一种航迹分数智能计算方法

技术领域

本发明涉及一种航迹分数智能计算方法，属于信息融合处理领域。

背景技术

目标的跟踪、关联是多传感器信息融合中非常重要的研究领域，是通过多传感器实现对目标的有效探测的重要途经。多传感器多目标跟踪问题是用多个传感器同时对多个目标的状态进行量测和估计，在环境杂波、目标机动、系统误差等多种不确定因素的影响下，确定最佳的目标运动状态。由于大量不确定因素所造成的影响，并且各个传感器上报信息不统一，目标数量不统一，多传感器多目标跟踪问题显得尤为复杂，在跟踪的过程中也会产生诸多困难。

多假设跟踪(Multiple Hypothesis Tracking,MHT)是实现目标跟踪的重要算法，应用领域十分广泛，可以实现单传感器、多传感器、点迹、航迹段跟踪。MHT算法可以分为以下几个步骤：滤波和预测、波门生成、粗关联、分支和航迹起始、起始航迹评分、起始航迹剪枝、航迹聚类、假设产生、假设评分、全局航迹评分、全局航迹剪枝。可以看出，航迹分数是MHT中的重要环节，假设产生和航迹剪枝均依赖航迹分数。有效的航迹分数计算方法，可确保无效假设的快速删除，对抑制假设组合爆炸，提升算法性能具有重要作用。

现有的航迹分数计算方法需要预先假设目标运动属性和目标运动模型，采用统计估计的理论对目标的运动状态进行预测，依据目标的运动状态和协方差矩阵构建评分函数，最终获得数据的关联分数，航迹分数实质上是对假设航迹与所设定运动模型的匹配程度。然而，目标运动复杂，常用的单个匀速直线、匀加速或者匀速转弯模型难以对目标所有运动模式进行准确描述，而采用交互式多模型方法，一般也仅能集成少量运动模型，集成模型过多，会导致各个模型之间相互干扰，影响算法效能。并且由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素的影响，跟踪场景具有很大的不确定性，使得现有的航迹分数计算方法难以对待跟踪的航迹组合进行准确的分数评判，导致跟踪效果大打折扣。因此，现有航迹分数计算方法性能十分有限，严重制约了MHT框架性能的发挥。

针对目前的航迹分数计算方法需要目标的先验信息和假设的目标运动模型，导致假设不合理、模型不适用，并且受各类不确定因素影响较大等问题，本文提出一种航迹分数智能计算方法，采用基于航迹的数据驱动策略，实现对航迹分数的智能计算。该方法包括航迹大模型预训练和航迹分数微调两个部分，首先利用大量的航迹数据，采用航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器。预训练后利用不同的航迹关联对及其分数对航迹大模型进行微调，更新模型权重。两个部分均采用均方误差损失函数计算网络损失，采用随机梯度下降算法更新网络参数。该方法通过对真实场景航迹的训练得到航迹分数的计算方法，无需预先假设目标的运动属性和目标的运动模型，能够克服由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素带来的不确定因素影响，有效提升航迹分数计算的准确性。

发明内容

本发明针对多传感器量测条件下多各目标的跟踪、关联问题，提出一种航迹分数智能计算方法，能够在极高不确定条件下实现航迹分数的准确计算，并且无需预先假设目标运动属性和目标运动模型，大大提高了目标分数计算的准确性和算法的适用范围，为后续目标的跟踪、关联问题奠定基础。

本发明的一种航迹分数智能计算方法，其特殊之处在于包括以下步骤：

步骤1，利用大量的航迹数据，采用计算机设备，以航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器；

步骤1.1，对该场景中的航迹进行归一化，便于航迹大模型的训练，可以采用0-1归一化、Z-score归一化或中心归一化，得到归一化后的航迹

其中

步骤1.2，将归一化后的航迹中的相邻采样点的后项减去前项，构建差分航迹数据，

其中H

步骤1.3，构建预训练航迹数据，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，即

每个滑窗之后的第一个差分航迹点为该滑窗采样的航迹对应的标签，即

步骤1.4，基于transformer架构构建航迹大模型，可以采用Encoder结构、Decoder结构、Encoder-Decoder结构，网络的输入为拼接后的采样航迹数据，输出为每个采样航迹数据对应的后一个航迹点数据，即根据前W个航迹采样点预测第W+1个航迹采样点，实现航迹预测；

步骤1.5，采用均方误差损失(Mean Squared Error,MSE)度量网络预测的航迹和真实航迹之间的差异，得到预测损失d

步骤2，采用计算机设备，构建航迹大模型微调所需要的正负样本对；

步骤2.1：设置负样本选取波门，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，对该窗口中的每个采样点设置波门，波门采用圆形波门，其半径r为目标最大移动速度v

r＝v

步骤2.2，根据波门进行负样本选取，在滑窗航迹的每个采样点产生的波门内随机选择一个点，这个点可以为产生该波门对应的滑窗航迹采样点，该滑窗所有采样点对应的波门内的随机点按照时间从前至后的顺序连接构成伪航迹；

步骤2.3，设置航迹分数标签，其计算公式为

其中s

步骤2.4，将所有的滑窗航迹和伪航迹及其对应的分数打乱顺序后按照航迹和分数分别拼接，得到拼接后的航迹和拼接后的分数，用于航迹大模型微调；

步骤3，采用计算机设备，对预训练后的航迹大模型进行微调，计算航迹分数。

所述步骤3具体包括以下子步骤：

步骤3.1：对航迹大模型的微调可以采用全参数微调和冻结参数微调两种方式，如果采用全参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，利用拼接后的航迹和拼接后的分数进行微调，更新整个网络的参数，如果采用冻结参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，并冻结除了最后一个全连接层以外的网络参数，利用拼接后的航迹和拼接后的分数进行微调，只更新最后一个网络的参数，并且冻结参数微调可以采用LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning等多种微调方法，微调过程中网络的输入为拼接后的航迹，输出为每个航迹对应的航迹分数，即根据滑窗航迹或伪航迹预测对应的航迹分数，实现航迹分数计算；

步骤3.2：采用均方误差损失(MSE)度量网络预测的航迹分数和真实的航迹分数之间的差异，得到分数损失d

本发明具体包含以下技术措施：首先利用大量的航迹数据，采用航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器。预训练后利用不同的航迹关联对及其分数对航迹大模型进行微调，更新模型权重。其中，航迹关联对的正样本来源于真实航迹，负样本来源于对应正样本每个航迹采样点的波门内的其他航迹点。最后，为了得到最佳网络参数，采用均方误差损失函数计算网络损失，采用随机梯度下降算法更新网络参数。本发明所述的一种航迹分数智能计算方法，可基于实测航迹数据，自动挖掘航迹特征，经过训练调优得到航迹分数的计算方法，无需预先假设目标的运动属性和目标的运动模型，能够克服由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素带来的不确定因素影响，有效提升航迹分数计算的准确性。

附图说明

图1是本发明一种航迹分数智能计算方法流程图。

具体实施方式

设场景中由传感器量测到的目标个数为N，量测到的航迹集合表示为Φ＝{T

T

步骤1：利用大量的航迹数据，采用计算机设备，以航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器；

步骤1.1：对该场景中的航迹进行归一化，便于航迹大模型的训练，可以采用0-1归一化、Z-score归一化或中心归一化，以0-1归一化为例，首先确定场景中的最大状态P

P

P

然后对航迹T

其中

步骤1.2：将归一化后的航迹中的相邻采样点的后项减去前项，构建差分航迹数据，

其中H

步骤1.3：构建预训练航迹数据，遍历所有的差分航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，即

每个滑窗之后的第一个差分航迹点为该滑窗采样的航迹对应的标签，即

步骤1.4：基于transformer架构构建航迹大模型，可以采用Encoder结构、Decoder结构、Encoder-Decoder结构，本发明以Decoder结构为例，网络的输入为拼接后的采样航迹数据，输出为每个采样航迹数据对应的后一个差分航迹点数据，即根据前W个差分航迹采样点预测第W+1个差分航迹采样点，实现航迹预测；

步骤1.5：采用均方误差损失(Mean Squared Error,MSE)度量网络预测的航迹和真实航迹之间的差异，得到预测损失d

步骤1.6：采用随机梯度下降法更新预训练的航迹大模型网络参数，训练迭代次数为超参数，一种可行的设置为迭代100次；

步骤2：采用计算机设备，构建航迹大模型微调所需要的正负样本对；

步骤2.1：设置负样本选取波门，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，对该窗口中的每个采样点设置波门，波门采用圆形波门，其半径r为目标最大移动速度v

r＝v

步骤2.2：根据波门进行负样本选取，在滑窗航迹的每个采样点产生的波门内随机选择一个点，这个点可以为产生该波门对应的滑窗航迹采样点，该滑窗所有采样点对应的波门内的随机点按照时间从前至后的顺序连接构成伪航迹；

步骤2.3：设置航迹分数标签，其计算公式为

其中s

步骤2.4：将所有的滑窗航迹和伪航迹及其对应的分数打乱顺序后按照航迹和分数分别拼接，得到拼接后的航迹和拼接后的分数，用于航迹大模型微调；

步骤3：采用计算机设备，对预训练后的航迹大模型进行微调，计算航迹分数；

步骤3.1：对航迹大模型的微调可以采用全参数微调和冻结参数微调两种方式，如果采用全参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，利用拼接后的航迹和拼接后的分数进行微调，更新整个网络的参数，如果采用冻结参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，并冻结除了最后一个全连接层以外的网络参数，利用拼接后的航迹和拼接后的分数进行微调，只更新最后一个网络的参数，并且冻结参数微调可以采用LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning等多种微调方法，微调过程中网络的输入为拼接后的航迹，输出为每个航迹对应的航迹分数，即根据滑窗航迹或伪航迹预测对应的航迹分数，实现航迹分数计算；

步骤3.2：采用均方误差损失(MSE)度量网络预测的航迹分数和真实的航迹分数之间的差异，得到分数损失d

步骤3.3：采用随机梯度下降法更新微调的航迹大模型网络参数，训练迭代次数为超参数，一种可行的设置为迭代100次；

步骤4：采用计算机设备，对航迹分数计算结果进行测试，将航迹分数智能计算方法得到的航迹分数和滑窗航迹或伪航迹对应的分数进行对比，如果分数的计算结果满足要求，则该方法得到的网络模型可投入实际使用，如果分数的计算结果不满足要求，则进行网络参数调优，重新进行预训练、微调和测试。

经过上述步骤训练调优得到的航迹分数智能计算方法，无需预先假设目标的运动属性和目标的运动模型，能够克服由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素带来的不确定因素影响，有效提升航迹分数计算的准确性。通过该方法计算得到的航迹分数，可以广泛应用于基于多假设算法的航迹起始、目标跟踪、航迹关联等任务中，有效提高各类算法的应用范围和性能。