MSGate:一种面向高机动无人机雷达跟踪的多尺度门控时序网络

《Drones》:MSGate: A Multi-Scale Gated Temporal Network for Radar Tracking of Highly Maneuverable UAVs

【字体: 大 中 小 】 时间:2026年08月29日 来源:Drones 5.2

编辑推荐:

  对高机动无人机的精确雷达跟踪是低空空域监视、反无人机(counter-UAS)防御与无人机交通管理(UAS Traffic Management, UTM)的关键使能技术。在非合作无人机被检测后,估计其运动状态须应对极坐标非线性观测、未知机动模式切换以及由敏捷

  
对高机动无人机的精确雷达跟踪是低空空域监视、反无人机(counter-UAS)防御与无人机交通管理(UAS Traffic Management, UTM)的关键使能技术。在非合作无人机被检测后,估计其运动状态须应对极坐标非线性观测、未知机动模式切换以及由敏捷飞行驱动的多尺度状态变化,这使经典交互多模型(Interacting Multiple Model, IMM)/无迹卡尔曼滤波(Unscented Kalman Filter, UKF)与深度序列模型难以同时保持局部机动响应与长期时间一致性。研究人员提出MSGate,一种沿“观测—表示—融合—约束”流水线组织的多尺度门控时序网络。一个无可学习参数的物理前端将极坐标测量映射为与目标状态同维的笛卡尔观测轨迹;多尺度门控卷积与旋转位置编码Transformer(Rotary Position Embedding Transformer, RoPE-Transformer)编码分别提取局部机动响应与长程依赖;一个共享门控双路解码器在每时间步与每通道自适应融合两路特征;速度平滑项与位置—速度运动学一致性项正则化预测轨迹。在真实无人机数据集UZH-FPV、EuRoC MAV与NeuroBEM上,于统一距离—方位观测协议下,MSGate取得最低平均位置与速度误差(Pos-RMSE 0.0486 m;Vel-RMSE 0.1767 m/s),优于最强时序基线TimeMixer、经典IMM/高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GM-PHD)滤波器及四种深度机动目标跟踪器(DeepMTT、TrMTT、MFF-MTT、MambaMTT),并泛化至独立纳米四旋翼数据集NanoBench。MSGate为高机动无人机雷达状态估计提供了精确且机动鲁棒的解。
研究背景方面,消费级多旋翼、固定翼与高速喷气式无人机(如巡飞弹)的激增,使高机动无人机雷达跟踪成为反无人机防御、UTM与机场周边低空监视的关键技术。给定单部近程雷达的距离与方位测量序列,需在笛卡尔坐标系估计位置与速度状态以支撑预警、拦截与航路规避。该任务与民航雷达机动目标跟踪共享极坐标非线性与未知机动切换两大难点,但低空小型无人机具备高敏捷性(转弯率可达较高水平、加速度1–3 g、机动模式频繁切换),导致经典模型驱动方法(扩展卡尔曼滤波EKF、UKF、粒子滤波PF、IMM及随机有限集GM-PHD)在强机动下因预设模型集覆盖不足而产生估计滞后与局部偏置;而嵌入贝叶斯滤波的KalmanNet族仍受单步递归限制,通用深度序列模型(PatchTST、iTransformer、TimeMixer等)则未针对距离—方位观测与激进机动做坐标对齐、多尺度局部响应与运动学一致性联合建模。现有UAV向研究多聚焦检测识别、未来轨迹预测或ISAC下模型驱动滤波,少有同时满足“学习式单平台估计、距离—方位雷达观测、已观测轨迹完整状态估计、真实飞行轨迹验证”四点。因此,研究人员将高机动无人机检测后状态估计重构为统一笛卡尔空间内的轨迹到轨迹映射,而非附着于通用骨干的递归滤波。
主要关键技术方法上,研究人员在UZH-FPV、EuRoC MAV、NeuroBEM三套真实多旋翼飞行轨迹及NanoBench纳米四旋翼数据集上,构建统一距离—方位雷达观测回放协议(几何投影加高斯噪声,σr、σθ按协议设定,100次蒙特卡洛回放),以轨迹级划分训练/验证/测试杜绝泄漏。方法层采用无可学习参数运动感知观测构造(Motion-Aware Observation Construction, MOC):无偏转换测量(Unbiased Converted Measurement, UCM)做极—笛卡尔均值去偏,平滑有限差分求观测速度,使网络输入与状态同维同空间;多尺度深度可分离卷积提取短中长感受野局部机动响应,门控卷积得到编码—解码端共享局部上下文C;RoPE-Transformer编码全局长程特征E;门控双路解码器以BiLSTM序列连续路径与C为键值的交叉注意力局部路径按逐时间步逐通道内容自适应门控融合;训练目标为位置MSE、速度MSE、速度平滑Lvs、位置—速度运动学一致性Lkv加权(λpos=1.0, λvel=0.3, λvs=0.05, λkv=0.05),运动学约束仅作软正则不介入推理。
研究结果部分,第2节问题建模定义2D笛卡尔状态xt=(pt?,vt?)?、极坐标测量zt=(rt,θt)?及CV/CT转移矩阵,明确MOC观测轨迹Z与端到端映射?θ:Z→?,并给出位置—速度运动学等式pt+1?pt=Δt·vt作为软约束来源。第3节方法详述MOC中UCM校正因子sec(σθ2/2)补偿条件均值衰减、平滑核宽ks有限差分求速;多尺度门控编码式(20)–(22)给出归一化投影、并行卷积融合与Sigmoid门控局部上下文C;双路解码式(23)–(24)以E为查询、C为键值交叉注意力,BiLSTM得G,门控αt,c=σ(Wg·[G;C])融合得D;式(25)用观测侧统计量反归一化,式(26)四项和损失。第4节实验在三主集雷达协议下,MSGate平均Pos-RMSE 0.0486 m、Vel-RMSE 0.1767 m/s,低于TimeMixer(0.0612 m/0.2143 m/s)、IMM-3UKF、GM-PHD、KalmanNet族及DeepMTT/TrMTT/MFF-MTT/MambaMTT;NanoBench跨平台重训MSGate仍领先BNKF与TimeMixer。消融表明去MOC使Pos-RMSE升约18.7%、去多尺度门控融合升约12.3%,其中门控局部卷积贡献大于多尺度卷积;速度平滑与运动学项去除仅边际退化,定位为轻量正则。噪声扫掠显示位置误差随σθ、σr单调增但MSGate相对Raw/IMM/TimeMixer优势稳定;单线程CPU每步延迟低于轻量递归基线,窗口长度T=64、步长s=32滑动平均重建长轨迹无额外拼接。第4.9节权重敏感性与数据效率显示用10%轨迹训练位置误差仅温和上升,支撑标注稀缺部署。
讨论与结论翻译部分,研究人员指出将高机动无人机检测后状态估计重塑为统一笛卡尔空间轨迹到轨迹映射,而非通用骨干上递归滤波,可为低空监视、反无人机与UTM提供精确机动鲁棒跟踪;MSGate在激进数据削减下优雅退化(仅用10%轨迹训练位置误差小幅上升),跨噪声级保持优势,支持标注真实数据与计算受限场景。结论为:MSGate以无学习物理前端消弭极坐标—笛卡尔维度失配,多尺度门控卷积与RoPE-Transformer兼顾局部机动与长程依赖,共享门控双路解码按内容自适应平衡连续性与局部敏感,运动学软约束提升时间稳定性;在UZH-FPV、EuRoC MAV、NeuroBEM真实集及NanoBench泛化集上,位置速度误差均低于最强时序基线TimeMixer、经典IMM/GM-PHD及四类深度机动跟踪器,单线程CPU每步推理成本不超规定阈值,证实该“观测—表示—融合—约束”流水线对高机动无人机雷达状态估计的有效性与部署可行性。论文发表于《Drones》。
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