多基地雷达非参数多目标数据关联与跟踪的几何方法研究

《IEEE Journal of Selected Areas in Sensors》：Nonparametric Multitarget Data Association and Tracking for Multistatic Radars

本文针对多基地雷达系统中多目标跟踪时出现的"鬼影目标"问题，提出了一种基于几何方法的非参数数据关联与跟踪算法(NPDAT)。该研究通过利用到达时间(TOA)和双基地多普勒频率测量值，在不需要目标初始状态、数量及运动模型假设的情况下，实现了对多个目标三维位置和速度的精确跟踪。仿真结果表明，该方法在目标交叉、快速机动等复杂场景下均表现出优越性能，且具有显著低于传统方法的计算复杂度，为分布式雷达系统的实时多目标跟踪提供了实用解决方案。

　　

在当今复杂电磁环境下，传统单基地雷达系统在探测低雷达截面积(RCS)目标和抗干扰方面面临严峻挑战。多基地雷达系统因其空间分集特性和抗单点故障能力而备受关注，但当多个目标同时出现在雷达监视区域时，测量值与目标之间的错误关联会产生"鬼影目标"，严重影响跟踪性能。现有基于概率假设的数据关联方法存在计算复杂、需要目标先验信息等局限性，难以满足实时分布式雷达系统的应用需求。

针对这一技术瓶颈，印度理工学院马德拉斯分校的S. Sruti和K. Giridhar在《IEEE Journal of Selected Areas in Sensors》上发表了一项创新研究，提出了一种名为非参数数据关联与跟踪(NPDAT)的新算法。该方法独辟蹊径地利用测量模型的几何特性，仅基于地面雷达传感器的几何知识，无需对目标初始状态、数量或运动模型进行任何假设，实现了高效准确的多目标去鬼影和跟踪。

研究人员首先建立了包含28个地面雷达节点的多基地雷达系统模型，这些节点随机分布在七个六边形单元中，通过四个"跳数"完成一个完整的照射周期。系统通过时间同步的发射机发射正交波形，接收机通过相关处理和多普勒滤波生成距离-多普勒图，从中提取目标的到达时间(TOA)和双基地多普勒频率测量值。

NPDAT算法的核心技术方法包括四个关键步骤：基于高度的目标分离、椭球测距与分组(ERG)、近距离目标的组合方法以及定位与速度估计。算法通过创建最大高度字典，利用不同高度目标对应的滞后值范围差异实现初步目标分离；对于无法通过高度分离的目标，采用椭球测距技术根据中间位置估计候选目标位置，并基于滞后值范围进行分组；对于近距离目标，则通过选择特定发射机和四个接收机，生成所有可能的滞后组合，利用绝对误差和(ASOE)指标筛选正确关联。

算法流程采用分层处理策略，首先处理可通过高度明显分离的目标，逐步解决更复杂场景下的数据关联问题。跟踪部分则基于当前时刻估计的位置和速度预测下一时刻目标位置，通过最近邻准则将测量值与已有轨迹关联，新生目标则送入数据关联模块处理。

研究团队通过大量蒙特卡洛仿真验证了算法性能。在目标"同时出现"场景下，即使目标高度差小至40米，水平分离距离近至100米，NPDAT仍能保持较高的定位精度，位置RMSE在[2,1,2]米至[3,3,5]米范围内，速度估计RMSE在[2,2,3]米/秒至[3,3,4]米/秒之间。在目标随机出现和消失的序列出生场景中，算法同样表现出色，仅在目标交叉时出现轻微性能下降。

与现有算法的对比分析显示，NPDAT在保持高精度的同时，计算效率显著优于传统方法。对于两个目标的情况，NPDAT的运行时间仅为全局最近邻(GNN)算法的1/100左右；当目标数增加到四个时，传统方法的运行时间呈指数增长，而NPDAT仅增加毫秒级时间。在快速机动目标跟踪方面，NPDAT的位置估计RMSE仅为1.03-1.67米，远优于GNN(56.47米)、联合概率数据关联(JPDA)(37.30米)和多假设跟踪(MHT)(9.01米)。

特别值得关注的是，在目标"相遇-返回"等高机动场景中，传统算法即使采用交互多模型(IMM)滤波也难以有效跟踪，而NPDAT仍能保持稳定跟踪性能。这表明基于几何特性的非参数方法对目标运动模型变化具有天然鲁棒性。

本研究提出的NPDAT算法突破了传统多目标数据关联方法对目标先验信息的依赖，通过几何分析方法实现了高效准确的多目标跟踪。其非参数特性使算法对目标数量变化和运动模式不确定性具有天然适应性，而分层处理策略则保证了计算效率。该方法为分布式雷达系统的实时多目标跟踪提供了一种实用解决方案，尤其适用于低RCS目标和快速机动目标的跟踪场景。

虽然算法在目标间距小于滞后分辨率时性能会下降，但这可以通过提高信号带宽来改善。未来工作可考虑引入融合中心间的交互机制，进一步提升边缘区域目标的跟踪性能。总体而言，这项研究为多基地雷达系统的多目标跟踪问题提供了新的思路和技术途径，具有重要的理论价值和实际应用前景。