害。

基于随机有限集（RFS）的多目标跟踪算法是处理密集杂波环境的重要框架。PMBM滤波器虽在声纳跟踪中表现优异，但水下杂波受混响物理机制影响呈显著非均匀分布：近场密度远高于远场。标准IPLF（迭代后验线性化滤波器）–PMBM采用单一全局预设强度，预设过低则近场产生大量虚假航迹，预设过高则远场真实目标被过度抑制导致高漏检率。这种空间非均匀性引发的全局强度冲突，构成了核心研究问题。

针对上述矛盾，研究人员提出了k-NN自适应IPLF–PMBM算法，将非参数密度估计引入PMBM新生阶段，以测量值到第k近邻的距离作为自适应带宽，实时估计局部杂波强度。研究得出：在六目标幂律杂波场景中，所提方法GOSPA达11.13，较标准IPLF–PMBM降低22.9%，较UKF（无迹卡尔曼滤波）–PMBM和EKF（扩展卡尔曼滤波）–PMBM分别降低10.5%与23.9%，增益主要由虚警代价下降贡献。标准滤波器的最佳固定预设值仅在事后调优时达到11.23，自适应方法无需调优即可匹配；性能在k取8至90时波动小于0.07；均匀杂波场景下自适应无显著影响。该研究为距离相关混响环境提供了无需人工标定且计算开销可忽略的有效方案，对提升复杂声纳环境跟踪鲁棒性具有重要意义。

关键技术方法包括：基于RFS的PMBM框架，将未检测目标建模为泊松点过程（PPP），已检测目标建模为多伯努利混合（MBM）；IPLF通过迭代优化线性化参数以准确估计后验协方差；k-NN估计在伪笛卡尔坐标（pseudo-Cartesian）下构建成对距离矩阵，以第k近邻距离确定自适应带宽，依矩方法推导估计量，批量实现。研究基于扇区监视区域六目标仿真，杂波为每帧约90个测量值的非均匀泊松过程，无临床样本队列。

*标准IPLF–PMBM算法及其局限性*
标准PMBM假设杂波均匀分布。在距离相关水下杂波中，真实空间分布沿距离方向变化数倍，单一全局强度无法同时适应近场与远场。

*k-NN自适应局部杂波估计*
对每个测量值，将其到第k近邻的伪笛卡尔距离作为自适应带宽，估计局部杂波密度并代入新生存在概率。近场d_k小，估计强度大，抑制虚警；远场d_k大，估计强度小，利于目标新生。该估计通过常数雅可比因子与伪笛卡尔面积关联，确保量纲一致。

*高效批量实现与参数选择*
成对距离矩阵每帧向量化构建一次。对于约93个测量值，距离评估约8.6×10³次。k是唯一可调参数，GOSPA在k=20时最小，在k=8至90范围内变化小于0.07。

*多方法GOSPA比较与误差分解*
k-NN方法平均GOSPA为11.131，较标准IPLF–PMBM低22.9%。误差分解显示定位项差异不显著，主导差异来自虚警代价：标准滤波器125.33，k-NN方法降至33.60。代价是漏检项从42.10增至53.23。

*κ₀V预设扫描实验*
标准滤波器GOSPA随预设呈U型，κ₀V=150时最优为11.23（约为真实期望90的1.67倍）。预设从10变至400，虚警项从619.13降至7.71，漏检项从32.85升至136.01。k-NN方法恒为11.131。与Oracle相比，远场边界截断导致轻微正偏。

*近邻数k消融研究*
GOSPA-k曲线呈浅U型，从k=3的11.43降至k=8的11.10，此后保持平坦（变化<0.07），k=20时最小。表明邻域包含足够样本后，估计量对精确样本量不敏感。

*更新模型消融研究*
局部估计使GOSPA在EKF下从11.620降至11.494，UKF下从11.782降至11.619，IPLF下从11.233降至11.131。IPLF更新本身比EKF分别优0.388和0.363，增益本质是以略增漏检换取虚警减少。

*均匀杂波场景与检测概率*
均匀杂波下，检测概率0.9时GOSPA为11.477对11.458，差异不显著；0.8时为12.365对12.336。表明杂波无空间结构时自适应无增益也无损失。

*计算效率分析*
k-NN滤波器每帧115.2 ms，标准滤波器同预设下118.9 ms，差异处于波动内。抑制近场虚警减少了全局假设评分数量。估计器占每帧0.14 ms（帧时间0.12%），批量形式比逐点快1.84倍。

讨论部分指出，自适应机制主要作用于虚警抑制。k-NN估计存在固有正偏：基于所有测量值（含目标回波）且邻域测度倒数为正凸函数，导致漏检代价增加约四分之一。工程价值在于消除人工标定：标准滤波器性能对预设极度敏感，κ₀V从150降至10会使GOSPA从11.23恶化至26.21；而k-NN方法仅需调节k。局限包括：估计量反映整个测量过程强度而非纯杂波；扇域边界处k-NN球截断导致偏误；结果基于仿真，真实混响具有空间相关性与跨扫描持续性。未来需结合BELLHOP射线追踪模型与实测声纳数据验证。

结论部分表明，针对标准IPLF–PMBM对全局预设杂波强度的敏感性，研究人员提出了基于k近邻的局部估计器并引入新生阶段。在六目标、每帧约90个杂波点的幂律剖面中，该方法GOSPA为11.13，较预设低估的标准滤波器低22.9%，较UKF与EKF分别低10.5%和23.9%。最佳固定值11.23仅在事后调优达到，自适应方法无需调优即可匹配，且在k=8至90范围内变化小于0.07。均匀杂波对照表明自适应在无空间结构时既无帮助也无损害。主要贡献为：第一，k-NN估计器仅需近邻数参数，批量实现每帧0.14 ms；第二，将GOSPA从14.44降至11.13，差异归因于虚警项；第三，成对距离矩阵向量化计算使估计占帧时间0.1%，自适应以无可测代价获得。该算法为水下声纳多目标跟踪提供了无需调整杂波预设且每帧仅耗0.14 ms的解决方案，更真实与实测数据的验证留待未来工作。