面向目標跟蹤的多傳感器數據融合研究綜述
隨著現代目標跟蹤場景的日益復雜化，單一傳感器探測系統已無法滿足目標跟蹤的實際需求，多傳感器數據融合技術成為復雜場景下目標跟蹤問題的重要解決方案。本文綜述了多傳感器數據融合中的數據關聯和估計融合這兩項關鍵過程的基本原理與研究現狀，整理了神經網絡、強化學習等人工智能技術在多傳感器數據融合領域應用的相關研究，并對多傳感器數據融合方法在目標跟蹤領域的發展進行了展望。
近年來，隨著空中作戰朝著智能化、隱身化、去中心化等方向發展，空中戰場環境呈現出日益復雜的態勢，對空中目標的探測難度大幅提高，這給打擊敵方空中目標、奪取制空權帶來了嚴峻挑戰[1]。為應對這一挑戰，機載制導武器作為空中對抗的一項重要手段，其精確打擊目標的能力顯得尤為關鍵。圖1展示了機載制導武器跟蹤敵方非隱身目標的全過程，首先，載機接收各傳感器探測得到的目標運動狀態數據，并對其進行融合處理；然后，載機的火控系統根據融合得到的目標運動狀態信息引導載機飛往最佳攻擊位置并發射制導武器；最后，通過載機與制導武器傳感器之間的數據共享引導制導武器鎖定和跟蹤目標，進而摧毀目標。在整個目標跟蹤過程中，對多傳感器探測數據融合的精度決定了機載制導武器跟蹤目標效果的好壞，因此，有必要對數據融合方法進行深入研究。
多傳感器信息融合（Multi-Sensor Information Fusion）是指對來自多個傳感器或其他來源的信息進行綜合利用，通過檢測、關聯和融合等流程，對未知目標狀態進行較為精確估計的處理過程[2]。按照融合系統中數據抽象的層次，可以將信息融合劃分為數據級融合、特征級融合以及決策級融合3個級別。其中，數據級融合對量測數據的抽象程度最低，直接對傳感器的量測數據進行融合處理，本文主要圍繞數據級融合相關研究和方法進行梳理和分析。具體到空戰領域，多傳感器數據融合技術可以充分利用協同作戰體系的信息優勢，為多導彈協同制導提供有效的信息保障[3]，這對提高系統對環境的認知能力、增強決策支持和提升響應效率方面有著重要作用。
目前，多傳感器數據融合技術已經在目標跟蹤領域得到了快速發展，如何在復雜場景下改進相關模型和算法以提高融合精度是目前數據融合的研究熱點。本文選取了數據融合過程中數據關聯和估計融合這兩項關鍵技術，首先，對其國內外研究現狀進行了梳理和分析；然后，對近年來基于人工智能的關聯與融合相關研究的發展現狀進行了闡述；最后，對多傳感器數據融合方法在目標跟蹤領域的未來發展方向進行了展望。
在目標跟蹤過程中，目標數量可能是未知的，當只有一個目標時，由于傳感器噪聲和外界干擾，可能會認為有多個目標；如果有多個目標，系統可能無法判斷量測數據是來自所跟蹤目標，還是虛警或其他目標，因此，需要通過數據關聯過程建立傳感器量測數據與目標源的對應關系，從而提高后續數據融合過程的可靠性。數據關聯一般分為量測-量測、量測-航跡、航跡-航跡關聯3種情形，其中，量測-量測關聯一般屬于航跡起始研究范疇，本文不做討論，主要針對后兩種情況進行綜述。
量測-航跡關聯是指將傳感器量測與已知目標航跡進行關聯處理，從而實現對已有航跡的保持或對狀態的更新[4]。
最近鄰（Nearest Neighbor， NN）方法是最簡單的數據關聯方法，該方法的核心思想是將以目標預測位置為中心的空間區域作為跟蹤波門，選取落入關聯波門范圍內且距離中心最近的量測作為與目標關聯的最優量測[5]。最近鄰方法簡單易用，但是采用馬氏距離最小作為關聯成功的條件沒有考慮不同量測誤差的相關性，且在目標密集、傳感器噪聲較大的情況下關聯正確率會快速下降。針對以上問題，許多學者進行了改進，文獻[6]提出一種改進馬氏距離的最近鄰關聯方法，將觀測值和預測值的協方差引入關聯過程，解決了由傳感器測量誤差帶來的錯誤數據關聯的問題。文獻[7]提出一種自適應距離最近鄰關聯方法，用狀態估計向量的位置信息的替代預測值作為關聯波門的中心來計算與下一時刻量測的距離，提高了正確關聯概率。文獻[8]考慮到現有最近鄰方法普遍以統計距離為準則，沒有考慮各個量測屬性的重要程度不同，使關聯結果易受單個屬性的影響，因此，采用信息熵理論來確定各量測屬性的權重系數，再根據權重系統來改進最近鄰關聯方法，提高了數據關聯的正確率。
以上方法專注于改進最近鄰方法的統計距離計算算法，而沒有考慮關聯波門內的量測分別與多個目標相關的可能，對此有人提出了全局最近鄰（Global Nearest Neighbor， GNN）方法[9]，在計算統計距離的基礎上考慮了數據關聯的各種可能，增強了關聯的穩定性。文獻[10]提出一種基于當前運動模型的交互多模型全局最近鄰關聯算法，該方法對不同運動狀態的目標采取不同的關聯模型，并在關聯過程中考慮了歷史信息的影響，提高了雜波環境下數據關聯的正確率和穩定性。文獻[11]針對傳統GNN方法容易因虛警、漏檢造成誤關聯的缺點，利用關聯代價和模糊隸屬度分兩次濾除無關目標，提高了關聯正確率。
概率數據關聯（Probability Data Association， PDA）的方法是另一類常用的數據關聯方法。與最近鄰方法只選擇與目標預測位置距離最短的量測值與目標航跡進行關聯不同，PDA方法會計算落入跟蹤波門內所有量測來自目標的后驗概率，然后根據后驗概率對所有量測求加權平均值，得到新的最優量測[12]。該方法能有效降低雜波對目標狀態更新的影響，但只適用于單目標跟蹤的情況。為了適應多目標跟蹤的情況，文獻[13]將交互多模型（Interacting Multiple Model， IMM）算法與PDA方法相結合提出了IMM-PDA方法。該方法將IMM中每個狀態模型都對應一個關聯波門，各個模型利用各自的量測集合進行數據關聯，但IMM-PDA方法在量測集合選取和模型概率更新方面存在不足，可能會產生失跟和誤跟的情況。對此，文獻[14]提出一種聯合交互式概率數據關聯算法，該算法對IMM中各濾波器設置相同的關聯波門進行濾波，使目標跟蹤性能有所提高。文獻[15]在綜合IMM-PDA方法框架基礎上，利用了目標量測信息，以最小均方誤差為準則找到了最優波門中心，提高了關聯正確率。文獻[16]針對由于量測不確定性使PDA方法受雜波影響隨時間增大的問題，在PDA基礎上引入距離加權概念，對關聯概率進行二次加權處理，改善了密集雜波情況下的目標跟蹤效果。文獻[17]針對PDA方法在數據量較大時計算效率較低的問題，提出一種基于變分貝葉斯的概率數據關聯方法，該方法基于變分貝葉斯框架來獲取狀態近似后驗概率密度函數，降低了關聯過程中的計算復雜度。
聯合概率數據關聯（Joint Probability Data Association， JPDA）方法是基于PDA方法提出的一種適用于多目標跟蹤場景的一種關聯方法，該方法原理如圖2所示。其中，
分別為航跡（i=1,2）在k時刻量測值的先驗估計，以其為中心構造兩個關聯波門，
為分別落到這兩個關聯波門內的有效量測。在JPDA算法中，首先要把落入關聯波門內的所有量測值做不同排列的聯合假設，然后計算它們分別與各個航跡的關聯概率，最后利用關聯概率分別求落入不同關聯波門內有效量測的加權平均值，從而得到不同航跡的最優量測。由于JPDA方法引入了聯合事件的概念，使得其計算量巨大，不利于對目標的實時跟蹤。許多學者對JPDA方法進行了改進，文獻[18]提出一種近似最優的JPDA算法，降低了計算量，但也降低了算法的有效性和可靠性。文獻[19]對JPDA算法中用于表示量測與多目標關聯波門關系的確認矩陣進行了改進，同時在數據關聯過程中引入目標類別信息，在降低計算復雜度的同時提高了目標和雜波密集情況下的關聯精度。文獻[20-22]將模糊聚類思想引入數據關聯方法，利用模糊隸屬度簡化了JPDA算法關聯概率的計算，從而有效降低了計算復雜度，提高了算法實時性。
以上方法一般只基于上一掃描周期的關聯決策和當前掃描周期的量測數據來給出當前的關聯決策[23]。由于量測噪聲、虛警雜波和目標機動等情況的存在，僅利用單次掃描的數據可能不足以實現正確關聯，而多假設跟蹤（Multiple Hypothesis Tracking， MHT）方法則利用了多次掃描周期的數據進行數據關聯。MHT方法采用了延遲決策邏輯，保持多個可能的關聯假設使其繼續傳遞，以便利用后續周期的數據來進行優化決策，適用于存在噪聲干擾和一定漏檢率的多目標跟蹤場景中的數據關聯問題[24]。MHT方法跟蹤性能優越，但需要對關聯假設進行枚舉，對系統的計算量和存儲量的要求較高，工程應用難度較大。文獻[23]在MHT的基礎上引入一種關聯深度自適應算法，在關聯過程中盡可能保留高可能假設以降低計算量。文獻[25]針對多機動目標跟蹤問題，在MHT的基礎上引入了IMM算法。文獻[26]針對密集多目標跟蹤問題提出一種基于特征輔助的MHT方法，該方法在出現漏檢和誤關聯的情況時可以從量測數據中提取目標快速變化的特征來輔助數據關聯，提升了跟蹤性能。
航跡-航跡關聯是指判斷來自不同傳感器的航跡是否來自同一目標，以下簡稱為航跡關聯，這種關聯一般存在于分布式多傳感器數據融合系統中。
最早的航跡關聯方法有加權法和修正法[27]，這兩種方法將航跡關聯問題轉化為假設檢驗問題，分別適用于航跡估計誤差獨立和相關的情況，但在目標密集、航跡交叉等場景下關聯性能較差。為改善航跡關聯性能，何友教授以加權法和修正法為基礎，將航跡當前時刻的關聯與歷史航跡聯系起來，提出了序貫航跡關聯方法[28]，該方法示意圖如圖3所示。首先將航跡關聯問題轉化為以下假設檢驗問題：① H0表示傳感器1的局部航跡i與傳感器2的局部航跡j關聯；② H1表示傳感器1的局部航跡i與傳感器2的局部航跡j無關聯。然后根據局部傳感器的歷史航跡數據計算得到檢驗統計量
則接收H0，否則接收H1。以上方法均為基于統計思想的航跡關聯方法，實現簡單、計算量小，易于工程應用。
考慮到在實際情況中，傳感器除了自身存在測量誤差，還會受到環境干擾等因素影響，使不同傳感器對同一目標探測數據不一致的可能性加大，使用傳統關聯方法容易出現錯、漏關聯的情況，不能對傳感器局部航跡進行有效判定。針對傳感器誤差存在時的航跡關聯問題，文獻[29-30]從量測數據中提取目標間拓撲特征來進行航跡關聯，有效降低了傳感器誤差給關聯結果帶來的影響。文獻[31]考慮了航跡誤差的不確定性，在關聯前對數據進行了剔除、擇優操作，但沒有考慮航跡質量對關聯過程的影響。文獻[32]針對因傳感器漏檢造成目標航跡中斷的問題，根據分航跡的時間、位置和方位角信息實現了新老航跡的準確關聯。文獻[33-34]根據先驗數據對航跡質量進行評估，并以此為依據對關聯門限進行調整，從而實現誤差變化情況下的自適應航跡關聯。
當航跡批數較多且比較密集時，基于統計的關聯方法關聯正確率會明顯下降，因此，許多學者引入模糊數學理論來解決航跡關聯問題，灰色理論是其中一種。文獻[35]將灰色理論引入航跡關聯算法中，該方法用灰關聯度來描述航跡之間的相似程度，進而根據灰關聯度進行航跡關聯的判決。文獻[36]提出多局部節點情況下一種基于多維分配思想的灰色航跡關聯算法，實現了全局最優的航跡關聯判決，但是該算法沒有利用航跡歷史信息。文獻[37]在多維分配灰色航跡關聯方法的基礎上采用序貫方法對灰關聯度進行修正，將當前時刻航跡與歷史航跡聯系起來，提高了關聯的準確性和穩定性。文獻[38]根據灰關聯度矩陣判斷雷達航跡之間的競爭關系，并適時利用雷達關聯的歷史信息對當前關聯進行修正，提高了目標密集情況下的關聯正確率?；疑P聯方法具有對樣本量要求不高、不依賴噪聲先驗分布規律等優點，當前灰色關聯的研究趨勢主要是如何充分利用航跡歷史信息提高目標密集場景下航跡關聯的可靠性。
除此之外，模糊聚類思想也被引入航跡關聯算法中。在模糊聚類中，每個數據都被賦予一組隸屬度，用以表示其屬于每個聚類的程度。文獻[39]對多雷達系統的多個航跡進行模糊化聚類統計，當目標數量較多導致采集數據量較大時，采用分步法對航跡信息進行模糊聚類處理，實現了多目標數據的精確關聯。文獻[40]提出一種基于模糊等價關系的異類傳感器航跡關聯算法，該算法將歷史和當前時刻的方位信息視為模糊因子，基于等價關系對航跡進行模糊聚類，實現了航跡關聯的判定。文獻[41-42]采用一種自適應密度聚類的航跡關聯方法，基于最大熵方法來確定各個航跡的隸屬度并進行關聯，在目標數量未知的情況下實現了較低計算成本的實時航跡關聯。基于模糊聚類的關聯方法在目標密集場景下適應性較好，但這類方法參數設置較為復雜，不利于工程實現。
對于現有的量測-航跡關聯方法，在傳感器數據比較簡單、目標稀疏、噪聲干擾較小且計算資源有限的情況下，適合采用最近鄰方法進行關聯；PDA方法相較于最近鄰方法更適用于雜波干擾較多的情況，但仍受限于目標稀疏的場景；JPDA方法針對目標密集情況有良好效果，但計算量較大；MHT方法的一大特點是能夠對假設集合進行維護和更新，適用于多目標跟蹤以及航跡交叉、遮擋等復雜情況，但也需要考慮數據融合系統的計算和存儲性能。
對于航跡-航跡關聯，基于模糊數學的航跡關聯方法和基于統計的航跡關聯方法相比，在關聯精度和計算效率上更占優勢。考慮到現代空戰中，目標往往不是單獨行動，而是多目標集群協同作戰，這意味著目標跟蹤過程中的目標批次和雜波等信息成倍增長，傳統的關聯方法無法滿足實時精確關聯的需求。因此，需要對關聯方法不斷改進，既要針對越來越復雜的航跡關聯場景提高關聯精度，降低錯、漏關聯的概率，也要考慮采用并行計算等方法合理安排計算資源，避免因目標批次的增多或雜波密度的增大導致計算中的組合爆炸，影響關聯準確率。
在完成數據關聯后，需要對關聯到同一個目標的數據進行估計融合。估計融合假定參與融合的傳感器量測數據均來源于同一個目標，然后利用這些量測數據對所要估計的目標狀態進行研究，以獲得更精確的估計值。根據原始量測數據是否直接用于融合，可以將融合結構分為集中式、分布式和混合式3類。其中，混合式融合是前兩種融合方法的綜合，兼具前兩者的優點和不足，本文不開展討論，著重對集中和分布式融合相關研究進行綜述。
集中式融合也稱量測融合，是指將傳感器的原始量測數據直接傳入融合中心進行融合處理，其過程如圖4所示。常見的集中式融合方法主要有并行濾波、序貫濾波和數據壓縮濾波3類[4]。
并行濾波是指通過量測擴維將多傳感器量測方程組成廣義量測方程，再進行統一濾波處理來實現多傳感器數據融合估計；序貫濾波是指按順序依次利用各傳感器量測對狀態估計進行濾波更新；數據壓縮濾波是指先對各傳感器量測數據進行壓縮處理，得到融合中心的偽量測，再利用偽量測進行統一濾波更新。目前，以上3種方法基于線性卡爾曼濾波的融合研究已趨于完善，文獻[43]基于擴展卡爾曼濾波器（Extend Kalman Filter， EKF）將集中式融合方法向非線性系統進行了推廣。文獻[44]以多模復合制導為背景，對3種集中式融合方法進行研究，在傳感器噪聲不相關的情況下，3種方法對目標的跟蹤效果均滿足精度要求。
在以上3種方法中，序貫濾波不同于其他兩種基于批量融合的方法，該方法通過對量測數據按時間順序分步更新，降低了系統方程的維度，一定程度上可以緩解集中式融合受限于通信帶寬和中心處理器性能的情況，改善濾波過程的實時性，提高濾波精度[45]，其過程如圖5所示。
分別為k-1時刻的目標狀態估計值和協方差矩陣，將其作為目標初始狀態輸入濾波器，得到目標在k時刻的狀態預測值
分別為各傳感器在k時刻對目標的量測值，對第i個傳感器量測進行濾波得到目標在k時刻的中間狀態估計值
。將以上目標的中間狀態估計值作為下一次濾波時的預測值，對下一個傳感器量測值進行濾波處理，以此類推，將最后一個傳感器量測值的濾波結果作為目標在k時刻的最終狀態估計。
目前，對序貫濾波融合的研究較為廣泛，文獻[45]針對多傳感器系統通信受限的問題，在濾波融合過程中采用周期性的分組有序通信策略，實現了對傳感器數據的有序處理，降低了計算復雜度。針對傳統線性卡爾曼濾波算法不適用于復雜機動目標融合跟蹤的問題，文獻[43]和[46-47]將擴展卡爾曼濾波、無跡卡爾曼濾波（Unscented Kalman Filter， UKF）、容積卡爾曼濾波（Cubature Kalman Filter， CKF）等非線性濾波算法與序貫融合算法相結合，提高了多傳感器融合系統對復雜機動目標的跟蹤性能，但只考慮了傳感器量測噪聲為高斯白噪聲的情況。文獻[48-49]考慮了多傳感器融合系統具有非高斯白噪聲的情況，并提出了對應的序貫濾波融合算法以減小非高斯白噪聲對融合精度的影響。文獻[50]采用了粒子濾波（Particle Filter， PF）算法進行融合跟蹤，該算法基于蒙特卡洛方法，不需要對固定點抽樣，具有靈活性強、易于實現等優點，對非線性非高斯系統具有較好的適應性，但也存在粒子退化、計算量較大等問題[51]。此外，文獻[52-53]針對異步多傳感器系統在跟蹤機動目標過程中存在較大時空偏差的問題，提出一種序貫的時空偏差補償和數據融合方法，該方法在目標機動的情況下能同時完成時空偏差和目標狀態的估計，具有較強的適用性。
分布式融合也稱航跡融合，是指各傳感器先對自身量測數據進行預處理形成局部航跡，再送到融合中心進行融合處理。航跡融合主要包括兩步，航跡關聯和航跡狀態估計融合，其示意圖如圖6所示。各傳感器的局部航跡通過1.2節的方法進行關聯，然后對關聯到同一個目標的局部航跡進行融合處理，得到目標最終的系統航跡。其中，根據是否使用系統航跡的狀態估計，又可將航跡融合分為局部航跡到局部航跡的融合，以及局部航跡到系統航跡的融合[2]。
簡單凸組合方法是最早提出的分布式航跡融合方法，該方法假設各傳感器局部航跡的估計誤差相互獨立，以估計誤差的協方差矩陣表達式作為權值對局部航跡進行加權融合[54]。但是在實際應用中，由于共同先驗估計和過程噪聲的影響，各航跡估計誤差往往是相關的，此時簡單凸組合方法融合結果是次優的。Bar Shalom-Campo融合方法將局部估計誤差的互協方差矩陣引入了融合計算中，取得了較好的效果，但采用該方法計算互協方差矩陣需要大量信息，實際應用中可能難以獲取，且融合結果無法做到全局最優[55]。對此，有學者提出一種信息矩陣融合（Information Matrix Fusion， IMF）方法[56]，該方法是基于量測擴維的集中式融合算法通過矩陣變換得到的，無需計算互協方差，但只在線性系統下全局最優。文獻[57]將先驗信息加以考慮，提出一種最大后驗概率（Maximum A Posterior Probability，MAP）融合方法，該方法在存在反饋機制的條件下可以做到全局最優。
針對分布式融合系統中互協方差數據難以獲取的問題，文獻[58]提出一種協方差交叉（Covariance Intersection，CI）融合方法，該方法不需要考慮局部估計誤差的相關性，通過最小化融合后得到誤差協方差上界以得到保守的融合估計。目前，國內外學者基于協方差交叉方法針對不同場景提出了多種改進方案。文獻[59]針對經典CI方法融合結果過于保守的問題，提出一種逆協方差交叉的融合方法，提高了融合精度。文獻[60]針對經典互協方差算法中存在計算量大且占用通信資源較多的缺點，提出一種快速協方差交叉算法，可大幅減小計算負擔。文獻[61]提出一種序貫協方差交叉算法，此算法能在小幅降低融合精度的前提下，大幅減小融合過程的計算負擔。文獻[62]進一步提出一種序貫快速協方差交叉算法，在減小計算負擔的同時保證各融合節點的融合結果與融合次序無關，且在保證融合結果一致性的同時降低了計算復雜度，但是該方法主要對線性系統進行分析，在系統非線性的情況下融合結果次優。
以上方法一般都假設融合過程中各傳感器提供的信息是完備的，然而考慮到傳感器量測誤差和環境干擾，分布式融合過程中傳感器提供的信息具有不完備性，主要表現在量測丟失、傳感器觀測精度存在差異等情況。
針對融合過程中傳感器量測隨機缺失的問題，文獻[63]在EKF的基礎上引入丟失參數來確定是否對估計結果進行修正，降低了量測丟失階段噪聲對估計結果精度的影響，但收斂速度也隨之減慢。文獻[64]針對每個局部傳感器子系統設計了最優估計器，并采用矩陣加權融合估計算法推導了矩陣加權的分布式融合估計器，該估計器由于采用并行結構，對量測丟失的信號具有很好的補償作用，但當傳感器數量較多時，其融合方法計算復雜，不適合工程應用。此外，針對傳感器觀測精度存在差異的情況，文獻[65]利用目標運動狀態特征求解局部航跡之間的最佳隸屬度，在融合中心用最佳隸屬度算法完成權值分配實現航跡融合，該方法在傳感器跟蹤精度較差的情況下對機動目標有很好的跟蹤效果，但沒有考慮量測丟失的情況。文獻[66]結合交互式多模型濾波算法提出多模型航跡質量的概念，將其用于權值分配，并引入了反饋機制，提高了航跡融合精度，但該方法隨著傳感器數量的增多計算更加復雜，且融合精度沒有明顯提升。
以上方法對單一條件下的航跡融合問題比較適宜，但未考慮實際情況中量測丟失和傳感器觀測精度存在差異的情況同時存在，使得航跡質量出現動態變化的情況。文獻[67]利用標準熵量化了各個傳感器局部航跡的不確定程度，刪除了質量較差的局部航跡，該方法雖提高了系統最終航跡的精度，但該方法是從整體上對航跡進行剔除，沒有充分利用局部航跡。文獻[68]提出一種基于信息質量選擇的動態航跡融合方法，該方法用局部線性濾波器來獲取局部航跡和信息熵，利用信息熵選取質量好的航跡進行航跡融合，提高了在傳感器不同精度和不同量測丟失率情況下對機動目標的跟蹤性能。文獻[69]在文獻[68]研究的基礎上引入改進的模糊C均值（Fuzzy C-Means， FCM）算法對局部航跡按隸屬度進行類別劃分，使單一時刻數據點更少受到差數據點的影響。
綜上所述，當傳感器數據較為簡單、目標批次較少時，可以采用集中式融合方法，直接對原始量測數據進行估計融合，能夠獲得較高的估計精度。其中，基于序貫濾波的融合方法與并行濾波和數字壓縮濾波方法相比，由于采取分布更新的策略，對通信帶寬和融合中心性能的要求較小。因此，建議在集中式融合場景中采用序貫濾波方法。
考慮到目前空中戰場需要跟蹤的目標運動軌跡日益復雜，傳感器探測手段也越來越多樣化，產生的跟蹤信息也越來越繁雜，有必要采取分布式融合方法。和集中式融合相比，分布式融合對通信帶寬和融合中心處理器性能的要求較低，具有易于擴展、生命力強等優點。如果兩條航跡均為傳感器航跡，且傳感器局部估計誤差不相關，采用簡單凸組合融合算法是全局最優的；如果各傳感器各局部估計誤差存在相關性，若相關性已知，可采用Bar Shalom-Campo融合方法，若相關性未知，可采用CI融合方法。針對航跡融合過程傳感器提供數據存在不確定性的問題，例如，傳感器量測誤差較大或因通信異常造成傳感器數據缺失，應根據融合需求設置合理的質量評估指標對傳感器數據的質量進行量化分析，對于質量較差的航跡，應采取整體刪除或剔除部分異常點的措施，以提高航跡融合的精度。
隨著目標跟蹤場景日益復雜，傳感器探測手段不斷豐富，需要進行融合的數據量急劇膨脹。盡管人們提出了一系列用于數據融合的模型和算法，但這些方法往往應用場景受限，難以兼顧實際跟蹤過程中目標機動性強、雜波分布密集以及傳感器精度較差等復雜不確定情況。近年來，隨著計算機技術的進步以及人工智能技術的發展，許多學者將人工智能技術應用于數據融合過程。人工智能是一種在沒有特定程序情況下從給定數據中學習的技術，基于人工智能方法進行數據融合，可以提高在復雜不確定目標跟蹤場景下的融合精度。
強化學習 （Reinforcement Learning， RL） 是一個智能體在復雜不確定環境中尋求最大化收益的過程，而數據關聯也是在存在雜波和量測噪聲的復雜環境中尋求最大關聯正確率的過程，因此，可以用強化學習方法進行數據關聯。文獻[73]將RL算法嵌入進JPDA算法中，以獲得在存在密集雜波情況下量測分布與其關聯概率之間的關系，但還是基于傳統關聯方法的框架。文獻[74]突破了傳統數據關聯的束縛，設計了一個基于RL的跟蹤與數據關聯網絡架構，利用RL的動態探索能力來預測量測點和目標源關聯概率。該方法在密集雜波情況下仍能實現量測與航跡的精確關聯，但在量測丟失時精度較差。
與人工智能方法在數據關聯中的應用類似，基于人工智能技術的數據融合方法能夠減少對傳統目標運動模型的依賴，從而更好地適用于復雜不確定環境下的目標跟蹤，提高融合結果的可靠性。
神經網絡算法由于其強大的學習和記憶能力在目標跟蹤融合領域有著廣泛應用，一部分學者將其與傳統濾波算法相結合，起到互補作用。文獻[75]針對無線傳感器網絡中傳統基于接收信號強度指示器的跟蹤方法對目標跟蹤誤差較大的問題，提出一種基于廣義回歸神經網絡的方法，以獲得無線傳感器網絡中單個二維目標的估計，然后用卡爾曼濾波進行進一步細化。文獻[76]利用循環神經網絡 （Recurrent Neural Network， RNN） 預測傳感器信號中斷時的量測結果，從而提高多傳感器組合導航系統的融合精度。也有學者用神經網絡替代傳統方法中的部分模塊或參數，而不改變整體的融合框架。文獻[77]利用一種名為長短期記憶（Long Short-Term Memory， LSTM）的改進RNN作為目標運動模型，實現對目標狀態的一步預測。文獻[78]通過深度置信網絡 （Deep Belief Networks， DBF）學習卡爾曼濾波過程中新息協方差的一致性，自動調整過程和量測噪聲的協方差，提高融合結果精度的同時防止濾波發射。還有學者推翻了原有的融合框架，直接利用神經網絡完成預測和更新過程。文獻[79]針對運動模型未知的目標跟蹤情況，利用神經網絡學習量測數據到目標位置狀態的映射關系，并針對多傳感器異步采樣使部分時刻量測缺失的問題，設計了一種采用時間差數據進行補償的神經網絡結構，實現了異步采樣情況下對目標狀態的精確融合估計。
除了神經網絡方法外，其他人工智能方法在數據融合領域有許多應用。文獻[80]利用深度強化學習方法對目標跟蹤過程中兩種不同定位算法的權重進行優化調整，并利用預測的變化和殘差值訓練輸入的雙傳感器定位算法，提高了目標在復雜環境下位置數據融合的精度和穩定性。支持向量機（Support Vector Machine，SVM）是一種機器學習算法，文獻[81]針對具有不確定性和非高斯白噪聲的系統模型，提出一種基于卡爾曼濾波和支持向量機的數據融合算法，先提高卡爾曼濾波算法計算目標狀態預估計，再用提出的KF-SVM方法獲得狀態估計，該算法不需要計算傳感器的互協方差矩陣，具有更好的估計精度。
基于人工智能的數據關聯與融合方法憑借強大的機器學習能力很好地滿足了關聯與融合過程中的各種需求，減少了對先驗知識的依賴，提高了關聯和融合結果的可靠性。未來人工智能方法在多目標跟蹤場景中有著廣闊的應用場景。例如，在傳感器數據獲取階段，部分傳感器探測數據可能為圖像信息，可以采用深度學習算法對該傳感器的圖像信息進行學習，從而在跟蹤過程中快速準確地獲取目標特征數據。在對傳感器數據進行濾波降噪處理時，可以將循環神經網絡與濾波循環過程相結合，構成可在線學習的循環濾波神經網絡，實現對目標端到端的狀態估計與跟蹤。此外，當環境或傳感器性能變化時，可以使用深度強化學習算法對系統進行訓練，自動選擇合適的融合策略或對不同傳感器數據參與融合的權重進行動態分配，以適應當前的跟蹤條件。
目前，基于人工智能的數據關聯與數據融合相關研究雖然比較廣泛，但是還沒有形成比較系統的研究體系，且人工智能方法的一大缺點是前期需要大量數據進行學習訓練，利用事先訓練好的模型來處理復雜不確定環境中的目標跟蹤效果較差。如何提高人工智能方法在數據融合過程中的適用性和可靠性，需要開展進一步研究。
由以上研究可以看出，目前對多傳感器數據融合的研究呈現出蓬勃發展的態勢，在目標跟蹤領域取得了顯著進展，但仍存在許多挑戰和待解決的問題。本節結合國內外相關技術研究和項目進展，對面向目標跟蹤的多傳感器數據融合研究提出以下幾點展望。
?。?） 未來的目標跟蹤系統的智能化和自適應性能將進一步提升。隨著對目標跟蹤的實時性和準確性的要求不斷提高，與之相關的數據融合算法需要進一步優化以提高處理速度和精度，以強化學習、深度學習等為代表的人工智能方法為數據融合問題的研究提供了新的著力點。采用智能化方法可以更高效地構建特征提取和融合模型，以滿足對高速、高機動目標的跟蹤需求。特別是在復雜戰場環境下，目標可能受到干擾、偽裝和遮蔽等因素的影響，探測器也可能受到環境等影響無法持續獲取目標信息，導致跟蹤難度增加，可以利用智能化方法根據環境變化和任務需求自適應調整參數和策略，提高復雜環境下數據融合的魯棒性。
?。?） 隨著計算能力的提升和算法的優化，未來目標跟蹤系統能夠在更短時間內處理大量數據，并實時更新目標狀態，以滿足快速變化的作戰需求?，F有人工智能方法的融合效果高度依賴于事先的學習訓練，如何根據跟蹤目標實際情況選取合適的人工智能模型，設計高效的人工智能算法，在節省計算資源的同時保障數據融合的效果，是未來目標跟蹤和數據融合研究的重點和難點。例如，可以利用遷移學習的方法，將在其他任務或領域中預訓練的模型進行微調，以適應目標跟蹤和數據融合任務的特定需求，這樣可以減少對大量標注數據的依賴，提高模型的泛化能力；還可以通過增量學習的方法，持續地更新和改進模型，以適應新的數據和環境，這樣可以在模型逐步積累更多信息的同時，減少對事先訓練模型的依賴，并及時應對數據分布的變化。
?。?） 隨著傳感器技術的不斷進步，未來不同傳感器之間的協同探測會更加緊密。在對遠距離運動的目標進行跟蹤時，往往需要依賴多種傳感器和探測源，如雷達、衛星、光電等，為充分利用各種信息源的優勢，未來的數據融合方法需要進一步增強多源數據融合能力。這包括研究不同信息源之間的互補性，設計有效的融合策略，以及針對不同傳感器的探測誤差特性設計合適的誤差估計和補償算法，以實現對目標的全方位、多角度跟蹤。
（4） 基于目標行為特征的融合也是未來的發展方向?？紤]到目標運動是一個持續過程，通過對多傳感器收集到的目標歷史行為信息進行預處理和特征提取，可以得到一系列描述目標行為的關鍵特征，如目標的速度、方向等，以及意圖、偏好等更高級別的行為信息?；谝陨锨捌谛袨樘卣鲗δ繕藸顟B進行估計和融合處理，一方面實現了對數據的可觀壓縮，降低了對通信帶寬的需求，另一方面也為高精度目標跟蹤和預判提供了有力支持。
?。?） 未來數據融合會在戰場態勢評估與決策支持中發揮越來越重要的作用。在現代戰場環境中，目標跟蹤只是戰場整體決策中的一部分，隨著戰場態勢日益復雜，未來目標跟蹤將更加注重與其他作戰系統的聯網和協同作戰能力，可以將數據融合方法與戰場決策支持系統相結合，實現對戰場態勢的實時感知和智能分析。通過信息共享和協同決策，有助于指揮中心更準確地掌握戰場情況，制訂更有效的作戰計劃，不同平臺和部隊的目標跟蹤系統將能夠共同完成更復雜的任務，提高整體作戰效能。
本文以空戰環境中機載制導武器目標跟蹤場景為例，對多傳感器數據融合問題中的數據關聯和估計融合這兩個關鍵過程的研究現狀進行了梳理。目前，對數據關聯和數據融合的研究熱點主要集中在如何在提高精度的同時，提高關聯與融合過程的實時性和可靠性。隨著作戰環境日趨復雜，多傳感器數據融合在處理目標跟蹤任務過程中面臨的不確定因素日益增多，對目標運動狀態的獲取和估計愈發困難，這極大增加了對目標精確跟蹤的難度。隨著計算機性能和人工智能技術的發展，考慮到日益增長的智能化作戰的需求，基于人工智能方法的數據關聯和融合研究和應用將會越來越廣泛。
本文發表于《空天防御》2024年第4期，作者：唐勝景， 王太巖， 趙剛練， 郭杰， 李佳麗， 尹航。
