1.2.4　多雷达多目标认知跟踪

自1937年世界上出现第一部跟踪雷达SCR-28以来，单目标跟踪的理论和方法相继得到了发展并日趋完善[8-18]。然而单纯利用单部雷达对多个目标进行跟踪已越来越不适应现实的需求。多传感器就是综合利用多部雷达信息，通过协调和性能的互补优势，克服单部雷达的不确定性和局限性，提高整个传感器系统的有效性能，能够全面准确地描述被测对象[15]。目前，多雷达多目标跟踪问题已成为目标跟踪领域研究的热点技术[64-67]。以Bar-Shalom、Singer等为代表的科学家在该领域作出了杰出的贡献，提出了许多经典算法。

1980年，Bar-Shalom 等学者对PDA算法进行了改进，研究出了一种针对多目标跟踪的算法，即联合概率数据关联[93]（Joint Probabilistic Data Association，JPDA）算法。然而，当波门内过检测门限的点数量变大时，JPDA算法的计算量也随之呈指数增长。因此，为了减少计算量，实现快速可靠的关联，部分学者对JPDA算法进行了改进，提出了经验联合概率数据关联算法[94]、最近邻域JPDA算法[95]、广义概率数据关联算法[96]等。

1978年，Reid以“全邻”最优滤波器和PDA的“联合”概念为基础，提出了多假设跟踪（Multiple Hypothesis Tracking，MHT）算法[97-98]。虽然该算法在复杂的多目标跟踪环境下有较好的性能，但却因计算量的问题而无法在实际中得到应用。后来一些科学家又做了很多研究，包括对传统方法的改进和新方法的提出，如基于多维分配的数据关联[99-101]、变结构交互多模型[102-103]、概率多假设[104-105]，以及基于随机有限集的滤波方法[106]等。这些研究为多目标跟踪理论的发展打下了坚实基础。

雷达网络作为远程感知的重要手段，要实现认知功能，成为一个能够独立工作的系统，自治操作与管理是一项关键技术[107]。目前，针对MRS中多目标跟踪的资源管理技术还未见大量成果。现有的算法主要集中于被动式传感器网络[108-109]，主要思想是在不同时刻动态地分配不同传感器对多目标的跟踪。本书从认知雷达网络中资源管理的思想出发，提出了一种简单的多目标认知跟踪算法，目的是在跟踪过程中，利用反馈的目标信息，动态地协调网络内每部雷达的发射参数及其所获得的量测使用，进而提升多目标的跟踪性能。