一种具备在线参数自适应能力的学习增强型歌手模型,用于高机动目标跟踪

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:A Learning-Augmented Singer Model with Online Parameter Adaptation for High-Maneuver Target Tracking

【字体: 大 中 小 】 时间:2026年07月22日 来源:TRENDS IN FOOD SCIENCE & TECHNOLOGY 17.4

编辑推荐:

  •利用六自由度战斗机动力学构建大规模机动目标数据集。•提出一种基于时间注意力LSTM的网络,通过创新统计量推断Singer模型中的机动参数。•开发出一种具有在线参数自适应能力的学习增强型Singer模型。该模型通过单一模型学习增强滤波器,在降低复杂度的同时实现优于IMM级跟踪精度

  •利用六自由度战斗机动力学构建大规模机动目标数据集。•提出一种基于时间注意力LSTM的网络,通过创新统计量推断Singer模型中的机动参数。•开发出一种具有在线参数自适应能力的学习增强型Singer模型。该模型通过单一模型学习增强滤波器,在降低复杂度的同时实现优于IMM级跟踪精度。引言在雷达信号处理、航空航天导航/控制以及防空系统中,对高机动性目标的跟踪始终是一个重大挑战,因为这类目标的运动特性极不稳定。诸如规避战术或突然改变航向之类的剧烈机动行为会导致目标在准静态运动状态之间快速切换。基于卡尔曼滤波的跟踪算法依然是现代状态估计的主要方法。然而,基于模型的滤波算法存在一个固有缺陷,即其估计精度取决于模型本身的准确性。在多模型目标跟踪方法中,机动目标被建模为随机混合系统[1]。多模型方法的优点在于所有滤波器可并行工作,实时获取模型状态估计值,最终的整体状态估计则是这些模型状态估计值的组合[2]。但该方法也存在一些根本性局限,因为它假定系统在任何时刻都能以足够高的精度用固定模型集合中的一个模型来表示[3],而且这些估计器也无法在不同模型之间切换[4]。交互式多模型算法本质上是多模型算法的动态演化版本[5],它引入了一阶齐次马尔可夫链来描述模型演变过程,而模型转换概率则建立了模型之间的时间关联。这样一来,模型概率更新便具备了记忆功能,更适用于不断变化的机动情况。由于IMM的估计精度同样受限于模型集合与目标机动模式之间的匹配程度,因此设计合理的模型集合是提升IMM算法精度的方法之一[6][7]。有研究提出通过使用适配机动情况的模型集合来改进IMM算法[8],秦[9]则提出了一种具有自适应模型集合的鲁棒IMM算法,其中主模型不再固定,而是根据各模型的概率权重来确定。杨[10]引入随机运动模型来描述目标机动行为,并提出了集成随机IMM算法。变结构IMM算法也是另一种提升IMM性能的思路[11][12][13],还有研究将支持向量回归应用于IMM算法,以解决传统无人机跟踪算法模型适应性差的问题[14]。针对高超音速目标,有研究提出了基于多重衰落因子的强跟踪立方卡尔曼滤波自适应IMM算法[15],该算法在时间更新和测量更新协方差矩阵中均引入了强跟踪衰落因子,并能在线调整滤波器增益,从而减少因模型不匹配导致的滤波精度损失。由于目标运动的不可预测性以及测量系统的复杂性,系统中会存在大量重尾过程噪声和测量噪声。梁[16]提出了双层反馈自适应IMM滤波器方法(TFAIMM),用于解决受重尾过程噪声和测量噪声影响的IMM算法稳定性问题。段[17]则建议在前后向滤波器中分别使用简化等效模型IMM,以应对两种滤波器中使用不同模型集合带来的难题,并在设计模型切换阶段引入重新滤波流程,从而提升估计性能。近期的研究致力于将深度神经网络与贝叶斯估计框架相结合[18]。参考文献[19]中提出了DeepMTT算法,该算法无需显式运动模型,而是依靠堆叠的双向LSTM层来实现功能,其计算负担主要由循环网络承担。为提升IMM卡尔曼滤波在机动目标跟踪中的性能,有研究应用Elman神经网络来学习和预测IMM卡尔曼滤波的估计误差,并据此修正IMM卡尔曼滤波的输出结果[20]。林[21]提出了一种基于神经网络的IMM卡尔曼滤波技术,用于估计移动目标的速度和加速度,这些数值可作为伺服前馈补偿系统的输入参数,从而消除由速度和加速度引起的距离测量误差。参考文献[22]中,结合空战跟踪场景和传统的多传感器加权融合算法,该文设计了一种新的数据融合方法,该方法采用全局卡尔曼滤波器和LSTM预测的测量方差,并通过自适应截断机制确定最优权重。参考文献[23]为了解决传统IMM算法在模型概率更新过程中存在的延迟问题,引入了深度学习算法,利用目标当前的飞行状态来预测IMM模型集合中各子模型的概率。Mari[24]提出了一种基于集成方法的新型方案,该方案受传统IMM滤波技术的启发,在多模型框架下整合了多个神经辅助卡尔曼滤波器,统称为KalmanNet。夏[25]则提出了一种基于时间卷积网络(TcnMTT)的机动目标跟踪算法,该算法可将输入轨迹分解为高机动状态和低机动状态。虽然LSTM网络能够捕捉时间依赖性,但并非所有的历史测量数据对机动行为的推断都具有同等重要性——那些对应于机动开始或突然运动变化阶段的测量数据通常包含比平稳运动阶段更多的有用信息。为了解决这一问题,该研究引入了时间注意力机制,用以自适应地调整不同时间步长的贡献程度。据此,还提出了基于时间注意力的机动参数推断网络(TAMPI-Net),该网络能够自适应地调整历史隐藏状态的权重,重点关注对机动特征描述最具信息量的时间点。IMM算法中的滞后效应本质上是由概率驱动的模型切换所引发的惯性效应。IMM算法通过马尔可夫链在不同模型之间切换,当目标发生机动时,正确模型的概率通常需要经过多个时间步长才能占据主导地位。IMM算法的状态估计实际上是各模型估计值的加权平均,而在收敛过程中,正确模型的权重仍然较低,这会导致输出结果偏向于历史运动模式,进而造成跟踪延迟。虽然通过优化模型集合设计并引入自适应机制可以改善延迟问题,但无法完全消除它。为克服现有算法的缺陷,本文提出了一种具有参数自适应能力的学习增强型Singer模型(LAASM)。在各类机动目标模型中,Singer模型相比传统的恒定速度或恒定加速度运动模型具有更高的复杂性。在Singer模型中,目标加速度是通过零均值马尔可夫链来建模的[26],该模型通过更好地捕捉目标加速度的时间连续性和相关性,克服了传统恒定加速度模型的局限性。Singer模型完全由两个核心参数决定:机动加速度方差和机动频率。通过自适应地调整这两类参数,Singer模型能够在给定的滤波框架内更好地适配不同的机动模式[27]。不过,该模型的核心局限在于其参数设定较为固定[28],实际应用时需要预先指定这两个参数。因此,LAASM旨在从最新的创新序列及相关数据流中在线推断机动频率和加速度标准差,再利用预测得到的加速度标准差计算加速度方差。在本文所考虑的单目标、无杂波且均匀采样的假设条件下,这种机制有望比固定参数滤波策略更快地响应机动变化。与IMM算法基于概率的模型切换不同,LAASM会根据当前的观测历史持续更新Singer模型的参数,从而在给定的测量条件下为机动行为的表征提供更为直接的自适应机制。这一假设随后通过基于瞬态响应延迟指标的专门机动开始延迟分析得到了定量验证。综上所述,本研究的主要贡献包括:•基于六自由度战斗机动力学及随机机动库构建了大规模机动目标轨迹数据集,为在超越简化运动学假设的前提下学习时变机动特性提供了符合物理规律的运动数据;•开发了基于时间注意力的机动参数推断网络(TAMPI-Net),该网络可直接从基于创新的测量统计量中推断Singer模型参数,从而在保持物理可解释性的同时实现机动频率和加速度不确定性的数据驱动估计;•提出了学习增强型自适应Singer模型(LAASM),该模型将推断得到的机动参数嵌入到动态模型中,使得无需通过离散的模型切换即可实现机动统计特性的持续自适应调整;•提出了学习增强型单模型Singer滤波器(LAASMF),该滤波器将学习得到的机动信息与贝叶斯状态估计相结合,在本文所考虑的单目标无杂波仿真环境下,相较于基于IMM的基准算法,实现了更高的跟踪精度,同时还大幅降低了计算成本。本文的其余结构如下:第2节阐述问题背景,第3节介绍战斗机的坐标系,建立六自由度数学模型,并基于六个典型机动类型构建的随机机动库,创建了包含10万条飞行轨迹的数据库;第4节回顾了经典EKF和IMM-EKF的算法框架,详细介绍了TAMPI-Net的架构及其各组成部分的功能,最后明确了TAMPI-Net的在线训练方法;第5节介绍了基于TAMPI-Net的LAASM模型,随后阐述了LAASMF算法框架,最后比较了LAASMF与IMM-EKF的计算复杂度;第6节利用从数据库中随机选取的机动轨迹来验证LAASMF的性能;第7节总结了本研究的贡献与创新点。章节片段状态空间模型与测量模型对于基于离散时间雷达信号的靶标跟踪系统,其状态空间模型可表示为:xk+1=Fkxk+Gkωk,其中x(k)∈Rn×1表示第k时间步的目标状态向量,n为其维度。Fk为第k时间步的线性状态转移矩阵,ωk?1则表示高斯分布的状态系统噪声,其概率密度函数可表示为p(ωk)~N(ωk,0,Qk),其中p(?·?)表示某个变量的概率密度函数,N(·)表示高斯分布,ωk的均值为…六自由度战斗机动力学一个完整的六自由度方程组包括:(1)基于牛顿第二定律推导出的刚体受力方程,用于描述外部力作用下的战斗机线速度变化;(2)基于欧拉方程的刚体方程,用于描述外部力矩作用下的角速度变化;(3)将机体坐标系下的角速率与地球坐标系下的欧拉角导数联系起来的运动学方程;(4)将线速度转换为地球坐标系下位置变化率的导航方程。基于学习的机动参数推断Singer机动模型的性能主要取决于两个参数:决定加速度时间相关性的机动频率,以及表征机动强度的加速度方差。在传统的滤波方法中,这两个参数被视为固定值且需手动调整,这使得模型容易受到时变机动特性的影响。尽管交互式多模型框架通过在不同模型之间切换来缓解这一限制,但…学习增强型自适应Singer滤波器经典的Singer模型通过有限带宽的加速度建模方式来描述机动目标的运动,该模型仅使用两个参数:机动频率α和加速度方差σa2。在预调之后,固定的α和σa2虽能取得良好性能,但却无法同时在从弱机动到持续高G值机动的各种机动类型中实现快速响应与稳定跟踪。为了解决这一问题,我们提出了LAASMF,该算法保留了基于模型的EKF结构。参数设置为确保公平且可重复的比较,所有候选算法均使用相同的靶标轨迹、雷达测量数据、采样间隔以及噪声模型进行评估。所有方法的蒙特卡洛模拟都使用了相同的随机种子,这样任何性能差异都源自滤波算法本身,而非不同的测量序列或场景设定。案例1:留出测试集评估为评估所提出的LAASMF算法的跟踪精度,本研究使用从测试集中随机选取的三个轨迹进行了仿真实验,这些轨迹的参数如表1所示。图6展示了轨迹1的真实轨迹、传感器测量值以及所有算法的估计轨迹,图7则显示了轨迹1在三个坐标轴上的位置、速度和加速度数值,RMSE值可用于量化各算法的估计精度。案例2:额外的数据库外评估为了进一步检验算法在非主要轨迹数据库环境下的鲁棒性,本研究使用了与第3节中描述的相同六自由度动力学模型和随机机动库设计,生成了两个额外的轨迹,但这些轨迹既未被用于模型开发,也未被纳入留出测试集。它们的参数组合与轨迹1-3不同,也不存在于主要轨迹数据库中,每个轨迹都包含了3-5种不同的机动类型。这些示例结论本文提出了一种用于机动目标跟踪的学习增强型自适应Singer滤波(LAASMF)框架。该方法将数据驱动的机动参数推断与具有物理可解释性的自适应Singer滤波器相结合,从而使单模型贝叶斯跟踪器无需依赖显式的模型切换即可持续适应不同的机动状态。一种轻量级的LSTM-注意力网络TAMPI-Net被用于推断Singer机动频率以及与加速度相关的参数。CRediT作者贡献声明:孔凌奇:撰写——初稿、方法论、概念设计;何珊:撰写——审阅与编辑、验证、资金获取;吴攀龙:可视化、研究分析;卜玉明:可视化、数据整理;赵若涵:验证、软件相关工作;杨思良:监督、数据整理。利益冲突声明:作者们声明没有已知的可能影响本文所述工作的财务利益或个人关系。孔凌奇于2018年获得中国秦皇岛燕山大学的学士学位,目前在中国南京科技大学的自动化学院攻读电子与信息工程专业的博士学位。他的研究兴趣包括目标跟踪、时间序列预测以及意图识别。孔凌奇|何珊|吴攀龙|卜玉明|赵若涵|杨思良
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号