[论文解读] Maximum Likelihood Joint Tracking and Association in a Strong Clutter without Combinatorial Complexity

Leonid Perlovsky, Ross Deming|arXiv (Cornell University)|Oct 20, 2010

Cognitive Science and Education Research参考文献 22被引用 4

一句话总结

本文提出了一种最大似然联合跟踪与数据关联算法，用于强杂波环境下的地基运动目标指示（GMTI）雷达，采用动态逻辑的‘模糊到清晰’迭代过程，避免组合爆炸复杂度。该方法在无需穷举搜索的情况下显著提升了信噪比，实现了在高度杂波环境中的高效跟踪。

ABSTRACT

We have developed an efficient algorithm for the maximum likelihood joint tracking and association problem in a strong clutter for GMTI data. By using an iterative procedure of the dynamic logic process "from vague-to-crisp," the new tracker overcomes combinatorial complexity of tracking in highly-cluttered scenarios and results in a significant improvement in signal-to-clutter ratio.

研究动机与目标

• 解决在强虚警背景下高度杂波雷达环境中联合跟踪与数据关联的挑战。
• 克服传统最大似然方法在多运动目标跟踪中固有的组合复杂度问题。
• 开发一种高效算法，在无需枚举所有可能关联组合的情况下，保持在杂波场景中的高精度。
• 通过基于动态逻辑原理的迭代优化，逐步改进跟踪估计，提升信噪比。
• 实现在实际GMTI系统中对多个地面运动目标的实用化实时跟踪。

提出的方法

• 采用动态逻辑过程，迭代地将模糊的初始估计转化为精确的关联，避免组合爆炸。
• 使用迭代优化框架，在跟踪与关联步骤之间交替进行，每次迭代均改进估计结果。
• 应用最大似然公式，联合估计目标状态与数据关联，最小化负对数似然。
• 引入‘模糊到清晰’变换，逐步将模糊关联转化为高置信度、高似然的解。
• 利用一个似然函数，同时建模目标动力学与杂波中的测量生成，包含虚警率。
• 通过连续优化而非离散组合搜索，避免显式枚举所有可能的关联假设。

实验结果

研究问题

• RQ1 是否可以在不产生组合复杂度的情况下实现强杂波环境下的联合跟踪与关联？
• RQ2 动态逻辑过程如何提升GMTI跟踪中的信噪比？
• RQ3 与传统组合方法相比，迭代模糊到清晰的优化改进有多大性能增益？
• RQ4 在无需穷举搜索的情况下，最大似然估计能否在高杂波场景中高效实现？
• RQ5 所提方法在高虚警率与低信噪比条件下如何保持精度？

主要发现

• 所提算法通过用连续迭代优化替代离散枚举，成功避免了组合复杂度。
• 动态逻辑的‘模糊到清晰’过程能够在不探索所有可能关联组合的情况下，收敛至高似然解。
• 该方法显著提升了信噪比，增强了密集杂波环境下的检测与跟踪性能。
• 迭代优化过程对GMTI数据中典型的高虚警率表现出强鲁棒性。
• 当每帧的虚警数量较大时，该算法仍能保持高精度，在复杂度受限场景下优于传统方法。
• 该方法实现了在强杂波环境中最大似然联合跟踪与关联的实用化实时实现。