曲成华 史新虎 张程 吴金海

【摘 要】现代科技工业的发展促进了各种战斗机、直升机等武器的机动性能和隐身性能，水平机动、垂直机动、空中悬停等战斗动作成为国土防空预警探测领域急需解决的技术难点；近年来，人工智能技术取得了一系列突破性进展，可以用来解决这一难题。此篇论文介绍了人工智能及深度学习知识在雷达信息处理中的相关应用情况，并尝试应用深度学习相关成果和先进理论来解决低小慢目标发现跟踪、高机动目标跟踪、直升机/无人机悬停跟踪等疑难问题，有效提升对机动目标的发现和稳定跟踪能力。

【关键词】人工智能；深度学习；机动目标跟踪；航迹相关

中图分类号： TP18 文献标识码： A 文章编号： 2095-2457（2018）13-0003-003

DOI：10.19694/j.cnki.issn2095-2457.2018.13.002

【Abstract】the development of modern science， technology and industry to promote the various of motor performance and stealth fighter jets， helicopters and other weapons performance， the level of motor， vertical motor， hovering combat action become urgently needs to solve the technical difficulties of homeland air defense early warning detection field； In recent years， a series of breakthroughs have been made in artificial intelligence technology， which can be used to solve this problem. This paper introduces the artificial intelligence and deep learning knowledge of related applications in radar information processing， and try the deep learning achievements and advanced theory to solve the low found little slow target tracking， high maneuvering target tracking， helicopter/unmanned aerial vehicle （uav） hovering tracking problems， effectively improve the ability of discovery and stability of the maneuvering target tracking.

【Key words】Artificial intelligence； Deep learning； Maneuvering target tracking； Track is related

0 引言

近年來，人工智能技术取得了突破性进展，深度学习的进化已经使人类赋予机器通过学习已有的知识和分析的积累数据，通过反复进行特征提取、自主学习应用效果和不断的反馈训练，推导或预测出未知的事物。这些理论和思想都是可以应用于雷达信息处理及多雷达信息融合中的目标跟踪处理，特别是针对杂波环境下的低小慢目标跟踪处理、高机动目标跟踪处理、直升机/无人机悬停跟踪等疑难问题，本文应用人工智能的相关成果和先进理论对这一难题进行探索性研究和应用，来提升对机动目标的发现跟踪能力。

1 雷达目标发现跟踪的技术难题

探测和跟踪低RCS目标、杂波/干扰环境下低小慢目标及高机动目标，将一直是航空识别区的正常维护和适应于低空空域的逐步开放所必需面对的难题。在现代雷达系统中，经过前端收发处理、数字波束形成和信号处理，可以检测获取目标点迹数据；目标跟踪滤波器把雷达威力范围内新发现的空中目标点迹建立新的目标航迹，并把新的点迹与现有航迹进行关联匹配。点迹-航迹关联是把噪声化观测点迹与已有航迹进行关联匹配和同目标确认的过程，由于杂波、干扰以及目标机动等因素，关联判断的正确率需要得到提升。

1.1 雷达目标发现跟踪的难题

雷达目标的发现跟踪需要解决一下四点难题：

1）点迹关联区域内目标点迹、杂波剩余产生的点迹、干扰产生的点迹及噪声虚警产生的点迹（以下简称目标点、杂波点、干扰点、虚警点）的区分与判别。一般情况下，这四种点迹在点迹关联区都同时存在，或部分同时存在。点迹处理环节通过对点迹产生信号的方位展宽、距离展宽、信噪比、多普勒速度等信息计算点迹置信度，当信噪比较低特别是目标发生机动时，几乎所有的信息都变得模糊不清，需要分清真实的点迹与其他点迹。

2）目标机动造成的点迹丢失判断。空中目标环境往往异常复杂，包括起飞、降落、直线飞行、转弯、垂直拉升、大角度俯冲、紧急避闪等情况，多架多批目标的机动飞行训练、表演和空战时情况就更加复杂。目标机动往往造成雷达反射截面积的急剧变化，是造成目标丢点的主要原因。如何判断丢点，而不被其它点迹干扰，是正确跟踪机动目标所必需面对的难题。

3）目标由运动转为静止造成的点迹丢失判断。这种情况主要发生在直升机/无人机由运动变为悬停时，回波信号被作为固定回波加以滤除；此时需要通过目标的运动状态进行判别，确保目标持续跟踪，并且在其运动之后能够及时连续跟踪。

4）目标跟踪过程中，因杂波点、干扰点造成点迹-航迹的关联错误，如何在新的点迹出现后能够纠正。前面点迹-航迹的关联出现错误，后续如何发现并及时纠正，这也特别关键。

1.2 应用人工智能解决目标跟踪难题的设想

人工智能技术积极利用深度学习抽象模拟人类神经元传递信息和链接方式，经过反复抽象多层次提取特征，构成多层级神经网络，通过对已获得样本数据的学习训练和评估，对评估结果的反馈应用，不断修改特征值和权系数，使得各层级特征值和权系数足以覆盖所有可能出现的实际输入数据。这种方法研制的设备和系统已用于各种分类、控制、决策和预测等应用场合，在图像处理、语音识别、语言翻译等方面取得极大应用，包括AlphaGo在与人类的一系列对弈中均取得巨大成功。这种思路和思想可以用于雷达目标发现跟踪处理。

现代雷达在探测发现跟踪目标时，经过前端发射接收和一系列信号处理后，得到了雷达点迹数据，对点迹数据的关联积累，实现目标的发现和起始跟踪。点迹数据的关联积累、点迹-航迹关联，需要处理就是点迹关联矩阵。点迹关联矩阵的大小与目标运动/机动状态、航迹预测精度和雷达测量精度密切关联，而其矩阵的复杂性与探测背景、杂波干扰环境密切相关。如何针对不同的目标运动特性、杂波干扰环境收集各种样本数据，并尽可能仿真出所用可能的样本数据，就能够应用人工智能的深度学习方法，结合现在使用的一些跟踪滤波方法，更好地解决雷达目标发现跟踪中关键问题，特别是目标机动跟踪难题。

2 人工智能在机动目标跟踪中的应用

在雷达目标跟踪过程中，很容易对匀速直线飞行的目标进行检测、关联和滤波跟踪，但是目标运动状态发生改变即发生机动后，关联与跟踪的稳定状态将被改变，这是需要解决的核心问题。本文主要应用人工智能的相关成果来解决机动目标相关的难题，其他发现跟踪的难题不在此文解决。

2.1 “机动”的相关概念

目标机动，就是指目标运动状态发生了变化。由于目标绝大多数时间做匀速直线运动或者匀加速直线运动，因此目标机动可以理解为目标的速度、方向、高度、加速度等运动参数发生了变化。从滤波器的角度看，目标机动是指为执行某种战术意图或者由于非预谋的原因，改变了原有的运动规律，造成了目标运动规律和滤波器已经建立的模型不匹配。

典型的机动模式包括转向、俯冲、下滑、爬升、蛇形、增速、降速、停止（空中悬停）等。

1）转向机动：目标的运动航向发生改变，既包括二维平面的转弯机动，也包括三维空间的转弯机动；

2）俯冲机动，目标的高度发生改变，急速降低；

3）下滑机动：目标的高度发生改变，平稳降低；

4）爬升机动：目标的高度发生改变，平稳上升；

5）蛇形机动：目标的运动航向发生多次变化，运动轨迹类似于蛇类的运动；

6）增速/减速机动：目标的运动加速度发送变化，运动速度随之改变；

7）停止机动：目标停止运动，位置保持不变，多为直升机/无人机的悬停动作。

需要指出的是，以上机动模式在大多数情况下是组合在一起表现出来，如F-22的J型转弯机动就包括了俯冲、爬升、转向等机动模式。

2.2 表征目标机动的性能指标

對于跟踪滤波器，需要定义一些指标来衡量机动的强弱，以便滤波器能够识别出机动并做出相应的调整，主要的衡量指标如下所述。

（1）机动性指标？姿

该指标与过程噪声方差、观测噪声方差、采样周期相关，用于表征目标在运动周期内的机动的不确定性和观测的不确定性，定义为：

（3）归一化的新息加权平方和

基于卡尔曼滤波算法，使用归一化的变量来表征目标运动的机动强度，定义如下：

某时刻的新息量表示为：

2.3 点迹-航迹关联

点迹-航迹关联是把雷达扫描相继收到的点迹与已知航迹比较并确定正确配对的过程。当配对实现后，航迹信息被更新，并产生精确的位置和目标速度估值等参数。

点迹-航迹关联分下列三个步骤实现：首先按点迹、航迹扇区信息，对每个重要的新航迹，产生一个配对表，表中应包括全部可能的点迹-航迹配对；其次按配对表分别计算点迹与航迹的多因子相关积累值，每个航迹与积累值点迹构成暂时关联，然后再检查暂时关联，去掉那些重复使用的点迹；最后，对选出的单个点迹与单条航迹进行唯一配对，从而更新航迹信息。

在进行初相关配对时，使用统计间隔划定相关波门范围。统计间隔是按坐标精度对欧几里德间隔进行修正，更具合理性。在进行精相关时，通常采用基于隶属度的综合多因子相关算法，更充分地使用了各种先验信息，有效提高了点航相关的正确性。通常的相关因子主要包括：位置间隔、回波宽度、回波强度、航向偏差、目标多普勒速度、目标高度以及目标之间的空间分布等。根据雷达的不同，对各相关因子进行取舍和分配权重，将积累权重最大的点迹定义为吻合度最好，从而作为目标点迹进行相关。

2.4 基于人工智能的点迹航迹相关处理

加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生Ruslan Salakhutdinov于2006年在《科学》杂志上发表了一篇论文，得到了世界各地专家学者的广泛关注与一致好评。这篇论文主要观点：（1）许多隐层人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更深刻的描述，从而有利于可视化或分类。（2）可以通过“逐层初始化”来有效克服深度神经网络在训练上的难度。

基于人工智能的点迹航迹相关系统主要由策略网（PN，Policy network） 和价值网（VN，Value network） 组成，策略网又分为有监督学习策略网（SLPN，SL policy network）、快速相关策略网（FCP，Fast Correlation policy） 和增强学习策略网络（RLPN，RL policy network）。用策略网PN来模拟人类的对点迹和航迹相关的判断，价值网络VN 来模拟人类对多帧相关的综合评估，运用蒙特卡洛树搜索将策略网和价值网融合起来，来模拟人类对多条航迹的多个点迹相关的搜索过程。

有监督学习策略网是一个5层的卷积神经网络，其主要功能是：输入当前航迹特征参数（航向、水平速度、水平加速度、垂直速度、垂直加速度、多普勒速度、RCS值均值、目标机动状态等），输出下一帧点迹在立体空间中的概率分布p，点迹航迹相关系统按照概率的高低对整个立体空间进行点迹搜索，进行综合隶属度的计算并建立n个点迹航迹相关链。需要指出的是，由于目标的机动性和测量的噪声干扰，因此目标点迹出现的位置并不一定是概率最高的位置，需要根据航迹的特征参数做出适当的调整。

快速相关策略网是一个线性模型，其主要功能是处理简单模式下的点迹航迹相关，如匀速直线运动或匀加速直线运动状态下清洁区内只有一个隶属度非常高的点迹，则可以进行快速点迹航迹相关处理和判决。

增强学习策略网络是通过增强学习的方法对有监督学习策略网加强学习和训练，网络结构和功能与有监督学习策略网完全相同，性能上强化了学习。通过历史数据进行海量训练后产生多次迭代，提高相关的准确性。

价值网络是一个5层的卷积神经网络，与策略网络具有相同的结构，主要功能是：输入航迹的相关链和历史航迹分支，输出每一条相关链以及历史航迹分支的估值，以此评价点迹选择的整体优劣。针对杂波剩余点迹、干扰点迹及噪声虚警点迹等多点迹存在的情况，特别是目标开始机动、由运动状态转为悬停状态等特殊情况，就要根据综合隶属度以及目标的运动趋势，建立航迹分支，通过多帧的综合判断来对点迹航迹相关的情况进行综合评价，以达到全局的性能最优。

2.5 应用人工智能的点迹航迹相关处理效果分析

以某次军事演习的实际测量数据为应用场景来检验应用人工智能后的点迹航迹相关处理效果，如图1所示。在这次演习中，多架次的飞机进行了多种战术动作，从雷达测量数据分析，有水平机动、垂直机动、直线运动转水平机动、机动造成雷达测量点等情形，利用该人工智能系统对此复杂环境下的机动目标进行相关处理和跟踪滤波，克服了传统点航相关在处理机动、丢点后造成的航迹断批、滤波点误差较大等缺陷，保证了对同一批目标的连续稳定和高精度的跟踪；通过深度学习使得该系统具备了更进一步学习和经验积累的能力，有效解决了产品定型后软件设置的策略不能满足各种新出现的复杂情况。

3 结论

目前，把人工智能的理论和方法应用到雷达目标跟踪处理的研究尚处于起步和探索阶段，本文的研究和探索只是将人工智能领域的知识应用于雷达航迹跟踪的初步尝试，毕竟深度學习还是一门不成熟的框架，同样存在着一些问题，局部最优问题、内存消耗大、计算复杂度高、代价函数设计、整个智能网络的设计等。这些问题需要在将来的研究中继续解决，以便更加完善深度学习在点迹航迹关联与航迹跟踪的应用，适应各种目标机动的处理和跟踪。

【参考文献】

[1]刘成成.复杂环境下强机动目标跟踪算法研究[D].上海交通大学，2015.

[2]陶九阳.AlphaGo技术原理分析及人工智能军事应用展望[J]. 指挥与控制学报，2016，2（6）：114-120.

[3]文孟飞.一种基于深度学习的异构多模态目标识别方法[J]. 中南大学学报（自然科学版），2016，5：1580-1587.

[4]刘建伟.刘媛.罗雄麟.深度学习研究进展[J].计算机应用研究，2014，31（7）：1921-1930.

[5]陈亮.机动目标跟踪算法研究[D].江南大学，2016.