CN108254741B

CN108254741B - 基于循环神经网络的目标航迹预测方法

Info

Publication number: CN108254741B
Application number: CN201810040500.6A
Authority: CN
Inventors: 崔亚奇; 熊伟; 何友; 吕亚飞
Original assignee: Naval Aeronautical University
Current assignee: Naval Aeronautical University
Priority date: 2018-01-16
Filing date: 2018-01-16
Publication date: 2021-02-09
Anticipated expiration: 2038-01-16
Also published as: CN108254741A

Abstract

本发明公开了一种基于循环神经网络的目标航迹预测方法，属于雷达目标跟踪领域，主要解决现有航迹预测方法模型简单、复杂度低、通适性差且无法学习的问题。该方法首先对多种场景下同一型号雷达量测点迹和跟踪航迹数据进行收集，同时采用合作目标信息接收设备对合作目标航迹进行收集，并对数据进行剔除和修正，形成航迹原始数据集。然后构建目标航迹预测循环神经网络，设定训练样本特征向量，生成航迹训练集。最后，基于合作航迹训练集和雷达航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。该方法能自动训练生成预测算法，具有适用范围广、适配场景多、实用效果好等优点。

Description

基于循环神经网络的目标航迹预测方法

技术领域

本发明隶属于雷达目标跟踪领域，提供一种目标航迹预测方法，涉及循环神经网络的构建、训练与生成，适用于雷达数据处理系统。

背景技术

目标跟踪是雷达数据处理的核心关键技术，其通过建立雷达每帧量测数据与不同真实目标间的对应关系，并经过滤波估计，得到目标的运动轨迹和运动参数，从而实现目标个体实时连续掌握。目标跟踪包括航迹起始、航迹滤波、航迹预测、点航关联等多个技术环节，其中航迹预测是关键瓶颈环节，起承上启下作用，直接决定目标跟踪效果。如果航迹预测不准确，将会影响点航关联结果，导致点航关联错误，进而影响航迹滤波，使目标状态估计偏离目标真实状态，并有可能进一步引起后续连锁反应，致使跟踪发散、目标丢失。现有的航迹预测方法隐藏在航迹滤波环节，基于滤波的目标状态转移模型进行预测，根据包含的基本目标状态转移模型数量，可分为单模预测方法和多模预测方法。其中单模航迹预测方法是基于单一目标状态转移模型进行预测，多模预测方法则是基于多个目标状态转移模型，根据每个模型与目标实际运动模式的匹配程度，进行多模型加权预测或最匹配单一模型预测，分别与滤波的单模型滤波方法和多模型滤波方法相对应，而常用的基本目标状态转移模型则包括匀速模型、常加速度模型、协同转弯模型、Singer模型、当前统计模型和Jerk模型等。无论是单模预测方法，还是多模预测方法，均存在模型简单、能力有限、泛化性不足等问题，在实际运用中，由于目标运动模型未知，现有算法预测效果时好时坏，难以在目标任何运动模式下均取得稳定、良好的预测效果。同时现有预测方法还存在参数无法确定的问题，需要人工进行反复的修改和调试，并且调试后的航迹预测效果也难以达到最优。综上所述，现有的航迹预测方法存在模型简单、复杂度低、通适性差、缺乏学习能力等问题，难以根本整体上解决航迹预测问题。

发明内容

本发明的目的是提出一种目标航迹预测方法，旨在解决现有目标航迹预测方法模型简单、复杂度低、通适性差且无法学习的问题。

本发明所述的基于循环神经网络的目标航迹预测方法，具体包括以下技术措施：首先对同一型号雷达不同场景下量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集。与此同时，根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹，剔除异常数据，形成合作目标航迹原始数据集。进一步，利用数据分析处理软件，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除。然后根据航迹预测问题性质，确定循环神经网络形式为一对一形式，基于典型循环神经网络结构，构建目标航迹预测循环神经网络。同时设定训练样本特征向量，基于原始数据集，分别提取生成雷达探测航迹训练集和合作目标航迹训练集，并对航迹训练集进行标准化预处理，生成无量纲航迹训练集。最后，采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。

本发明提出的目标航迹预测方法，可基于大量目标航迹数据，训练生成与雷达相匹配的目标航迹预测方法，具有适用范围广、适配场景多、实用效果好等优点，所生成的目标航迹预测方法可无需调试直接应用于相应雷达中，实用性强。

附图说明

图1是基于循环神经网络的目标航迹预测方法流程图。

图2是目标航迹预测循环神经网络形式。

具体实施方式

本发明提出的基于循环神经网络的目标航迹预测方法包括以下步骤：

步骤1：对同一型号雷达不同场景下量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹，形成合作目标航迹原始数据集；

步骤1.1：对同一雷达或同一型号不同雷达在不同时段、不同区域，对不同目标的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，用于雷达独有航迹预测特征学习；其中量测点迹数据是指雷达回波凝聚点对应的位置数据，跟踪航迹数据是指同一目标不同时间点位置数据序列，可以是滤波后位置估计数据，也可以未滤波原始量测数据，最好把滤波前后航迹数据作为两种航迹一起进行收集，以提高数据样本的广泛性。不同型号、不同类别的雷达在目标探测类别、分辨力、量测误差等方面存在较大差别，需要不同的目标航迹预测方法，即使是同一个雷达，如果有不同的探测模型，譬如具有对空对海两种探测模型，也需要两种不同的目标航迹预测方法，因此需要针对具体雷达，进行雷达探测数据收集；

由于后续训练主要利用目标不同时间点空间位置序列数据，因此主要收集直角坐标系位置数据信息；雷达类别不同，位置数据构成也不尽相同，如果是两坐标雷达，则由X、Y方向坐标构成，如果是三坐标雷达，则由由X、Y、Z方向坐标构成；同一时段同一雷达的量测点数据和航迹数据必须在同一直角坐标系中，不同时段、不同区域收集的雷达探测数据可在不同坐标系中，但均需为直角坐标系，后续收集的合作目标航迹数据同样也必须在直角坐标系中；另外一般情况下航迹数据除目标位置信息外，还包括速度、航向、目标属性等信息，如果存储比较紧张，可以不进行保存，不影响后续处理；

步骤1.2：根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹数据，形成合作目标航迹原始数据集，用于目标共性航迹预测特征学习；与雷达量测原始数据集相比，合作目标航迹原始数据集体量大、样本多，与目标类别有关，可以用于相同海空类别多种具体雷达的目标航迹预测方法学习训练中，譬如如果雷达是对空探测，则需要收集飞机合作目标航迹数据，形成的飞机合作目标航迹原始数据集，也可以用于其他对空探测雷达的训练学习；其中合作目标信息接收设备包括但不限于AIS设备(船舶自动识别系统)、ADS设备(民航广播式自动相关监视)等；

同时，在进行雷达探测数据时，如果外部条件满足，应同时对相同区域内的合作目标进行收集，尽量确保最终得到的合作目标航迹原始数据集在时空维度上覆盖雷达量测原始数据集，便于后续参考合作目标航迹，对雷达跟踪航迹进行修正。

步骤2：采用时空多维一体可视化方法，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除；

步骤2.1：从雷达量测原始数据集中选取设定时段量测点迹数据和跟踪航迹数据，同时从合作目标航迹原始数据集选取相同时段相同区域合作目标航迹数据；如果合作目标航迹与雷达跟踪航迹的坐标系不一致，则需要进一步根据两者间的坐标转换关系，转换合作目标航迹到雷达跟踪航迹坐标系中；

步骤2.2：采用时空多维一体可视化方法，对三类数据进行联合显示，其中联合显示是指三类数据在同一张视图上进行显示，时空多维是指同时提供至少X方向-Y方向、时间-X方向、时间-Y方向等三类视图，一体是指多维视图存在联动，即选择任意视图中的一个量测点或航迹，在其他视图中相同量测点或航迹也要突出显示；

步骤2.3：基于多维视图，参考合作目标航迹数据，比对量测点迹数据和目标跟踪航迹数据，对错误跟踪航迹数据进行人工修正或剔除，对雷达量测原始数据集中所有跟踪航迹数据进行处理，确保雷达跟踪航迹正确无误。如果待处理的目标航迹比较典型，并且仅存在少量跟踪错误，则进行人工修正，否则直接剔除；

步骤2.4：按照步骤2.1～步骤2.3，对雷达量测原始数据集中所有跟踪航迹数据进行处理，确保雷达跟踪航迹正确无误。

步骤3：根据航迹预测问题性质，确定循环神经网络形式为一对一形式，一个输入对应一个输出，基于典型循环神经网络结构，构建目标航迹预测循环神经网络；

步骤3.1：根据航迹预测问题性质，确定循环神经网络形式为一对一形式，一个输入对应一个输出，如图2所示；循环神经网络主要有四种使用形式，分别为一对一、多对一、一对多和多对多，而航迹预测问题主要是利用前面的多个已知航迹点位置序列，预测未知的航迹点位置，主要是下一时刻航迹点位置，并且是个连续预测问题，需要沿着时间轴一直进行下去，因此相对应的循环神经网络形式为一对一形式；

步骤3.2：基于典型循环神经网络结构，设定神经网络的层数、每层功能和神经元数量以及所采用激励函数，建立目标航迹预测循环神经网络，后续根据网络训练验证效果，进一步优化调整所设定的循环神经网络结构；其中典型循环神经网络结构有简单循环神经网络(SRNs)、门限循环神经网络(GRUs)、长短记忆循环神经网络(LSTM)以及引入注意力机制的增强循环神经网络(augmented RNN)等。

步骤4：设定训练样本特征向量，基于原始数据集，分别提取生成雷达探测航迹训练集和合作目标航迹训练集；

步骤4.1：基于目标航迹时间位置信息，构建样本向量，求取目标航迹样本；抛开目标运动的内在动因，单纯从目标运动趋势的外在数据表现来看，其与历史航迹不同时刻位置变化存在直接相关性，与航迹具体空间位置无关，因此一种合理的基本样本向量由相邻时刻航迹点的时间差、位置差、位置差除以时间差等元素构成，而更复杂更高维的样本向量可通过对基本向量进行非线性函数或核函数变换得到；

假定雷达为两坐标雷达，第i个目标航迹序列可表示为{z_i(1),z_i(2),z_i(3),…,z_i(N_i-1),z_i(N_i)}，其中z_i(n)＝[t_i(n),x_i(n),y_i(n)]′表示序列中第n个航迹点的信息，由时间、X方向位置和Y方向位置构成，N_i表示航迹序列长度，则第n个航迹点对应的基本样本向量为x_i(n)＝[Δt_i(n),Δx_i(n),Δy_i(n),Δx_i(n)Δt_i(n),Δy_i(n)Δt_i(n)]′，其中Δt_i(n)＝t_i(n+1)-t_i(n)，Δx_i(n)＝x_i(n+1)-x_i(n)，Δy_i(n)＝y_i(n+1)-y_i(n)，第i个目标航迹样本为{x_i(1),x_i(2),x_i(3),…,x_i(N_i-1)}；

步骤4.2：为避免后续训练中可能存在的梯度弥散和爆炸问题，结合采用的循环神经网络结构，对目标航迹样本进行截取，并在得到的序列头部添加开始标示数据，生成最终的训练样本序列，其中开始标示数据一般为0向量，维度与样本向量一致；如果采用的是SRNs，则截取的训练样本序列不宜过长，如果采用的是GRUs或LSTM，也可以不进行截取，直接把目标航迹样本作为训练样本序列；同时如果目标航迹较为典型，可以采用有重叠截取，生成尽量多的训练样本序列，如果目标航迹比较常见，可以采用无重叠截取，生成代表性训练样本序列；

步骤4.3：基于雷达量测原始数据集和合作目标航迹原始数据集中目标航迹数据，按照设定的训练样本序列求取方法，分别计算生成雷达探测航迹训练集D_R和合作目标航迹训练集D_C，并进一步对航迹训练集进行标准化预处理，生成无量纲训练数据集；可选用的数据标准化方法包括0-1标准化、标准差标准化和正则化等，可优先选用0-1标准化方法，公式如式1所示；

其中N_R+C表示两个训练集的总样本数量，n_d表示样本向量的维度。

步骤5：采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法；

步骤5.1：以训练样本序列中相邻两个样本向量为循环神经网络的输入和目标输出，每个训练样本序列代表一次训练，同时选定循环神经网络训练方法，其中典型的循环神经网络训练方法有BPTT(Backpropagation through time)、Hessian-Free；假设训练样本序列可表示为{x_i(1),x_i(2),x_i(3),…,x_i(l)}，则一次循环神经网络训练的不同时间步长输入依次为x_i(1),x_i(2),x_i(3),…,x_i(l-1)，目标输出为x_i(2),x_i(3),x_i(4),…,x_i(l)，不同训练样本序列的长度可以不相同；

步骤5.2：基于合作目标航迹训练集和雷达探测航迹训练集，进行循环神经网络的优化训练，可以把两个数据集混合在一起不加区别地进行训练，也可以先基于合作训练集训练，然后进一步基于雷达训练集训练，从而最终生成与雷达相匹配的目标航迹预测方法。

步骤6：如果当前训练生成的航迹预测方法满足需求，直接输出，用于相应雷达航迹预测，如果不满意，则考虑更改循环神经网络结构、训练样本向量x具体构成、训练样本序列的长度等，重复步骤3～步骤4，重新进行模型的训练验证。

Claims

1.基于循环神经网络的目标航迹预测方法，其特征在于，包括以下步骤：

步骤1：对同一型号雷达不同场景下的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，根据雷达海空探测类别，利用合作目标信息接收设备，收集舰船或飞机合作目标航迹，形成合作目标航迹原始数据集；

步骤2：采用时空多维一体可视化方法，对三类数据在同一张视图上显示，参考同时段同区域的合作目标航迹数据，比对量测点迹数据和跟踪航迹数据，人工修正或剔除雷达量测原始数据集中所有错误跟踪航迹数据；

步骤3：确定循环神经网络形式为一对一形式，一个输入对应一个输出，并基于简单循环神经网络、门限循环神经网络、长短记忆循环神经网络或引入注意力机制的增强循环神经网络，构建目标航迹预测循环神经网络；

步骤4：基于目标航迹时间位置信息，设定训练样本特征向量，对于雷达量测原始数据集和合作目标航迹原始数据集中每个目标航迹数据，分别进行训练样本求取、样本截取和序列头部添加开始标示数据处理，以生成雷达探测航迹训练集和合作目标航迹训练集，进一步通过标准化预处理，生成无量纲雷达探测航迹训练集和合作目标航迹训练集；

步骤5：采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法;

其中，步骤4具体包括：

步骤4.1：基于目标航迹时间位置信息，构建样本特征向量，求取目标航迹样本，一种合理的基本样本特征向量由相邻时刻航迹点的时间差、位置差、位置差除以时间差元素构成，而更复杂更高维的样本特征向量通过对基本样本特征向量进行非线性函数或核函数变换得到；

步骤4.2：为避免后续训练中可能存在的梯度弥散和爆炸问题，结合采用的循环神经网络结构，对目标航迹样本进行截取，并在得到的序列头部添加开始标示数据，生成最终的训练样本，其中开始标示数据维度与样本向量一致；

步骤4.3：基于雷达量测原始数据集和合作目标航迹原始数据集中目标航迹数据，按照步骤4.2训练样本求取方法，分别计算生成雷达探测航迹训练集和合作目标航迹训练集，并进一步进行标准化预处理，生成无量纲雷达探测航迹训练集和合作目标航迹训练集。

2.如权利要求1所述的基于循环神经网络的目标航迹预测方法，其特征在于，所述步骤1具体包括以下子步骤：

步骤1.1：对同一雷达或同一型号不同雷达在不同时段、不同区域，对不同目标的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，用于雷达独有航迹预测特征学习；

步骤1.2：根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹数据，形成合作目标航迹原始数据集，用于目标共性航迹预测特征学习。

3.如权利要求1所述的基于循环神经网络的目标航迹预测方法，其特征在于所述步骤2具体包括以下子步骤：

步骤2.1：从雷达量测原始数据集中选取设定时段内量测点迹数据和跟踪航迹数据，同时从合作目标航迹原始数据集选取相同时段相同区域合作目标航迹数据；

步骤2.2：采用时空多维一体可视化方法，对三类数据进行联合显示，其中联合显示是指三类数据在同一张视图上进行显示，时空多维是指同时提供至少X方向-Y方向、时间-X方向、时间-Y方向三类视图，X方向、Y方向指雷达量测点迹数据和跟踪航迹数据所在同一直角坐标系的X方向和Y方向，一体是指多维视图存在联动，即选择任意视图中的一个量测点或航迹，在其他视图中相同量测点或航迹也要突出显示；

步骤2.3：基于多维视图，参考合作目标航迹数据，比对量测点迹数据和跟踪航迹数据，对错误跟踪航迹数据进行人工修正或剔除；

步骤2.4：按照步骤2.1~步骤2.3，对雷达量测原始数据集中所有跟踪航迹数据进行处理，确保雷达跟踪航迹正确无误。

4.如权利要求1所述的基于循环神经网络的目标航迹预测方法，其特征在于，所述步骤3具体包括以下子步骤：

步骤3.1：根据航迹预测问题性质，确定循环神经网络形式为一对一形式，一个输入对应一个输出；

步骤3.2：基于简单循环神经网络、门限循环神经网络、长短记忆循环神经网络或引入注意力机制的增强循环神经网络，设定神经网络的层数、每层功能和神经元数量以及所采用激励函数，建立目标航迹预测循环神经网络，后续根据网络训练验证效果，进一步优化调整所设定的循环神经网络结构。

5.如权利要求1所述的基于循环神经网络的目标航迹预测方法，其特征在于，所述步骤5具体包括以下子步骤：

步骤5.1：以训练样本序列中相邻两个样本向量为循环神经网络的输入和目标输出，每个训练样本序列代表一次训练，同时选定循环神经网络训练方法；

步骤5.2：基于合作目标航迹训练集和雷达探测航迹训练集，进行循环神经网络的优化训练，把两个数据集混合在一起不加区别地进行训练，或先基于合作目标航迹训练集训练，然后进一步基于雷达探测航迹训练集训练，从而最终生成与雷达相匹配的目标航迹预测方法。

6.如权利要求5所述的基于循环神经网络的目标航迹预测方法，其特征在于，所述循环神经网络训练方法具体包括：BPTT和Hessian-Free。