基于交叉定位的被动跟踪多传感器分布式融合算法研究报告
一、 研究作者、机构及发表信息
本研究由来自杭州电子科技大学自动化学院的Zhiqi Xu、Yunfei Guo、Yu Kuang和Yun Chen共同完成。该研究成果以论文形式“Multi-sensor distributed fusion based on cross-location for passive tracking”发表于学术期刊《Signal, Image and Video Processing》2024年第18卷。论文于2024年5月31日提交，同年8月30日被接受，并于2024年9月19日在线发表。
二、 研究的学术背景
本研究属于信号处理与信息融合领域，具体聚焦于被动多传感器多目标跟踪（Passive Multi-Sensor Multi-Target Tracking）这一关键且具有挑战性的课题。被动跟踪，也称为目标运动分析（Target Motion Analysis, TMA），其特点是传感器本身不主动发射信号，而是依赖接收目标自身发射或反射的信号（如方位角、多普勒频率）进行目标状态估计。这种方法具有隐蔽性好、成本低、适应复杂环境等优点，在军事监视、安防等领域有广泛应用。
然而，被动跟踪面临诸多固有挑战：首先，系统可观测性差，仅凭角度和/或多普勒测量难以直接、精确地解算目标的位置和速度；其次，测量方程高度非线性，增加了状态估计的复杂度；再者，在实际环境中，传感器会接收到大量杂波（Clutter），并且目标会动态地出现和消失，这带来了数据关联和跟踪起始/终结的难题。
为了解决这些问题，多传感器信息融合成为一种主流技术路径。融合算法主要分为集中式融合和分布式融合。集中式融合（如三角定位法）将所有传感器的原始测量数据直接送至融合中心处理，虽然理论上能获得最优性能，但在杂波环境下容易产生大量虚假航迹（Ghost Tracks），且通信负担重。相比之下，分布式融合允许每个传感器先在本地进行目标跟踪，生成局部航迹，再将航迹（而非原始数据）发送至融合中心进行关联与融合。这种方法通信量小，抗干扰和抗毁能力强，但随之引入了两个核心难题：航迹到航迹关联（Track-to-Track Association, T2TA）和航迹到航迹融合（Track-to-Track Fusion, T2TF）。T2TA旨在将来自不同传感器、但源于同一目标的局部航迹正确配对；T2TF则是将已关联的多个局部航迹融合成一条更精确的全局航迹。在被动跟踪场景下，由于局部航迹精度（特别是距离和切向速度）有限，传统的基于状态统计特性的T2TA和T2TF方法性能会显著下降。
因此，本研究的目标是：针对杂波环境下的被动多传感器多目标跟踪问题，提出一种高性能的分布式融合算法，旨在有效抑制虚假航迹增长，提高航迹关联的正确率和速度，并最终提升全局融合跟踪的精度。
三、 研究的详细工作流程
本研究提出的算法命名为基于轨迹积分距离和伪测量的分布式融合算法（Distributed Fusion Method Based on Trajectory Integral Distance and Pseudo-Measurement, TIDPM）。其工作流程可分为三个主要阶段：局部估计、航迹关联和航迹融合。
第一阶段：局部估计（单传感器多目标滤波） * 研究对象与方法：每个传感器独立处理其接收到的包含目标信号和杂波的测量数据。研究采用了一种改进的高斯混合标记多伯努利滤波器（Twofold Gaussian Mixture Model Labeled Multi-Bernoulli Filter, TGMM-LMB）。LMB滤波器是一种基于随机有限集（Random Finite Sets, RFS）理论的多目标跟踪器，其优势在于能够同时估计目标数量和状态，并为每个目标输出唯一的轨迹标签，使得不同目标可区分。 * 处理过程：在每个时刻k，每个传感器运行TGMM-LMB滤波器。该滤波器首先对测量信号进行量化处理，以获得更准确的目标初始状态估计。随后，滤波器在杂波背景下进行多目标状态预测与更新，自适应地调整跟踪目标数量，并输出一组带标签的局部航迹。每条航迹包含其状态估计的均值、协方差矩阵以及唯一的轨迹标签。 * 数据传输：为减少通信开销，每个传感器仅将每条局部航迹在当前时刻的状态估计均值x和其轨迹标签l发送至融合中心。状态估计的协方差信息在此阶段被舍弃。
第二阶段：航迹到航迹关联（T2TA） * 关联问题建模：在融合中心，接收到来自S个传感器的局部航迹集。T2TA的目标是为来自不同传感器的、属于同一真实目标的局部航迹分配一个相同的全局航迹标签。研究将此问题形式化为一个S维分配优化问题，其目标是找到一个关联矩阵B，使得全局关联代价函数f(B)最小化。 * 核心创新：轨迹积分距离：关联代价的计算是本阶段的关键。传统方法通常使用当前时刻或单帧的统计距离（如马氏距离）。本研究创新性地提出了轨迹积分距离（Trajectory Integral Distance, TID）来衡量两条航迹之间的相似性。TID的定义是对两条航迹从起始时刻到当前时刻所有共存时间点上的马氏距离进行加权积分求和，并除以共存时间帧数。其中引入了衰减系数，以强调近期状态的重要性。 * 算法优势：TID的优势在于利用了航迹的历史信息。在被动跟踪中，初始阶段局部航迹估计误差较大，单帧关联容易出错。通过积分多帧的距离信息，可以将相邻目标之间微小的位置差异累积放大，从而更可靠地区分它们，提高关联正确率，并能更快地将正确率提升到可靠水平。 * 优化求解：上述S维分配问题是NP-hard问题。研究采用S维分配算法来获得次优解。算法输入是一个S维代价矩阵，其元素由任意两条航迹间的TID（或未关联时的固定惩罚代价d‘）计算得到。求解后，得到M组关联结果，每组内的局部航迹被判定为源于同一目标，并分配一个全局标签。为提高稳定性，算法设置了一个频率阈值，只将关联频率高于该阈值的全局标签视为有效，以进一步降低虚假航迹的产生。
第三阶段：航迹到航迹融合（T2TF） * 问题转化：对于关联后的一组局部航迹（对应同一个全局目标），目标是将它们融合成一条更精确的全局航迹。由于被动跟踪中局部航迹的距离和切向速度估计不准，但方位角和径向速度估计相对较准，直接融合状态向量效果不佳。 * 核心创新：伪测量变换与交叉定位：本研究提出了一种基于最大似然的交叉定位融合策略。首先，将每条局部航迹的状态估计均值x，通过测量函数h(·)（即公式(3)）反向变换回测量空间，生成一组伪测量（Pseudo-Measurement）。伪测量包含了该航迹所对应的目标相对于各传感器的估计方位角和估计多普勒频率。这一变换巧妙地将状态空间的不确定性问题，转换到了测量空间。 * 融合估计：融合问题被重新定义为：给定所有传感器的已知位置和接收到的一组关于同一目标的伪测量，寻找一个最优的全局目标状态X̃，使得该状态通过测量函数h(·)计算出的“预测测量”与所有伪测量之间的加权误差总和最小。这是一个非线性优化问题。 * 解空间约束与求解：为了高效求解，研究利用几何交叉定位思想对解空间进行了约束。具体地，计算任意两个伪测量方位角直线的交点，以及对应的多普勒速度向量，形成一个可能的解集。全局目标状态的估计被限制在这些交点构成的凸集内进行搜索。这大大缩小了搜索范围，提高了求解速度和精度。求解时设置了容忍误差和最大迭代次数以保证实时性。
四、 研究的主要结果
研究通过仿真实验验证了TIDPM算法的性能，并与四种现有的分布式融合算法进行了对比：基于最大似然估计的两种算法（MLE, T2T-A/F）、基于信息滤波器（IF）的融合算法以及朴素融合（Naïve Fusion）算法。
1. 局部估计与融合中心结果可视化：仿真场景设置了4个位于角落的传感器和8个遵循协调转弯模型运动的目标，共200帧数据。图2和图3展示了单次运行的跟踪结果。从图3可见，单个传感器的局部估计航迹存在较大误差和不确定性。而图2显示，融合中心的全局估计航迹精度显著提高。尽管在跟踪初期（如图2中绿色箭头所指）由于局部航迹精度低导致出现了短暂的虚假关联航迹，但这些虚假航迹维持时间极短（最长4帧），对整体跟踪精度影响基本可忽略。
2. 性能定量评估（传输完整协方差信息时）：使用最优子模式分配距离（OSPA(2)）和关联正确率（ACR）作为评估指标。 * 融合精度：如图4(a)所示，MLE算法由于忽略了状态间的相关性，估计误差最大，甚至超过了局部估计。而TIDPM算法与其他考虑相关性的算法（IF, Naïve）相比，实现了最高的估计精度，展现了最优的融合效果。 * 关联性能：如图4(b)所示，在关联正确率（ACR）方面，MLE算法因忽略相关信息，其正确率长时间维持在较低水平。而TIDPM算法得益于轨迹积分距离对历史信息的利用，其ACR能够更快地上升并达到更高的稳定水平。
3. 性能定量评估（仅传输状态均值，无协方差信息时）：为评估算法在低通信开销下的鲁棒性，实验测试了仅传输状态均值、不传输协方差矩阵的情况。 * 融合精度：如图5(a)所示，在此条件下，TIDPM算法依然保持了最佳的融合性能。这是因为其伪测量变换和交叉定位融合策略本质上不依赖于协方差矩阵，而是利用了目标相对传感器的方位和径向速度信息。 * 关联性能：如图5(b)所示，在缺少协方差矩阵的初期，所有算法的关联正确率都有所下降。但TIDPM算法凭借轨迹积分距离的累积效应，其ACR能够比其他算法更快地恢复到可靠水平。
4. 算法复杂度与综合性能：表1总结了在无协方差传输情况下，各算法在600-800秒时间段的平均OSPA(2)误差和平均每帧融合耗时。结果显示，TIDPM算法在取得最高估计精度（相比局部估计提升31.73%）的同时，拥有最短的融合时间（41毫秒/帧），实现了精度与效率的平衡。
5. 不同目标数量下的鲁棒性测试：研究进一步测试了目标数量从1个增加到20个时算法的性能。 * 精度与时效性：如图6和图7所示，随着目标数量增加，融合精度（OSPA(2)）有所下降，算法启动速度变慢，且平均每帧处理时间增加。但TIDPM算法在所有情况下仍能保持较好的性能，且处理时间满足系统实时性要求。 * 抑制虚假航迹能力：如图8所示，随着目标数增多，基于交叉定位的方法不可避免地会产生“鬼影”目标（Ghost Targets）问题。实验结果表明，TIDPM算法通过设置有效的关联频率阈值，能够显著减少由大量鬼影目标引起的虚假航迹数量。
五、 研究的结论与价值
本研究成功提出并验证了一种用于杂波环境下被动多传感器多目标跟踪的新型分布式融合算法——TIDPM。结论表明：该算法通过结合轨迹积分距离进行航迹关联，以及利用伪测量变换与交叉定位进行航迹融合，有效解决了被动分布式跟踪中的关键难题。
其科学价值在于：1）提出了一种利用航迹历史信息进行关联的TID度量，提高了关联的准确性和收敛速度；2）提出了一种不依赖于协方差矩阵的、基于测量空间优化的融合框架，将状态融合问题转化为伪测量下的最大似然估计问题，更适合被动跟踪的特性。应用价值在于：该算法能够显著提升多被动传感器系统的跟踪精度和可靠性，同时降低通信负担，对提高军事监视、安防等实际系统的性能具有重要意义。
六、 研究的亮点
七、 其他有价值内容
研究对算法各个步骤进行了严谨的数学建模和公式推导，包括目标运动模型、测量模型、TID的定义、关联优化问题的形式化、伪测量的生成以及融合优化问题的构建，为算法的实现和复现提供了坚实基础。此外，论文对仿真参数（传感器配置、目标运动模型、算法参数等）进行了详细说明，并使用了OSPA(2)、ACR、平均处理时间、虚假航迹数等多个维度进行性能评估，使得对比分析全面而具有说服力。