Progrès de la recherche sur la technologie de détection coopérative multi-radar : algorithme de suivi cognitif et de planification des ressources

Source : Journal Radar

Auteurs : Yi Wei, Yuan Ye, Liu Guanghong, Ge Jianjun, Kong Lingjiao, Yang Jianyu

1. Introduction

Le radar est la clairvoyance de la perception de l'information, a une valeur militaire et civile extrêmement élevée et est largement utilisé dans l'alerte précoce de la défense aérienne, la cartographie par télédétection, la lutte contre le terrorisme et le maintien de la stabilité et dans d'autres domaines [1-5]. La technologie d'acquisition et de détection d'informations radar a toujours été une technologie de pointe que les grands pays rivalisent pour s'emparer, et elle constitue également une partie importante de la science de l'information. Avec les progrès continus de la science et de la technologie, l’avènement continu et l’installation généralisée d’équipements de contre-mesure électroniques avancés, la survie et le développement du radar sont confrontés à des défis de plus en plus graves. Du point de vue de l'environnement de vie, les radars sont confrontés à toutes sortes d'interférences électromagnétiques civiles telles que les communications et les interférences électromagnétiques militaires complexes ; du point de vue des objets de détection, l'émergence de cibles diverses telles que des clusters, faibles, furtifs, à haute altitude. , et les cibles à basse altitude posent également de nouveaux défis à la détection et à l'identification radar. De plus, avec le développement de nouvelles technologies telles que l'intelligence artificielle et les systèmes auto-organisés, les objets de détection des radars évoluent également rapidement vers une « forme systématique de collaboration multi-nœuds » [6-11]. Par conséquent, il est imminent de développer de nouveaux mécanismes et méthodes de détection de cibles radar pour faire face à de nouveaux environnements et de nouvelles cibles.

En réponse aux nouveaux défis posés par le nouvel environnement et les nouvelles cibles, un certain nombre de nouvelles orientations techniques sont apparues dans le domaine de la technologie radar, telles que le radar térahertz, le radar quantique, le radar cognitif et le radar à réseau de contrôle de fréquence. Ces orientations techniques sont d'une grande importance, mais à l'heure actuelle, la recherche sur l'innovation des systèmes et des méthodes est principalement menée autour du radar à installation unique. Cependant, le radar à montage unique est limité par la taille de l'ouverture, la consommation d'énergie du système, la configuration de détection de colocalisation des émetteurs-récepteurs et le mécanisme de détection de rétrodiffusion. Face à des menaces telles que des cibles furtives et des interférences du lobe principal, les performances de détection sera sérieusement détériorée. Absence de contre-mesures efficaces.

Relativement parlant, la technologie de détection coopérative multi-radar peut éliminer le goulot d'étranglement inhérent à un seul radar en reliant plusieurs radars pour former une configuration de détection d'envoi et de réception distribuée sur une vaste zone. Cette technologie tente d'obtenir une coordination approfondie de plusieurs radars grâce à une planification intégrée des ressources et peut utiliser l'angle de vue, la fréquence, la polarisation, l'énergie, la forme d'onde et d'autres ressources d'observation de plusieurs radars pour créer un espace de signal radar de plus grande dimension et obtenir pleinement la diversité spatiale. . , la diversité de fréquence et d'autres gains de détection, ainsi que l'avantage énergétique de la réduction des interférences dans l'espace de grande dimension, constituent un moyen technique efficace de gérer de nouveaux environnements et de nouvelles cibles et d'améliorer considérablement les performances du radar. Par conséquent, en tant qu’orientation de développement importante de la technologie d’acquisition et de détection d’informations radar à l’avenir, la détection coopérative multi-radar a attiré l’attention de nombreux chercheurs et instituts de recherche ces dernières années [1,8].

La portée de la recherche liée à la détection collaborative multi-radar est large, couvrant la conception de la structure organisationnelle du système, le mode d'interaction homme-machine, la transmission de communication à large bande passante, la synchronisation espace-temps-fréquence de haute précision, le traitement collaboratif des signaux de grande dimension, hétérogène et la fusion d'informations asynchrones, la planification intégrée des ressources et bien d'autres aspects, ainsi que le développement d'itinéraires techniques associés présentent une situation compliquée. Parmi eux, la méthode de planification des ressources intégrée au système est le mécanisme garantissant la réalisation d'une coordination approfondie de plusieurs radars, et c'est également l'un des points techniques fondamentaux de la détection collaborative.

Le mécanisme de coordination des systèmes multi-radar existants tels que les radars en réseau est encore à un niveau de coordination inférieur tel que la fusion des informations de suivi de points, la division des tâches et le transfert des tâches, ce qui restreint sérieusement l'efficacité de la détection coopérative radar [9]. Ce n'est qu'avec la capacité de planification complète intégrée multi-radar au niveau des éléments de ressources que nous pouvons véritablement réaliser la coordination approfondie des multi-radars et prendre en charge la génération optimale de capacités de détection coopérative. Par conséquent, cet article se concentre sur l'algorithme de planification des ressources intégré multi-radar, en se concentrant sur la tâche typique de suivi cognitif radar, en triant et en résumant les derniers progrès de la recherche dans cette direction au pays et à l'étranger au cours des dernières années, dans le but de fournir une référence pour les études ultérieures. recherche connexe.

2. Détection coopérative multi-radar

2.1    Connotation conceptuelle

La connotation de détection coopérative multi-radar est relativement large. À l'heure actuelle, il n'existe pas de définition unifiée et claire dans le milieu universitaire, notamment la relation et la différence entre les concepts de radar en réseau, de radar en réseau, de radar multistatique et de radar distribué. . Dans cet article, l'auteur définit la détection coopérative multi-radar comme une méthode de détection radar généralisée plutôt que comme un système spécifique de système radar. De manière générale, la détection coopérative multi-radar comporte quatre éléments :

(1) La configuration de détection présente une forme de disposition distribuée multi-nœuds : un réseau filaire/sans fil est utilisé pour mettre en cascade plusieurs nœuds radar avec différents paramètres d'émetteur-récepteur RF et modèles de système, et grâce à l'interaction d'informations, une détection collaborative avec une zone étendue distribuée spatialement. est formé.

(2) Génération de tâches et de plans basés sur l'entrée de la situation : il peut effectuer une recherche orientée situation, des tâches de détection spécifiques telles que le suivi et l'interception sont générées, et en même temps, il dispose de la capacité de correspondance de modèle/génération adaptative hors ligne de la détection. plan d'exécution des tâches [11].

(3) Planification intégrée des ressources et capacités de collaboration approfondie multi-nœuds ciblant des tâches de détection spécifiques : dans le cadre du plan d'exécution du système actuel, se concentrer sur des tâches de détection spécifiques telles que la recherche de zone, le suivi de cible et la reconnaissance de cible, grâce à un mécanisme de planification efficace. Les ressources globales du système de gestion et de contrôle intégré sont optimisés pour obtenir une coopération étroite et une coordination approfondie de plusieurs nœuds radar, et enfin réaliser la combinaison dynamique, l'adaptation objective et la détection optimale des formes situationnelles et des tâches de détection.

(4) Capacité de traitement complète des signaux multicanaux de haute dimension et des informations multi-sources : plusieurs radars répartis dans une vaste zone d'espace peuvent recevoir des signaux d'écho multicanaux de haute dimension et former plusieurs types de niveau de signal, Données au niveau de l'information et au niveau de l'intelligence ; grâce à une transmission de communication centrée, non centrée ou multicentrique et à une architecture de stockage informatique, le système peut utiliser un traitement de signal cohérent et non cohérent et une méthode de fusion d'informations multi-sources de données de suivi de points pour analyser le niveau de signal et les informations formées par plusieurs radars.Traitement complet optimal des données de haut niveau et de niveau d'intelligence, et enfin réaliser des fonctions radar telles que la détection, le positionnement, le suivi, l'identification et la suppression des interférences. On peut voir que les modes de détection de systèmes tels que le radar en réseau, le radar en réseau, le radar multistatique et le radar distribué ne peuvent répondre que partiellement aux quatre éléments ci-dessus.

En théorie, la détection coopérative multi-radar peut améliorer considérablement l’efficacité de détection et la capacité de survie des radars. La figure 1 illustre le scénario dans lequel plusieurs radars coopèrent pour détecter les formations d'aéronefs. On peut voir que l'antenne radiofréquence déployée dans une large zone de l'espace peut recevoir des signaux de diffusion multidimensionnels cibles de différents temps, formes d'onde, angles, fréquences, polarisations, etc., augmentant considérablement les échantillons d'observation de différentes caractéristiques de la cible. , et obtenir une diversité spatiale, une diversité de fréquence, etc. Le gain de détection fournit des conditions de base pour améliorer le rapport signal/bruit cible et améliorer les performances de détection.

Figure 1 Diagramme schématique de la détection spatiale coopérative multi-radar dans un environnement électromagnétique complexe

Du point de vue de la gestion de tâches de détection diversifiées, la mise en réseau de plates-formes de détection multi-types et polyvalentes constitue une base matérielle pour l'exécution efficace de tâches de détection diversifiées. L'interaction entre la plate-forme de détection et l'algorithme de contrôle adaptatif, l'intelligence artificielle et les commandants peut prendre en charge la génération en ligne de planification de mission multi-radar et de plan d'exécution de mission, et améliorer efficacement l'efficacité d'exécution de tâches de détection diversifiées[11].

Du point de vue de la gestion d'un environnement électromagnétique complexe, la coordination de plusieurs radars peut créer un espace de signal de dimension supérieure. Comme il est difficile pour le signal de brouillage de simuler complètement le signal cible dans toute la dimension du signal et son espace de domaine de transformation, cela peut être un bon moyen pour la cible et le brouillage Distinguer les signaux et fournir de meilleures conditions pour l'avantage énergétique de réduire les interférences.

Dans le même temps, plusieurs radars dotés d'un mécanisme de coordination efficace peuvent former un équilibre entre « coordination du système » et « coordination du système » face à un nouveau type d'objet de détection sous la forme d'un système multi-nœuds. En résumé, l'essence de la détection coopérative multi-radar est d'évoluer de basse dimension vers haute dimension dans le sens de la configuration de détection, de la dimension du signal et du degré de liberté du système, ce qui est conforme à la tendance et à la loi de la technologie radar. développement [5].

Ces dernières années, de nouveaux systèmes radar tels que le radar en réseau, le radar à synthèse cohérente à réseau distribué, le radar centralisé à entrées multiples et sorties multiples (Colocated-MIMO, C-MIMO), le radar distribué MIMO (Distributed-MIMO, D-MIMO), etc. Il a été largement étudié par des chercheurs nationaux et étrangers, et il a été prouvé qu'il peut obtenir un gain de détection synergique considérable. Dans un sens, ces systèmes peuvent également être considérés comme les formes intermédiaires du concept de détection coopérative multi-radar macroscopique dans différentes conditions logicielles et matérielles. Par exemple, limitée par les capacités de communication, de synchronisation, de calcul et autres, la première collaboration multi-radar a adopté un mécanisme simple de coordination en réseau de plusieurs nœuds radar spontanés et auto-récepteurs, c'est-à-dire un système radar en réseau. La figure 2 est un diagramme schématique de détection coopérative multi-radar, dans lequel les points bleus et les points rouges représentent respectivement les antennes d'émission et de réception ; les flèches de différentes couleurs représentent les chemins d'émission et de réception de signaux électromagnétiques de différentes fréquences, angles de polarisation, etc. .; les ombres brunes indiquent l’efficacité de la détection. Comme le montre la figure 2, ce mode coopératif utilise uniquement le signal de rétrodiffusion cible transmis et reçu par un seul radar, et la transmission et le traitement concernent souvent les informations de niveau de données de suivi ponctuel après la détection du signal. En revanche, les radars C-MIMO, D-MIMO, etc. effectuent un traitement conjoint des signaux multi-émissions et multi-réceptions de haute dimension [12,13], mais en même temps, ces systèmes ont des exigences plus élevées en matière de transmission, de calcul. et synchronisation temps-fréquence [14,15].

Figure 2 Diagramme schématique de la détection coopérative multi-radar

2.2    Défis techniques

Les progrès des technologies connexes telles que la communication à large bande passante, la référence temps-espace-fréquence de haute précision et le cloud computing en réseau ont jeté les bases matérielles nécessaires au développement accéléré de la collaboration multi-radar. instamment.

2.2.1 Contrôler la construction en boucle fermée de la cognition coopérative multi-radar

La boucle fermée fait référence à la boucle dans laquelle plusieurs radars coopèrent pour détecter les données et contrôler l’interaction des commandes. La construction d'une boucle fermée de cognition collaborative peut utiliser pleinement les ressources de détection et réaliser une collaboration précise, approfondie et en temps réel de la plate-forme de détection, améliorant ainsi efficacement la puissance du système de détection. La boucle fermée est un concept de contrôle généralisé dans les systèmes de détection, qui peut être exprimé sous différents angles. Comme le montre la figure 3, interprétée dans une perspective étroite, la boucle fermée de détection collaborative est une boucle fermée de « perception-traitement-décision » au niveau de l'algorithme de traitement du signal composée de trois éléments : traitement du signal cible, fusion de données multi-radar et contrôle et planification des ressources radar.

Figure 3 Construction en boucle fermée de cognition collaborative multi-radar

D'un point de vue large, la boucle fermée de détection collaborative est une boucle fermée collaborative au niveau du système qui prend en compte de manière globale l'environnement de détection, les conditions de l'équipement, les informations de renseignement, la prise de décision du commandant et l'interaction intelligente homme-machine [11]. La boucle fermée au niveau du système vise à combiner la prise de décision du commandant avec la plate-forme matérielle de détection coopérative pour former une boucle d'information et compléter la génération de plans de travail liés aux tâches de détection, aux modes de traitement et aux mécanismes de planification, afin de réaliser les Interaction homme-machine et machine-machine.Synergie profonde. Étant donné que le processus de construction d'une boucle fermée collaborative implique la coordination et la coopération de divers éléments tels que les personnes, l'environnement et les machines, la formulation d'une boucle fermée cognitive générale et efficace est l'une des difficultés de la conception d'un système de détection collaboratif. .

 2.2.2 Méthode générale de traitement des signaux multicanaux de haute dimension et des informations multi-sources

Les antennes distribuées sur une large zone peuvent recevoir des signaux d'écho avec différents temps de balayage, angles de réception et d'envoi, formes d'onde, fréquences, polarisations, etc., ce qui augmente considérablement le nombre d'échantillons d'observation et la dimension spatiale des signaux d'écho[16,17]. Pour exploiter le gain d’efficacité de détection apporté par l’espace du signal, il est nécessaire d’étudier les méthodes correspondantes de traitement du signal de haute dimension et de fusion d’informations. Cependant, les méthodes actuelles de traitement des signaux radar et de fusion d’informations ne peuvent pas être facilement étendues au domaine de la détection coopérative multi-radar. Par exemple, de simples radars en réseau n'effectuent qu'un traitement de fusion collaboratif au niveau des données de suivi de points ; les méthodes de traitement du signal des radars à synthèse cohérente à réseau distribué et des radars C-MIMO ne sont applicables que dans le cas où les réseaux d'émission et de réception sont disposés à proximité les uns des autres. autre, et les antennes d'émission et de réception ne peuvent pas acquérir pleinement les caractéristiques de diffusion électromagnétique multi-angles de la cible et le gain de détection de la diversité spatiale ; de plus, le traitement cohérent des signaux multicanaux nécessite souvent une synchronisation stricte du temps et de la phase du signal [ 14]. Bien que le radar D-MIMO soit adapté aux réseaux d'émetteurs-récepteurs distribués sur une vaste zone, il traite souvent les signaux d'écho dans la même bande de fréquences et la même synchronisation temporelle, et ne prend pas en compte les problèmes de poursuite de faisceau causés par le temps de balayage asynchrone de plusieurs radars.

2.2.3 Capacité globale de planification des ressources d'un système à haut degré de liberté pilotée par des tâches de détection spécifiques

La coordination et la liaison de plusieurs radars peuvent fournir des ressources de détection de système plus riches telles que l'espace, le temps, la fréquence, la polarisation, la forme d'onde et la puissance. Cependant, à mesure que le degré de liberté du système augmente, la difficulté de contrôle et de planification du système augmente également. Pour exploiter pleinement les capacités de détection potentielles d'un système à haut degré de liberté, il est nécessaire de planifier de manière dynamique et optimale les ressources contrôlables de chaque nœud radar en fonction de la situation globale et en fonction des tâches du système. Par conséquent, une planification efficace du système est la prémisse de l'optimisation des performances de détection du système multi-radar, et c'est également le mécanisme garantissant la « coordination du système » [7]. Cependant, les théories et méthodes actuelles de planification des radars ciblent principalement des systèmes spécifiques tels que les radars multi-fonctions à réseau phasé et les radars MIMO. Le mécanisme de coordination pour la détection coopérative multi-radar reste toujours au niveau inférieur de coordination au niveau des tâches, comme la division des tâches et le transfert des radars en réseau existants. La théorie et la méthode de détection et de planification collaboratives au niveau des éléments de ressource en sont encore à leurs balbutiements et constituent également une direction de recherche clé actuelle. Par exemple, le concept de combat « Mosaïque » proposé par l'armée américaine en 2017 est une pratique spécifique de coordination au niveau des éléments de ressources [7,18], utilisant une série d'unités de détection distribuées, peu coûteuses et faciles à organiser. pour construire un système de détection en réseau adaptable et facile à dissimuler.

La technologie de détection collaborative multi-radar implique plusieurs dimensions telles que la construction de contrôle en boucle fermée, le traitement des signaux d'information et la conception de mécanismes de contrôle de planification. Il s'agit d'une recherche systématique du traitement de niveau inférieur (niveau de traitement du signal en boucle fermée) au niveau supérieur. application (contrôle interactif coopératif en boucle fermée). Visant la conception de l'architecture de haut niveau du système de détection collaboratif et la construction en boucle fermée du contrôle interactif collaboratif, certains travaux l'ont systématiquement modélisé et discuté [8, 11, 18]. du niveau de combat coopératif a été réalisé dans les aspects de la modélisation en boucle fermée de la fusion du renseignement homme-machine de la détection coopérative et de la conception technique en boucle fermée. Cet article se concentre sur l'algorithme de traitement du signal en boucle fermée et prend les problèmes de suivi cognitif coopératif multi-radar et de gestion des ressources comme fil conducteur pour trier et discuter du problème de goulot d'étranglement de la détection coopérative multi-radar.

3. Construction en boucle fermée d'un algorithme de suivi cognitif coopératif multi-radar

Cette section se concentre principalement sur la boucle fermée au niveau du traitement du signal dans la figure 3 et introduit le concept de boucle fermée cognitive de traitement du signal pour la détection coopérative multi-radar. Sur cette base, en prenant la tâche de suivi de cible comme exemple, le processus de construction en boucle fermée de l'algorithme de traitement du signal de suivi cognitif et de planification des ressources est résumé.

3.1    Traitement cognitif du signal en boucle fermée de la détection coopérative multi-radar

Différent du traitement du signal en boucle ouverte des radars en réseau traditionnels au niveau de l'intelligence, le système de détection collaboratif utilise un mécanisme cognitif de traitement du signal en boucle fermée [11, 19] pour améliorer l'adaptabilité environnementale et les capacités de détection du système. Comme le montre la figure 4, le traitement cognitif du signal est un processus en boucle fermée formé de perception, de rétroaction, d'analyse, de prise de décision et de perception.

Fig. 4 Traitement du signal cognitif en boucle fermée de détection coopérative multi-radar

L’utilisation des informations de rétroaction environnementale pour ajuster les paramètres de ressources du système radar est la clé pour réaliser la boucle fermée cognitive. La figure 5 montre et décrit plus spécifiquement le flux de traitement cognitif du signal de détection coopérative en boucle fermée de la figure 4, comme suit :

Figure 5. Boucle fermée cognitive du flux de traitement de l'algorithme de détection coopérative multi-radar et de planification des ressources

(1) Saisie paramétrée de la situation et de l'environnement : au temps k, le système de détection prédit les informations de situation en temps réel xk|k−1 grâce à un apprentissage interactif avec l'environnement. Ici, xk|k−1 a différentes définitions dans différents scénarios de tâches de détection, par exemple : dans les tâches de suivi, xk|k−1 peut être la valeur prédite d'informations de paramètres telles que la position, la vitesse, l'angle, etc. d'une cible spécifique ;

(2) Modélisation de tâches de détection spécifiques et de leurs indicateurs d'évaluation de performance : en prenant comme entrée les informations de situation xk|k−1, et en se basant sur les ressources d'émission et de réception Θk du système radar, les indicateurs d'évaluation de performance Ξ et les mathématiques de situation et de ressources sont construits autour de tâches de détection spécifiques en relation

. En prenant la tâche de suivi de cible comme exemple, la ressource d'émetteur-récepteur Θk du radar peut être l'attribution du faisceau de suivi radar, le temps de séjour du faisceau, la puissance d'émission, etc., et l'indice de performance de la tâche de suivi.

peut être la précision de suivi de la cible. fonction

L'essentiel est la cartographie mathématique des paramètres de ressources du système radar Θk et des performances de détection ΞΞ sous des informations de situation spécifiques xk|k−1 ;

(3) Modèle d'optimisation de la planification des ressources : prendre en compte les indicateurs de performance des tâches

, les contraintes limites de capacité du système et une fonction objectif d'optimisation spécifique f(·), construisent un modèle d'optimisation de planification des ressources. Complété par la théorie de l'optimisation convexe, un algorithme d'optimisation intelligent, une optimisation combinée de simulation informatique et d'autres algorithmes pour résoudre le modèle ;

(4) Planification des ressources et traitement du signal : solution modèle

Utilisé pour guider la configuration des paramètres de ressources du système du nœud radar

, pour terminer la détection de la cible, obtenir à nouveau les informations sur l'environnement situationnel et réaliser le cycle de détection au temps k+1.

La détection coopérative multi-radar perçoit et comprend en permanence l'environnement, et ajuste la configuration des paramètres du système de détection coopérative en temps réel en fonction des changements dans l'environnement pour obtenir un gain dynamique dans les performances de détection. "Cognition en boucle fermée [20], ses informations le flux de traitement est également conforme au concept de contrôle en boucle fermée de la boucle OODA (c'est-à-dire le processus de prise de décision en boucle fermée comprenant l'observation, l'ajustement, la prise de décision, l'action et le résultat de l'action pour guider l'observation suivante) [21].

3.2    Boucle fermée cognitive d'un algorithme de suivi coopératif multi-radar

3.2.1 Algorithme de suivi cognitif et ses caractéristiques

En tant qu'une des tâches typiques du système de détection, le suivi multi-cible vise à réaliser l'estimation temporelle continue de l'état de la cible de suivi (y compris : position, vitesse, RCS, cap, etc.) [22], et à prendre en charge la sortie de renseignements sur le champ de bataille/informations sur la situation. Si le mécanisme de traitement du signal de cognition en boucle fermée est introduit dans la tâche de suivi, le système radar peut utiliser la situation en temps réel obtenue dans l'algorithme de suivi actuel pour mettre à jour les informations préalables sur l'état cible, et en même temps, il peut être utilisé pour guider l'optimisation des paramètres de ressources de lancement du système radar dans la configuration du cycle suivant afin d'améliorer encore les performances de suivi pour le cycle suivant.

Comme le montre la figure 6, par rapport au suivi traditionnel, la principale caractéristique du suivi cognitif est que ses informations préalables cibles sont utilisées tout au long du processus de traitement du signal et de planification des ressources, présentant un mode de traitement du signal en boucle fermée. Dans le mode de suivi multi-radar traditionnel, les informations préalables de la cible ne sont utilisées que pour la mise à jour de l'état de suivi et ne participent pas aux autres processus de traitement du radar. Le traitement global du signal présente un état en boucle ouverte.

Figure 6 La différence entre l'algorithme de suivi cognitif et l'algorithme de suivi de fusion traditionnel

Ensuite, cet article se concentrera sur la tâche de suivi multi-cibles et prendra comme exemple un algorithme de suivi de fusion multi-radar typique au niveau des données pour présenter en détail les principes et processus techniques liés à la planification coopérative cognitive multi-radar en boucle fermée. .

 3.2.2 Scénario de poursuite multi-cibles et description du système radar

Comme le montre la figure 7, le suivi de cible coopératif multi-radar doit utiliser N nœuds radar pour coopérer afin de compléter le suivi de la valeur d'état de Q cibles de suivi.

Estimation séquentielle à partir du temps initial k=0.

Figure 7 Scénario de suivi multi-cible coopératif multi-radar

Au temps k, le multi-radar achève le traitement de détection de fréquence radio et de réception de signal d'écho avec des paramètres de ressources système spécifiques Θk, de manière à obtenir des données de mesure cibles.

,ici

Indique la mesure de la cible q reçue par le radar n ; ensuite, le radar obtient l'état de la cible en fusionnant et en filtrant les données de mesure

L'estimation ; enfin, l'estimation de l'état cible peut être utilisée pour prédire l'état au moment suivant (c'est-à-dire pour calculer les informations préalables de suivi

Et retournez au module de traitement de fusion des informations de suivi pour terminer le processus de filtrage ultérieur.

Dans un système radar réel, soumis aux limitations matérielles de l'émetteur, ses ressources système ont généralement des contraintes de limites supérieure et inférieure, à savoir

   (1)    

Notez que la formule (1) n'est utilisée que pour exprimer des variables de ressources et qu'il existe souvent des contraintes, et que le besoin de contraintes de ressources spécifiques peut être trouvé dans les expressions mathématiques correspondantes. Les types spécifiques de ressources de détection du système radar et les valeurs de contrainte de limite [Θmin,Θmax] sont généralement différents selon les systèmes radar. La figure 8 montre le diagramme de scène du suivi multi-cibles d'un radar MIMO en réseau, dans lequel les radars 1, 2 et 3 transmettent respectivement 3, 2 et 1 faisceaux pour réaliser un suivi coopératif de 3 cibles. Comme le montre la figure 8, en prenant comme exemple le système radar C-MIMO en réseau considéré dans [23], plusieurs nœuds radar C-MIMO effectuent simultanément un suivi multi-cibles en mode multifaisceau. A ce moment, le nombre de faisceaux de l'émetteur du système radar

, Puissance de transmission

Les contraintes limites de peuvent être établies comme

Figure 8 Diagramme schématique du suivi multi-cibles du radar MIMO en réseau

   (2)    

dans,

Indique le nombre de faisceaux de poursuite générés simultanément par le nième nœud radar,

sa limite supérieure ;

est la puissance de transmission du faisceau de suivi bth correspondant,

sont respectivement leurs limites supérieure et inférieure ;

est la limite supérieure de la puissance d'émission totale du nœud radar n.

Nombre de faisceaux

, Puissance de transmission

constitue le vecteur de paramètres de ressources système du nœud radar n :

, et les ressources système de l'ensemble du radar sont composées de combinaisons de ressources de N nœuds MIMO :

   (3)    

Sur la base des modèles ci-dessus, on peut voir que l'essence du suivi multi-cibles est d'utiliser les ressources du système radar Θk de manière globale et intégrée sous les contraintes de capacité du système radar [Θmin,Θmax] pour réaliser les informations sur l'état de la cible de suivi.

estimations de coopération.

3.2.3 Modèle de suivi coopératif multi-radar

Dans le problème de suivi, le modèle d'état de la cible (modèle de mouvement) et le modèle de mesure sont généralement utilisés pour décrire la règle de mise à jour de l'état de mouvement de la cible suivie et l'expression des informations de mesure [24] :

   (4)    

   (5)    

Dans la formule (4),

Représente la fonction de transition de l'état cible, nk est le bruit de processus du mouvement cible. Dans la formule (5),

Désignons respectivement la fonction de mesure et le bruit de mesure du nœud radar n ;

L'expression de est généralement déterminée par le système radar spécifique. Par exemple, dans un radar à régime d'impulsions qui émet un faisceau étroit dans la dimension azimutale et un faisceau large dans la dimension élévation, la mesure

Peut inclure la distance radiale de la cible

,position

, Doppler

et autres informations :

   (6)    

où le bruit de mesure

Reflète le niveau de qualité des données de trace radar. À condition que la méthode de traitement des signaux radar reste inchangée, la ressource du système radar Θk affectera les signaux d'émission et de réception du système pour déterminer

la qualité de. En prenant comme exemple le modèle de système de bruit additif gaussien le plus courant, le bruit de mesure

Il est généralement supposé obéir à la moyenne nulle et la covariance est

Distribution gaussienne. Considérant que la matrice de covariance du bruit correspondant à la mesure de la formule (6) est une matrice diagonale :

   (7)    

Parmi eux, les éléments diagonaux représentent respectivement l'erreur de mesure de distance, d'angle et Doppler, et la puissance d'émission utilisée pour détecter la cible q dans la ressource d'émission du radar n.

, largeur du lobe principal du faisceau

,bande passante

, largeur de temps

et d'autres éléments de ressources sont liés [25] :

   (8)    

Par conséquent, la matrice de covariance d’erreur peut également être écrite comme une fonction liée au paramètre de ressource du système radar Θk :

   (9)    

L'équation (9) montre que la mesure cible

La qualité de est étroitement liée à la ressource système Θk consommée par le radar. En raison de facteurs tels que le matériel de l'émetteur radar, la ressource Θk du système radar est généralement limitée. Peut améliorer la mesure des objets en allouant dynamiquement des ressources de sondage Θk à chaque instant de suivi

Qualité, améliorant les performances globales de suivi. Ce qui précède est la connotation de la planification des ressources de suivi cognitif radar illustrée à la figure 6.

 3.2.4 Architecture de fusion d'informations de suivi

Les mesures de corrélation cible sont obtenues sur plusieurs nœuds radar

Enfin, il doit être fusionné pour obtenir des résultats de suivi de cible de plus grande précision. Selon les différentes manières de fusion de données multi-radar et les types de paramètres de fusion impliqués, le processus de traitement de fusion des informations de suivi peut être divisé en deux architectures : la fusion centralisée et la fusion distribuée [26].

(1) Architecture de fusion centralisée

Comme le montre la figure 9 (a), tous les nœuds radar de l'architecture de fusion centralisée sont connectés à un centre de fusion commun. Le nœud radar prend les mesures brutes de la cible

Directement transmises au centre de fusion, toutes les mesures sont empilées dans un grand vecteur

. Combiné avec des informations préalables

et données de mesure

, la fusion centralisée peut être traitée par filtrage bayésien séquentiel [27,28] pour obtenir la valeur estimée de l'état cible de suivi

。

Figure 9 Architecture de fusion d'informations collaborative multi-radar

(2) Architecture de fusion distribuée

Dans le cadre de l'architecture de fusion distribuée, chaque nœud radar doit mesurer le niveau local

Effectuer un traitement de filtrage pour obtenir les caractéristiques statistiques et les résultats d'estimation de l'état cible local

. Utilisez ensuite des règles de fusion distribuées et des algorithmes de fusion spécifiques pour compléter la fonction de densité de probabilité de l'état local (fonction de densité de probabilité, PDF) ou l'état estimé.

fusion, de manière à obtenir le résultat final estimé de la fusion

. De plus, comme le montrent les figures 9(b) et 9(c), l'architecture distribuée peut également être subdivisée en deux sous-architectures, hiérarchique et distribuée par consensus, selon différentes méthodes d'interaction d'informations [26].

3.2.5 Indice de performance du suivi des cibles

L'indice de performance de suivi de cible vise à décrire ou à prédire la précision de l'estimation de l'état de la cible obtenue par un suivi coopératif multi-radar selon des méthodes spécifiques d'allocation de ressources et de traitement de fusion. Les indicateurs de performance courants incluent la matrice de covariance de prédiction de l'erreur de suivi [29], les informations mutuelles de l'erreur d'observation cible [30], la limite inférieure de Cramer-Rao (CRLB) de l'erreur de mesure [31] et les éléments suivants Vérifiez le Cramer -Rao lié (CRLB postérieur, PCRLB) [32] et ainsi de suite.

Le PCRLB est l’indicateur de performance le plus classique et le plus couramment utilisé en matière de suivi de cibles. Son processus de calcul correspond parfaitement à la mise en œuvre du filtrage bayésien séquentiel, il est donc également appelé Bayesian Cramer-Raobound (Bayesian CRLB, BCRLB) [33]. Statistiquement parlant, le PCRLB peut donner une limite inférieure théorique à l’erreur d’estimation de tout estimateur sans biais :

   (dix)    

Parmi eux, p(x,z) représente une fonction sur l'état estimé x et la mesure z ;

est la valeur estimée de l'état cible ; Ep{⋅} représente l'espérance mathématique concernant p ;

PCRLB pour l’erreur d’estimation de l’état q cible. PCRLB donne la limite inférieure statistique de l'erreur quadratique moyenne (MSE) de l'estimation de l'état, et le PCRLB de suivi correspondant peut être directement calculé ou ajusté une fois que le modèle système de suivi de cible est donné. Par conséquent, PCRLB n’est pas affecté par le caractère aléatoire d’une seule expérience de suivi et par le filtre d’état utilisé, et constitue une limite inférieure théorique générale des performances de suivi (34).

 3.2.6 Problème d'ordonnancement des ressources et ses critères d'optimisation

D'un point de vue mathématique, l'essence mathématique de la planification coopérative des ressources de suivi cognitif multi-radar est un problème d'optimisation qui prend le paramètre de ressources du système radar ΘkΘk comme variable. Selon différents scénarios de tâches et critères d'optimisation de la planification des ressources, ce problème d'optimisation peut être principalement divisé en deux catégories.

(1) Critères optimaux pour l’exécution des tâches

Sur la base de ce critère d'optimisation, le système radar utilisera les ressources système disponibles pour optimiser les performances de suivi, c'est-à-dire pour atteindre ce que l'on appelle l'exécution optimale de la tâche. Combiné avec la notation mathématique susmentionnée, le problème d'optimisation peut être modélisé comme

   (11)    

Parmi eux, la fonction objectif

est une fonction qui caractérise la situation des performances de suivi global multi-cibles et le schéma d'allocation des ressources du système Θk ; Θmin≤Θk≤Θmax est la forme généralisée de la contrainte de limite du paramètre de ressource correspondante dans la formule (2).

(2) Critères de minimisation des ressources système

Sur la base de ce critère d'optimisation, le système radar minimisera autant que possible la consommation de ressources du système radar en garantissant certaines contraintes de performance des tâches de détection, ce que l'on appelle le critère de minimisation des ressources. Le problème d’optimisation peut être modélisé comme

   (12)    

Parmi elles, la fonction objectif f(Θk) est utilisée pour caractériser le niveau de consommation des ressources du système radar ; la contrainte

Représente les exigences de performances de suivi prédéfinies pour la cible q, ce qui peut garantir que les performances de la tâche de détection ne seront pas affectées tout en minimisant la consommation des ressources système.

Du point de vue de l'application, le système radar doit effectuer simultanément plusieurs tâches de détection (telles que le suivi multi-cibles, l'intégration de la détection et du suivi, etc. [35]) sous les contraintes de ressources de transmission limitées, et il existe une concurrence pour l'utilisation. des ressources de transmission radar entre les tâches. Dans ce contexte, comment concevoir une fonction objectif f(⋅) qui puisse prendre en compte la performance globale de différents types de tâches et les contraintes des capacités de détection radar, afin que le schéma de planification des ressources puisse atteindre les meilleures performances globales dans le cadre de plusieurs -la relation de compétition entre les ressources et les tâches, est devenue le sujet de recherche sur la planification des ressources.

 3.2.7 Processus de suivi cognitif de la structure en boucle fermée

Si le module de planification des ressources du système radar est introduit dans le cadre du mécanisme de coordination multi-radar de cognition en boucle fermée, la cible de suivi a priori

En tant que retour de la cognition environnementale, un mode de planification des ressources du système coopératif multi-radar orienté vers le suivi cognitif est formé. Le flux de traitement de ce mode est illustré à la figure 10. Le processus global comprend principalement trois modules : la prédiction des performances de suivi, la planification des ressources système et le traitement du signal de suivi par fusion de données, couvrant l'ensemble du processus de traitement présenté dans le contenu ci-dessus de cette section.

Figure 10. Flux de traitement en boucle fermée du suivi cognitif radar basé sur la planification des ressources

4. Avancées dans les algorithmes de planification des ressources pour le suivi cognitif coopératif multi-radar

Le suivi cognitif est l'une des tâches typiques effectuées par la détection coopérative multi-radar, et l'allocation dynamique optimale des ressources de détection fournit une garantie de mécanisme pour l'amélioration des performances de suivi cognitif du point de vue du contrôle et de la planification du système [25]. Combinés au flux de traitement en boucle fermée du suivi cognitif de la figure 10, les travaux actuels dans ce domaine impliquent principalement les trois aspects suivants :

• (1) Attributs du nœud radar et éléments de ressources planifiables : les attributs et capacités du nœud radar déterminent les types d'éléments de ressources planifiables. Les éléments de ressource correspondent aux paramètres d'optimisation du modèle de planification de ressources et aux résultats de configuration de ressources de système de sortie ultérieurs.

• (2) Architecture de suivi de fusion de données et prédiction des performances de suivi : L'architecture de fusion de données et de suivi détermine la complexité informatique et les performances de suivi collaboratif de la transmission de données multi-radar. De même, l’élaboration de prédicteurs de performances pour le suivi collaboratif doit également prendre en compte l’impact des architectures de suivi par fusion de données.

• (3) Modèle et solution du problème d'optimisation de la planification des ressources : la solution optimale du problème d'optimisation de la planification des ressources correspond au schéma d'ajustement optimal des ressources de transmission pour le système de détection coopératif multi-radar à l'instant suivant. Cependant, en raison de la complexité de l'environnement de détection, des objets cibles et du système radar lui-même, il est souvent compliqué d'établir un modèle d'optimisation qui s'adapte autant que possible à la situation de détection réelle. De plus, le système de détection coopératif multi-radar présente un degré élevé de liberté d'éléments de ressources et de nombreuses contraintes, et le problème d'optimisation qui en résulte est souvent non convexe et NP-difficile, il est donc souvent difficile de le résoudre.

Les trois aspects ci-dessus sont les principaux facteurs affectant les performances globales du type de paramètre de ressource, du mode de traitement de l'information et des résultats de planification de la technologie de planification des ressources de suivi cognitif. Dans la section 4, sur la base des trois aspects ci-dessus, du point de vue des cinq perspectives des attributs et éléments de ressources des nœuds radar collaboratifs, de l'architecture et des méthodes de fusion d'informations multi-radar, des indicateurs de performance de suivi et de prévision des cibles, des critères et modèles de planification des ressources et des scénarios de tâches complexes. , suivi cognitif et Les travaux de recherche sur l'ordonnancement des ressources sont systématiquement triés et résumés.

Du point de vue du développement technologique, la technologie de planification des ressources de suivi cognitif mono/multi-radar se développe ensemble. Le modèle esclave de la technologie de planification de ressources radar unique constitue la base du modèle de planification coopérative multi-radar. Par conséquent, dans l’enquête de suivi sur les progrès du suivi cognitif coopératif multi-radar dans cet article, un travail représentatif de planification des ressources sur un seul radar sera intercalé.

4.1    Avancées dans les algorithmes de planification des ressources sous différents attributs radar et éléments de ressources

Les attributs du radar couvrent plusieurs dimensions telles que le système de fonctionnement des nœuds radar, les paramètres du système et les objectifs de la mission. L'élément de ressource est l'ensemble spécifique de variables de ressources contrôlables (telles que la puissance, le temps de séjour, le pointage du faisceau, le commutateur de nœud, etc.) du système radar et ses contraintes.

 4.1.1 Propriétés des radars

La recherche sur la planification des ressources radar a donné lieu au développement de divers systèmes de radar, du radar à balayage mécanique traditionnel au radar multiéléments et au radar MIMO. Pour un radar à balayage mécanique, étant donné que ses paramètres de transmission tels que le débit de données et le pointage du faisceau fonctionnent en mode fixe, le degré de liberté des ressources planifiables est faible. Par conséquent, la recherche sur la planification des ressources de suivi cognitif s’adresse actuellement principalement aux systèmes radar offrant un degré de liberté de contrôle plus élevé, tels que les systèmes multiéléments et MIMO.

(1) Radar multiéléments

Le système radar à réseau multiéléments peut réaliser le balayage spatial du faisceau en changeant la phase du réseau, et le pointage du faisceau, le temps de séjour, le temps de visite de retour, la bande passante, la puissance, la forme d'onde et d'autres ressources des nœuds peuvent être ajustés en temps réel. . En 2017, Wang Xiangli et ses collègues [36] de l'Université des sciences et technologies électroniques de Chine ont proposé une stratégie de planification commune pour le pointage du faisceau radar à réseau multiéléments et le temps de séjour, qui minimise la consommation de ressources pour le temps de suivi tout en répondant aux exigences prédéfinies de précision du suivi. La même année, Yan et ses collègues [37] de l'Université de Xidian [37] ont proposé un algorithme coopératif d'attribution de cibles de suivi et d'attribution de temps de séjour par radar multiéléments basé sur l'application d'une défense antimissile en réseau. Par la suite, l’algorithme a également été étendu aux scénarios de recherche de cible et de tâches de suivi [38]. En 2021, l'Université d'aéronautique et d'astronautique de Nanjing, Shi et ses collègues [39] ont proposé une stratégie conjointe d'allocation de cibles et d'optimisation des ressources, qui a réalisé l'optimisation conjointe de plusieurs variables de ressources pour le pointage du faisceau radar, le temps de revisite, la bande passante de travail et le temps de séjour.

Les travaux ci-dessus se concentrent sur l'optimisation et l'ajustement des ressources radiofréquences des radars.En 2021, Yuan et ses collègues [40] de l'Université des sciences et technologies électroniques de Chine ont examiné conjointement l'optimisation des ressources radiofréquences et la disposition des tâches des réseaux multiéléments. radar et a proposé la stratégie d'allocation conjointe de la séquence de suivi et du temps de séjour multi-cibles. En plus du travail de planification des ressources pour les tâches de suivi de cible mentionné ci-dessus, le travail de planification des ressources pour les radars multiéléments a également été étendu à des scénarios tels que les contre-mesures électroniques [41, 42] et l'intégration des communications sensorielles [43].

(2) Radar MIMO

Selon les différentes configurations d'éléments du réseau, les radars MIMO peuvent généralement être divisés en deux types : les radars MIMO centralisés (C-MIMO) [44] et les radars MIMO distribués (D-MIMO) [16]. Plusieurs éléments du réseau du radar C-MIMO sont placés à proximité les uns des autres et peuvent transmettre des formes d'onde orthogonales ou non orthogonales en même temps, et synthétiser plusieurs faisceaux azimutaux pour effectuer indépendamment plusieurs tâches de détection [44]. Par rapport au radar multiéléments, C-MIMO peut obtenir pleinement un gain de diversité de forme d'onde et améliorer les performances d'estimation des paramètres. En 2015, Yan et ses collègues [45-47] ont pris les devants en établissant l'allocation conjointe de la puissance et de la direction de plusieurs faisceaux de transmission du radar C-MIMO, et ont réalisé l'optimisation dynamique des ressources des tâches de suivi multi-cibles de l'impact des vagues. En 2018, Cheng et ses collègues [48] de l'Université des sciences et technologies électroniques de Chine ont proposé une méthode de gestion adaptative des ressources de suivi, qui a amélioré la précision du suivi des cibles en configurant le nombre de sous-réseaux radar, les cibles irradiées et les formes d'onde de transmission.

Par rapport au radar C-MIMO mentionné ci-dessus, le D-MIMO peut obtenir pleinement le gain de détection de la diversité spatiale en ouvrant le réseau d'antennes de réception et d'émission dans l'espace. De même, des chercheurs nationaux et étrangers ont également mené des recherches sur les méthodes de planification des ressources autour du suivi cognitif du radar D-MIMO, notamment : la bande passante de transmission [49,50], le faisceau de transmission et la forme d'onde [51,52], l'allocation de puissance [53 ,54] , la sélection d'antenne d'émission et de réception [55], l'optimisation du faisceau de réception [56] et l'optimisation dynamique d'autres ressources. Par exemple, en 2015, Chen et ses collègues [53] de l'Université nationale de technologie de la défense ont utilisé l'optimisation de jeux coopératifs pour réaliser la planification de la puissance de transmission du radar MIMO distribué et améliorer la précision du suivi des cibles. En 2016, Yan et ses collègues [45] ont étendu la méthode conjointe de pointage de faisceau et d'allocation de puissance d'émission proposée précédemment pour les radars MIMO centralisés à un système radar MIMO centralisé en réseau basé sur une architecture de fusion centralisée. En 2020, Liu et ses collègues [57] de l’Académie des sciences militaires ont finalisé l’allocation optimale du temps de séjour pour les radars MIMO distribués en réseau.

Le radar multiéléments et le radar MIMO ont attiré une grande attention dans le domaine du suivi cognitif en raison de leur grande liberté de ressources et de leur configuration flexible des paramètres. Parmi eux, par rapport au radar multiéléments, le radar MIMO présente également une diversité de transmission de forme d'onde plus élevée et le degré de liberté des ressources planifiables est encore amélioré. En général, la planification des ressources de suivi cognitif est plus propice à la réalisation de systèmes radar à haut degré de liberté et multifonctionnels représentés par le MIMO et le radar à commande de phase.

 4.1.2 Éléments de ressources

Les travaux existants de planification des ressources se sont concentrés sur la bande de fréquence radar [58-60], la bande passante [61-63], la forme d'onde [64,65], la puissance d'émission [45,66-68], la synthèse de modèles [51,52], la recherche sur divers éléments de ressources du système tels que le temps de séjour du faisceau [40, 69–71], la période de retraçage [72], le commutateur de nœud [73–75], la position du nœud [76], etc. Selon le degré d'ajustement en temps réel des éléments de ressources, cet article les divise en ressources de détection sensibles au temps et non sensibles au temps.

(1) Ressources urgentes

Les ressources sensibles au temps font référence aux types de ressources système qui peuvent être rapidement contrôlées et ajustées en fonction des instructions de planification, telles que la puissance d'émission du radar, le temps de séjour du faisceau, le commutateur de nœud, l'optimisation des éléments du réseau, la configuration du faisceau, les paramètres de forme d'onde, etc.

En ce qui concerne l'état actuel de la recherche, la plupart des travaux de recherche sur le suivi cognitif sont menés autour de la planification optimale des ressources sensibles au temps. Par exemple, en 2012, Chavali et al. [77] de l’Université de Washington ont proposé une stratégie adaptative d’allocation de puissance pour le suivi multi-cibles, qui a réalisé l’ajustement dynamique de la puissance de transmission cognitive du radar. En 2014, Sun et ses collègues [78] de l'Université nationale de technologie de la défense se sont penchés sur le problème de positionnement du radar MIMO et ont amélioré la précision du positionnement en optimisant la puissance du nœud.

En plus de la simple optimisation de la puissance de transmission, certains travaux combinent également les ressources de puissance de transmission avec des éléments de ressources tels que le pointage de faisceau [23,79], le commutateur de nœud [75,80], la bande passante [81], la sélection de sous-réseau [82,83] , etc. Planification optimisée de ressources complètes multi-types. Par exemple, en 2014, Ma et ses collègues [84] de l'Université nationale de technologie de la défense ont mis en œuvre une optimisation conjointe de la sélection des sous-réseaux d'antennes radar et de la puissance d'émission pour les scénarios de positionnement de cibles du réseau radar MIMO. La même année, Katsilieris et ses collègues [85] de l'Université de technologie de Delft ont pris la menace minimale de la cible suivie comme objectif d'optimisation et ont réalisé la sélection optimale des nœuds de capteurs. En 2022, Shi et ses collègues [86] se sont penchés sur le problème de la gestion des ressources de transmission du réseau de radars multiéléments distribués, ont réparti conjointement la puissance, le temps de séjour, la bande passante de la forme d'onde et la longueur d'impulsion de chaque radar, et ont considérablement amélioré le LPI et la cible. performances de détection du radar. En 2023, Jin et ses collègues [87] de l'Université des sciences et technologies du Jiangsu ont utilisé la méthode de la théorie algorithmique des jeux pour réaliser l'allocation optimale conjointe de la puissance de transmission et de la bande passante du réseau de radars cognitifs distribués.

Une autre tendance de recherche consiste à affiner davantage les ressources de contrôle depuis le niveau du nœud radar et le niveau du faisceau jusqu'au niveau des éléments du réseau, et à réaliser la gestion du niveau radar et du niveau du faisceau. La granularité du modèle de gestion des ressources au niveau des éléments est plus détaillée que celle de la gestion au niveau du radar et du faisceau, et le modèle de signal établi est plus précis, mais le prix est que les problèmes mathématiques de gestion optimale sont souvent plus compliqués que cela. du niveau du faisceau. Par exemple, en 2021, Sun et ses collègues [52] de l'Université de Xidian ont mené une conception et un contrôle en ligne de la matrice de corrélation de forme d'onde de transmission de chaque élément du réseau du radar C-MIMO et ont optimisé le modèle de transmission. La même année, Ren et ses collègues [51] de l'Université des sciences et technologies électroniques de Chine ont étudié la méthode de planification des ressources de suivi cognitif du degré de liberté au niveau des éléments du réseau pour les radars de réseau sans fil.

(2) Ressources non urgentes

Par rapport aux ressources sensibles au facteur temps qui peuvent être ajustées en temps réel, les ressources non sensibles au facteur temps ont un cycle d'ajustement plus long et ne peuvent pas réaliser de changements importants en peu de temps. Les ressources typiques non sensibles au temps incluent l'emplacement des nœuds radar, l'organisation et l'architecture du réseau de connexion des nœuds, etc.

A l'heure actuelle, les travaux de recherche sur l'ordonnancement des moyens de détection non sensibles au temps portent principalement sur l'optimisation de la position de la plateforme mobile du système radar. Par exemple, Meng Ling et ses collègues [88] ont proposé un schéma d'optimisation de la trajectoire de vol pour un radar aéroporté à réseau phasé, qui optimise conjointement et dynamiquement la trajectoire de vol de la plate-forme. Visant les tâches de surveillance et de recherche multi-radar, Tang et ses collègues [89] ont proposé un schéma de planification de trajectoire pour améliorer les performances de détection de cibles des radars dans les zones de surveillance clés.

Si la trajectoire de vol de la plate-forme aéroportée et les ressources de détection sensibles au temps sont planifiées conjointement, les performances de détection du système radar peuvent être encore améliorées. Par exemple, Lu et ses collègues [90] ont proposé un algorithme de conception d'optimisation conjointe pour les trajectoires de vol des radars aéroportés et les ressources de puissance d'émission dans des scénarios de suivi multi-cibles, ce qui a amélioré efficacement les performances du suivi des cibles radar aéroportées. Yan Junkun et ses collègues [91] ont étudié l'optimisation coopérative des pistes radar multi-avions dans des environnements dynamiques complexes afin d'améliorer les performances de couverture dynamique dans les zones dynamiques. En outre, les recherches connexes impliquent également la planification de trajectoire de plates-formes multi-UAV [92], l'optimisation du cap de la plate-forme aéroportée [93], l'optimisation de la vitesse et du taux de changement d'attitude [94], etc.

En plus du problème de planification en temps réel de la position du radar à plate-forme mobile mentionné ci-dessus, un autre cas typique de problème de planification des ressources de détection non sensible au temps est l'optimisation topologique de la disposition des stations radar au sol. En 2017, Yi et ses collègues [95] de l'Université de Wuhan ont établi un modèle d'optimisation combiné pour le déploiement conjoint d'antennes d'émetteur-récepteur radar D-MIMO tout en tenant compte des performances de détection et de la précision du positionnement du système. En 2021, Liang et ses collègues [96] de la Northwestern Polytechnical University ont étudié la méthode optimale de déploiement de nœuds lorsque la zone de déploiement est limitée pour le problème de positionnement de radars distribués dans des zones bidimensionnelles. En 2022, Wang et ses collègues [97] de l'Université des sciences et technologies électroniques de Chine ont étudié le schéma d'optimisation de la localisation des nœuds radar basé sur les performances de détection et la précision du positionnement, en tenant compte de l'importance des différentes régions. La même année, l'Université d'ingénierie de l'Air Force Qi et ses collègues [98] ont proposé une stratégie de déploiement conjoint d'antennes et d'allocation de puissance pour améliorer les performances de détection des cibles radar D-MIMO.

Outre l'optimisation mentionnée ci-dessus des ressources de position radar, un autre élément de ressource important non sensible au temps est l'organisation et l'architecture du réseau de connexion des nœuds radar, mais les travaux de recherche connexes en sont encore à leurs balbutiements. En 2020, Yang et ses collègues [99] de l'Université des sciences et technologies électroniques de Chine ont proposé un schéma d'optimisation des relations entre le centre de fusion radar et l'organisation des nœuds, basé sur une architecture de fusion à plusieurs niveaux de signaux et d'informations pour une surveillance collaborative multi-radar. tâches de surveillance dans des domaines à des degrés divers.

En général, une grande partie des travaux de recherche existants se concentrent principalement sur la planification des ressources sensibles au temps. D'une part, avec le développement des systèmes radar aéroportés, embarqués et sur plate-forme UAV, une tendance importante de ces dernières années consiste à combiner des ressources sensibles au temps et des ressources non sensibles au temps pour une optimisation conjointe. D’autre part, afin d’explorer davantage le degré de liberté de planification des ressources et ainsi maximiser les performances de détection, une autre tendance actuelle importante consiste à réduire la planification des ressources au contrôle d’optimisation des paramètres radar de niveau inférieur. Par exemple, la gestion des ressources au niveau des éléments est réalisée en considérant l'impact du processus de formation de faisceau sur les performances de détection [51,52].

4.2   Progrès des algorithmes de planification des ressources sous différentes architectures de fusion d'informations de suivi

Dans l'application du suivi cognitif multi-radar, la fusion nécessaire des informations de détection doit être complétée entre les nœuds radar pour améliorer les performances du suivi de fusion. L'architecture de fusion correspondante comprend également la fusion centralisée et distribuée susmentionnée.

 4.2.1 Architecture centralisée

Visant le problème de planification des ressources de suivi cognitif dans le cadre de l'architecture de fusion centralisée, Hernandez et al. [100] ont dérivé un PCRLB de suivi centralisé sous l'influence de l'incertitude et du fouillis de l'emplacement des capteurs, et ont proposé une sélection de nœuds multi-capteurs et une méthode de déploiement optimale. Chavali et al.[77] ont limité le nombre de nœuds radar travaillant en même temps pour réduire le coût de communication élevé du réseau de radars dans le cadre d'une fusion centralisée, et ont proposé une méthode de sélection optimale et d'allocation de puissance multi-nœuds radar. Au niveau national, de nombreux algorithmes de planification des ressources de suivi cognitif ont été proposés pour les radars multiéléments et les radars MIMO dans le cadre d'une architecture centralisée afin d'améliorer la précision du suivi des cibles [45, 101] ou de réduire la consommation de ressources [49].

Le travail ci-dessus considère principalement la méthode de fusion d'informations après la détection du seuil radar, et il est supposé que le temps des données des nœuds radar est synchronisé et que les propriétés des nœuds radar sont les mêmes. En 2018, Xie et ses collègues [56] de l'Université des sciences et technologies électroniques de Chine ont examiné plus en détail l'architecture de fusion au niveau du signal dans laquelle les nœuds radar transmettent directement les échos en bande de base et ont finalisé la planification des ressources pour le suivi cognitif. Yan et ses collègues [102] ont proposé une méthode d'allocation optimale conjointe du seuil de détection de cible radar et de la puissance d'émission pour le problème commun de détection et de suivi de cible d'un réseau multi-radar asynchrone dans le temps. Des travaux ultérieurs ont également étendu le travail de planification des ressources du suivi cognitif à divers réseaux de radars à architecture centralisée hétérogènes et asynchrones dans le temps [103,104].

 4.2.2 Architecture distribuée

En se concentrant sur les problèmes de suivi cognitif et de planification des ressources dans le cadre de l'architecture de fusion distribuée, Mohammadi et ses collègues [105] de l'Université Concordia ont dérivé le PCRLB de suivi distribué correspondant pour l'architecture de fusion par consensus et ont proposé un ensemble de méthodes de sélection de nœuds de capteurs distribués [74]. . Visant également l'architecture de fusion consensuelle, l'Université des sciences et technologies de Hong Kong, Chen et al. [106], ont réalisé la planification décentralisée des ressources dans le cadre de la tâche de positionnement collaboratif du réseau de capteurs via l'algorithme de la théorie des jeux. Xie et ses collègues [80] ont proposé un algorithme de planification des ressources radar basé sur une architecture de fusion de filtres à particules décentralisée pour les réseaux de radars distribués. Lu et al.[107] ont proposé une solution décentralisée au problème de planification des ressources pour les réseaux radar C-MIMO décentralisés. Pour le système radar C-MIMO en réseau à architecture distribuée, Yi et ses collègues [23] ont dérivé l'indice de performance de suivi basé sur le critère de fusion croisée de covariance et ont proposé un algorithme de planification des ressources à échelle variable basé sur le critère de QoS, qui peut répondre à les exigences de précision du suivi de la cible Plusieurs ressources de détection radar C-MIMO sont allouées de manière intégrée avec l'importance des tâches de détection. Jiang et al. [108] ont proposé un problème d'optimisation de l'architecture de réseau prenant en compte le coût de sélection du nœud radar et le coût de transmission de l'information pour un radar de réseau à architecture de fusion distribuée en couches. Deligiannis et ses collègues [109] de l'Université de Loughborough ont utilisé la théorie des jeux pour réaliser l'allocation de puissance des nœuds radar pour les systèmes radar MIMO distribués.

D'une manière générale, la plupart des recherches actuelles sur la planification des ressources de suivi cognitif se concentrent sur l'architecture de fusion centralisée, car l'architecture de fusion centralisée peut théoriquement obtenir des performances de suivi de fusion optimales. D'autre part, l'architecture de fusion distribuée ne nécessite pas de nœuds de fusion centraux et a de faibles exigences en matière de transmission d'informations. Elle est particulièrement adaptée aux scénarios de détection coopérative non centrale basés sur des réseaux de transmission sans fil, tels que la détection coopérative d'essaims d'UAV et de chasseurs. formations Par conséquent, la recherche ces dernières années a également progressivement augmenté. Une tendance de recherche ultérieure consiste à combiner l'architecture de fusion avec le processus de communication et de transmission des données radar, et à envisager des scénarios de suivi de fusion qui sont plus proches de conditions réalistes telles qu'une bande passante de transmission limitée [110-113]. Par exemple, Zuo et ses collègues de l'Université de Xidian [113] ont étudié la gestion des ressources en cas de perte de paquets lors de la transmission de données.

4.3    Progrès des algorithmes de planification des ressources selon différents indicateurs de performance de suivi des cibles

La construction précise d'une fonction capable de représenter ou de prédire la relation de mappage entre les ressources système et les performances de suivi des cibles est une condition préalable à une planification efficace des ressources. En se concentrant sur les exigences de modélisation des indicateurs de performance de suivi de cible, Shen et ses collègues [75] de l'Université du Sichuan ont utilisé la matrice de gain d'informations liée au filtre de Kalman pour réaliser la prédiction des performances de suivi et ont proposé une méthode de sélection de nœuds pour les réseaux de capteurs à grande échelle. Shi et ses collègues [30] ont réalisé la planification des ressources de puissance de transmission en utilisant des informations mutuelles. Mais en ce qui concerne la situation actuelle de la recherche, la plupart des indicateurs de performance du travail de planification des ressources de suivi cognitif sont toujours basés sur le PCRLB. Cet indice est utilisé comme limite inférieure statistique théorique de l'erreur de l'estimateur sans biais dans le problème de filtrage bayésien séquentiel. Dans la plupart des cas, il peut mieux prédire l'erreur de suivi de la cible, il est donc largement utilisé dans divers problèmes de gestion des ressources de suivi de cible [114, 115].

L’une des principales tendances des travaux de recherche actuels liés au PCRLB est de les étendre à des scénarios d’application plus complexes. Pour le problème de suivi de cible dans les scénarios de fouillis, Hernandez et al. [100] ont dérivé le PCRLB (IRF-PCRLB) basé sur le facteur de dégradation des informations correspondant, qui a ensuite été appliqué au problème de planification des ressources dans les scénarios de fouillis [116, 117]. Pour les scénarios de détection non idéaux avec une probabilité de détection inférieure à 1, Farina et ses collègues [118] ont dérivé un PCRLB basé sur l'énumération en faisant la moyenne des cas de détection/manquants possibles sur tous les cycles de suivi d'un radar monostatique.

En outre, une autre tendance majeure dans ce domaine de recherche est de dériver des expressions théoriques PCRLB plus précises à partir de principes mathématiques. Dans le calcul PCRLB traditionnel, les informations de mesure ne sont pas utilisées directement, mais indirectement dans le processus de calcul de la valeur moyenne estimée de l'état. Par conséquent, il y a généralement une perte de calcul des informations de mesure, ce qui rend PCRLB incapable d'approcher avec précision la valeur inférieure. limite de l'erreur de suivi. À cet égard, Zuo et al. [119] de l'Université de Syracuse ont proposé un PCRLB conditionnel (C-PCRLB) : en prenant la moyenne conditionnelle de la mesure cible, une partie des informations de mesure peut être préservée dans le processus de calcul, puis est appliqué au problème de planification des ressources de suivi cognitif [120].

Les recherches ci-dessus se concentrent principalement sur le problème du suivi de cible à un seul radar/capteur unique. Sur cette base, le suivi de cible multi-radar/multi-capteur PCRLB et sa planification des ressources de suivi cognitif ont également reçu une attention considérable [26,110]. Les documents [100, 101] sont les premiers à donner la fusion centralisée IRF-PCRLB dans la scène du fouillis, et l'expression PCRLB de fusion distribuée [34] apparaît également. Pour les environnements de détection non idéaux, l'Université des sciences et technologies électroniques de Chine, Sun et al. [121, 122], ont dérivé le PCRLB basé sur l'énumération et ont réalisé une planification optimale des ressources radar multi-stations. La littérature [105,123] a présenté la fusion distribuée du C-PCRLB, puis l'a appliquée aux problèmes de suivi multi-cibles et de pointage de faisceaux multi-radar et de planification de puissance [74].

À l’heure actuelle, la modélisation des indicateurs de performance du suivi cognitif s’effectue principalement autour du PCRLB. L’essentiel des travaux de recherche est consacré à l’extension du PCRLB à des scénarios de suivi réels (tels que les scénarios de fouillis, les scénarios de détection imparfaite) ou du point de vue de la théorie mathématique. une expression plus précise est dérivée pour obtenir une prédiction/évaluation de performances de suivi plus précise, améliorant ainsi les performances de son algorithme de planification de ressources de scène correspondant.

4.4    Progrès des algorithmes de planification des ressources selon différents critères d'optimisation

Comme discuté dans la section 3.2.5, l’essence du problème de planification coopérative de ressources multi-radar est d’établir un problème d’optimisation mathématique avec l’élément de ressource Θk comme variable, et d’obtenir le meilleur schéma d’allocation d’élément de ressource Θk par le biais d’un calcul mathématique. L'expression spécifique de la fonction objectif d'optimisation f(⋅) doit ici être conçue selon les critères et le modèle de planification pour répondre aux exigences de scénarios de tâches de suivi diversifiés.

 4.4.1 Critères optimaux pour l'exécution des tâches

Sous le critère de performance optimale, l'objectif d'optimisation dans la formule du problème d'optimisation (11)

sera modélisé comme une fonction liée à l’erreur de suivi pour minimiser l’erreur de suivi en allouant de manière optimale les ressources Θk.

(1) Scène de suivi d'une cible unique

L'optimisation de la fonction objectif pour le suivi d'un objet unique est relativement simple. À ce stade, l'objectif d'optimisation de la formule (11) peut être simplifié comme suit :

. La littérature [124] sera

Défini comme la trace de la matrice PCRLB dans la formule (10) 

, pour représenter l'erreur cumulée de suivi de la position de la cible et de l'estimation de la vitesse. La littérature [125]

Défini comme la somme des éléments diagonaux correspondant à l’erreur d’estimation de position de la matrice PCRLB de suivi de cible, il est utilisé pour représenter l’erreur d’estimation de position de cible de suivi. De plus, la fonction objectif d'optimisation peut également être définie comme le déterminant de PCRLB, la somme pondérée des éléments diagonaux [31], etc. En plus du PCRLB, les opérations similaires mentionnées ci-dessus peuvent également être effectuées sur les informations mutuelles de suivi et la matrice de covariance de prédiction dans le filtrage de Kalman [29] pour réaliser la prédiction et l'évaluation de l'erreur de suivi.

(2) Scène de suivi multi-cibles

Contrairement au suivi d'une seule cible, dans les tâches de suivi multi-cibles, il existe une compétition de ressources entre les tâches, et l'amélioration des performances d'une seule tâche doit consommer plus de ressources. Dans le cas de ressources de transmission radar limitées, cela conduira inévitablement à des performances dégradation des autres tâches. Par conséquent, le processus de conception de fonctions objectives adaptées aux scénarios de suivi multi-cibles est plus compliqué.

Comme le montre la figure 11, étant donné qu'il y a des cibles 1, 2 et 3 dans la zone de surveillance du radar de près à loin, la figure montre trois résultats d'estimation des paramètres de suivi différents [79]. Figure 11(a) : Précision d'estimation des paramètres plus élevée pour les cibles 1 et 2 dans les zones proches et médianes, mais précision d'estimation plus faible pour la cible 3 dans la zone éloignée ; Figure 11(b) : Précision d'estimation des paramètres plus élevée pour les cibles 2 et 3 dans les zones médianes et éloignées Précision de l'estimation, faible précision d'estimation pour la cible 1 dans la zone proche ; Figure 11(c) : 3 types de cibles ont une précision d'estimation approximative des paramètres, qui se situe entre la meilleure et la pire précision dans les deux premiers résultats.

Fig. 11 Résultats de l'estimation de trois états cibles possibles [126]

Dans les résultats ci-dessus, les erreurs d'estimation des différentes cibles ont leurs propres avantages et inconvénients, et il est difficile de définir de manière absolue lequel des trois types de résultats de suivi est meilleur ou pire. Par conséquent, l’évaluation de la performance globale globale du suivi multi-objets et la conception de la fonction objectif correspondante restent un problème complexe et ouvert. Les méthodes actuellement couramment utilisées comprennent :

A) Critère de somme pondérée : Pour le problème de conception de fonction objectif optimale dans des scénarios de suivi multi-cibles, un moyen simple et intuitif consiste à minimiser la somme pondérée de toutes les erreurs d'estimation de cible [127] :

   (13)    

Parmi eux, le poids d'importance de ρq cible q,

représente la fonction d'erreur de paire

L'opération de scalarisation de , comme prendre la trace de PCRLB. Dans la méthode de la somme pondérée, la manière de déterminer le poids des différents objectifs n’est pas encore claire.

B) Critère MinMax : La fonction objectif globale basée sur le critère MinMax vise à minimiser l'erreur d'estimation de la cible avec les pires performances de suivi parmi plusieurs cibles [40, 45, 80, 116], et la fonction objectif correspondante peut être exprimée comme

   (14)    

Dans le problème d'optimisation basé sur MinMax, le résultat final de l'optimisation fera converger l'erreur de chaque cible vers un niveau relativement cohérent en allouant les ressources de lancement à la cible ayant les pires performances.

De manière générale, même si le critère de somme pondérée ou le critère MinMax peuvent permettre de décrire les performances d'un suivi multi-cibles, ces deux critères présentent encore de grandes limites. Par exemple, pour le critère MinMax, son objectif d'optimisation est de faire converger les erreurs de suivi de toutes les cibles suivies, mais cela ignore les différences entre les cibles, comme l'importance des différentes tâches de suivi, les exigences de précision du suivi, etc.

(3) Fonction objectif globale basée sur le modèle QoS

Afin de trouver une fonction objectif globale plus descriptive et adaptée aux tâches de suivi multi-cibles, la littérature [79] propose de considérer simultanément les deux aspects suivants :

La première est que la conception de la fonction objectif doit être combinée avec la capacité du système radar lui-même : par exemple, pour le même système radar, la capacité de résolution angulaire est souvent fixe. Ensuite, même dans les conditions du même rapport signal/bruit cible, l'erreur de position de suivi de la cible de la zone lointaine sera beaucoup plus élevée que celle de la cible de la zone proche. À ce stade, si le critère MinMax est utilisé pour l'optimisation des ressources, afin de maintenir les performances de suivi de toutes les cibles au même niveau, le système utilisera la plupart des ressources pour suivre les cibles de la zone éloignée, tandis que seulement une petite quantité de des ressources seront allouées aux cibles dans la zone proche, ce qui fait que la précision de son suivi ne peut être garantie. Cependant, la situation réelle est souvent que le niveau de tâche de la cible dans la zone proche est élevé et que les exigences en matière de précision de suivi sont également plus élevées.

Deuxièmement, la conception de la fonction objectif doit se concentrer sur la performance globale des tâches de suivi multi-cibles et la différenciation des tâches cibles : dans les tâches de suivi réelles, le radar évaluera la menace et l'importance en fonction du type et de l'état de la cible. La conception de la fonction objectif doit prendre en compte la différenciation de la cible, sans intentionnellement maintenir la même précision de suivi de toutes les cibles. Par exemple, pour une cible à haut risque située dans une zone proche, les exigences en matière de précision de suivi devraient être bien supérieures à celles d’une cible à faible menace située dans une zone éloignée.

Afin de répondre aux exigences de tâches diversifiées apportées par des scénarios d'application complexes, Yuan et al. [79] ont proposé un schéma de conception de fonctions objectives globales basé sur le modèle QoS. Dans des études ultérieures, la fonction objectif globale basée sur le modèle QoS a été progressivement affinée [20, 60, 128, 129]. L'idée de base du modèle QoS est de décrire plusieurs objectifs différenciés à travers différentes fonctions utilitaires de tâches, et les expressions mathématiques correspondantes sont les suivantes :

   (15)    

Parmi eux, le poids d'importance ϖq, la fonction de qualité Mq(⋅) et la fonction d'utilité ϕq(⋅) sont utilisés pour représenter le poids d'une seule tâche de suivi q dans toutes les tâches, le niveau de performance attendu et l'utilité globale de la tâche. dans le cadre de l'exécution de tâches spécifiques. Ces trois paramètres du modèle QoS améliorent le degré de liberté et la capacité de description de la fonction objectif globale, et peuvent être conçus selon différentes tâches et critères d'optimisation.

Visant le critère de suivi de performance optimal, la littérature [23] a proposé un schéma de conception de fonction objectif globale basé sur une fonction d'utilité exponentielle, qui a réalisé l'optimisation conjointe du pointage du faisceau et de la puissance d'émission. Le problème d'optimisation est le suivant :

   (16)    

Parmi elles, les contraintes 1 à 3 correspondent aux contraintes de la quantité totale et de la puissance des faisceaux radar dans la formule (2). dans la contrainte 4

Indique que le bème faisceau de poursuite du nœud radar n pointe vers la cible q. La contrainte 5 représente la contrainte de pointage du faisceau, c'est-à-dire qu'un radar ne peut pas émettre plusieurs faisceaux pour pointer vers la même cible en même temps. L’ensemble du paramètre de ressource du système Θk comprend deux dimensions de pointage du faisceau Uk et de puissance d’émission :

,dans,

est l'ensemble des points de faisceau pour tous les radars,

Puissance d'émission globale pour tous les radars. On peut voir que les performances de suivi du modèle QoS pour chaque cible

(PCRLB de l'erreur cible) définissent tous une exigence de précision attendue

, la valeur de la fonction objectif dans son ensemble varie de façon exponentielle avec la différence entre la précision et l'exigence.

La figure 12 montre le scénario de suivi de cible dans [23] : 3 radars suivent en coopération 4 cibles. Selon la distance du radar MIMO en réseau, la zone de détection est divisée en 3 parties de près à loin, et le suivi attendu correspondant est plus proche. la précision, mieux c'est. Sur la base du scénario ci-dessus, la figure 13 montre les différents poids d'importance ϖq et les exigences de performances de suivi des modèles MinMax et QoS.

Les résultats de suivi suivants sont comparés, où RMSE-Target i et BCRLB Target i représentent respectivement l'erreur quadratique moyenne et le PCRLB de l'estimation de l'état de la cible i. L'abscisse k représente le kème moment de suivi et le seuil est l'exigence de performance de suivi correspondante. Voir le tableau 1 pour le réglage des différents paramètres de simulation dans le modèle QoS. On peut constater que le modèle QoS peut réaliser un ajustement différentiel de la précision du suivi pour répondre aux besoins de diverses tâches dans des scénarios complexes. La figure 14 montre les résultats de planification des ressources correspondant aux quatre scénarios de la figure 13, y compris les changements dans la direction du faisceau radar et les résultats d'allocation de puissance de transmission au fil du temps. On peut voir que l’essence du modèle QoS pour contrôler dynamiquement les performances du suivi des cibles est d’attribuer différents poids d’importance ϖq et exigences de performance des tâches à chaque cible.

et d'autres paramètres pour obtenir différentes configurations de puissance de transmission radar et de ressources de pointage de faisceau, produisant ainsi des résultats de suivi multi-cibles différenciés.

Figure 12 Scénario de suivi multi-cibles par radar MIMO en réseau[23]

Figure 13 Comparaison des performances de suivi multi-cibles sous les modèles MinMax et QoS[23]

Figure 14 Comparaison des résultats d'allocation de ressources sous les modèles MinMax et QoS (puissance de transmission normalisée)[23]

Tableau 1 Trois réglages de paramètres différents du modèle QoS dans la littérature [23]

(4) Optimisation multi-objectifs basée sur des indicateurs multi-tâches

Les travaux ci-dessus sont tous des problèmes d’optimisation à objectif unique construits sur la base d’un seul type d’indicateur de tâche. De plus, en combinant des métriques de performances de suivi cognitif avec d’autres métriques de tâches de détection, ou en construisant plusieurs métriques de performances de suivi à partir de différentes dimensions, le problème d’optimisation de planification des ressources peut être structuré comme un problème d’optimisation multi-objectifs. Par exemple, pour l'optimisation de la configuration du radar dans le cadre des tâches de surveillance et de positionnement radar, un problème d'optimisation multi-objectifs qui maximise simultanément la couverture de détection et la précision du positionnement peut être établi, et l'ensemble de solutions de configuration radar non dominé peut être trouvé en utilisant l'idée de Optimalité de Pareto [97]. Une idée similaire est également utilisée dans l’optimisation conjointe des performances des tâches de recherche et de suivi dans le mode de recherche et de suivi radar à réseau phasé (Track-and-Search, TAS) [38]. En outre, Cheng et ses collègues [48] ont proposé un problème d'optimisation à double objectif visant à minimiser simultanément l'erreur de poursuite et la consommation d'énergie du radar, qui a été réduit dimensionnellement en un problème à objectif unique par la somme pondérée de l'erreur de poursuite et de la consommation d'énergie.

 4.4.2 Directives de minimisation des ressources système

Différent du critère de performance optimale de la section 4.4.1 ci-dessus, l'objectif du critère de minimisation des ressources système est de minimiser l'utilisation des ressources système tout en respectant certains indicateurs de performance des tâches.

(1) Minimiser les ressources directes

Par exemple, un critère de suivi de minimisation des ressources couramment utilisé pour les problèmes d'optimisation mathématique consiste à suivre des cibles tout en satisfaisant des contraintes de performances prédéfinies.

Sous , la ressource totale de transmission du radar est directement minimisée, ce qui est appelé modèle de minimisation directe des ressources dans cet article. En référence à la formule (12), le problème d'optimisation correspondant à la minimisation directe des ressources peut s'écrire sous la forme

   (17)    

La fonction objectif de la minimisation directe des ressources est une combinaison convexe de ressources radar, et sa structure est simple. Lorsque la condition de contrainte est une fonction convexe, sa solution optimale peut être trouvée par un algorithme d'optimisation convexe [130]. La planification des ressources multi-radar basée sur la minimisation directe des ressources a également fait l'objet d'une grande attention ces dernières années, notamment l'allocation de puissance radar dans le cadre de tâches de positionnement de cible [131], le temps de séjour du radar dans le cadre de tâches de suivi de cible [125], l'attribution de puissance et de pointage de faisceau [132]. , et des questions telles que le partage du spectre pour les capteurs sans fil [133].

La minimisation directe des ressources peut réduire la consommation des ressources du système radar, comme les performances optimales des missions LPI, ou prolonger la durée de vie des systèmes de détection auto-alimentés tels que les réseaux de capteurs sans fil alimentés par batterie. Cependant, ce critère présente également un défaut de solution mathématique : lorsque le budget des ressources de détection radar est insuffisant, une minimisation directe des ressources peut se produire en raison du non-respect des contraintes de performances attendues.

Impossible de trouver une solution réalisable au problème.

(2) Fonction objectif globale basée sur le modèle QoS

Afin de surmonter le défaut de solution mathématique de minimisation directe des ressources, la littérature [33] a proposé un schéma de conception de fonction objectif global basé sur un modèle de QoS. Dans ce schéma, des contraintes de performance strictes sont transformées en changements dans la valeur de la fonction d'utilité dans l'objectif d'optimisation, évitant ainsi le défaut selon lequel la minimisation directe des ressources n'a pas de solution réalisable en raison de contraintes non satisfaites. Le problème d'optimisation correspondant est le suivant :

   (18)    

dans,

   

fonction

La valeur minimale de correspond au cas où la précision de suivi de cible répond tout juste à ses exigences de performances correspondantes. Sur la base de cette valeur minimale, utiliser trop de ressources ou sous-allouer des ressources entraînera une augmentation de la valeur de la fonction d'utilité.

Comme le montre la figure 15, lorsque les ressources sont suffisantes, la fonction objectif globale basée sur le modèle de QoS et le modèle de minimisation directe des ressources peut atteindre les mêmes performances de tâche (c'est-à-dire répondre aux exigences de précision de la tâche et consommer le moins de ressources de transmission). Lorsque les ressources sont insuffisantes, le modèle QoS peut fournir des schémas de planification de ressources différenciés en fonction de différentes pondérations d'importance des tâches et d'exigences de précision de suivi, évitant ainsi la situation d'absence de solution réalisable.

Figure 15 Comparaison des performances de suivi multi-cibles dans le cadre de modèles de minimisation directe des ressources et de QoS[33]

La conception globale de la fonction objectif basée sur le modèle QoS peut non seulement prendre en compte la précision du suivi de la cible, mais également prendre en compte d'autres indicateurs de performance pour le suivi des exigences des tâches. Par exemple, Yan et al. [134] ont également proposé une conception de fonction objective basée sur la capacité de la cible, visant à maximiser la précision de suivi prédéfinie.

nombre de cibles. Xiong et ses collègues de l'Université des sciences et technologies électroniques [135] ont utilisé la somme pondérée du coût de communication du réseau et de la précision du suivi pour définir la fonction objective du modèle QoS et ont réalisé l'allocation optimale des tâches de suivi multi-cibles entre plusieurs radars.

Dans le même temps, le modèle de QoS ne se limite pas au problème du suivi de cible. Visant le problème de l'optimisation du taux d'échantillonnage du radar, Irci et al. [128] de la société Havelsan ont conçu un ensemble de modèles d'indices empiriques de performances de détection radar basés sur sur la fonction d'utilité exponentielle, construit et résolu les problèmes mathématiques relatifs d'optimisation du taux d'échantillonnage pour les radars à réseau contrôlé. Visant le problème d'allocation des ressources dans le cadre de la tâche de détection radar dans un sens plus large, Charlish et al. [129] de Fraunhofer FKIE en Allemagne ont résumé le schéma général de la conception de la fonction objectif globale du modèle de QoS et ont discuté de l'application de la QoS. cadre dans le domaine de la planification cognitive des ressources radar. La situation de l'application est systématiquement résumée.

En général, les performances optimales et la minimisation des ressources incluent les critères d'optimisation utilisés dans la plupart des recherches sur la planification des ressources de suivi cognitif. Le critère de performance optimal permet d'obtenir des performances de détection élevées avec des ressources limitées, et de répondre aux besoins du système de détection coopératif pour étendre la puissance de détection et améliorer les performances de suivi de cible. Le critère de minimisation des ressources présente des avantages en termes de consommation de ressources système, de performances LPI, etc. Dans l'ensemble, différents critères d'optimisation ont leurs scénarios d'application spécifiques avantageux, et la sélection des critères d'optimisation doit pleinement tenir compte des exigences spécifiques du scénario de tâche.

4.5   Progrès des algorithmes de planification des ressources dans des scénarios de tâches complexes

Avec l'émergence de nouvelles cibles de détection et l'environnement électromagnétique de détection de plus en plus complexe, l'état de mouvement des cibles de poursuite et les caractéristiques environnementales des missions radar présentent des situations complexes et changeantes. Par conséquent, il est devenu une question frontière et difficile dans ce domaine d’envisager la planification des ressources de suivi de cible dans des scénarios de tâches complexes comprenant des cibles à basse altitude, en manœuvre, un suivi de cibles de groupe, une reconnaissance électronique et des environnements de brouillage.

 4.5.1 Modèle de mouvement de cible complexe

Actuellement, la plupart des travaux de planification des ressources de suivi cognitif simplifient les scénarios de tâches. D'une part, les travaux existants supposent généralement que la cible obéit à des modèles de mouvement réguliers tels qu'une vitesse uniforme et une accélération uniforme, et ne prennent pas en compte l'influence de facteurs tels que la maniabilité, le bruit au sol et en mer des cibles à basse altitude sur les algorithmes de planification des ressources. . D’un autre côté, dans le suivi multi-cibles, les travaux de planification des ressources existants supposent généralement que les cibles sont éloignées les unes des autres dans l’espace afin de simplifier le traitement des données de suivi. Ces hypothèses limiteront les performances des algorithmes de planification des ressources dans des scénarios d'application pratiques.

Afin de remédier aux lacunes ci-dessus, certains travaux de planification des ressources de suivi cognitif ont également commencé à partir du point de vue de la complexité du mouvement de la cible et à effectuer un suivi cognitif dans des scénarios tels que des cibles en manœuvre [136-138], des cibles à basse altitude [136-138]. 139], et groupes cibles [140,141] Recherche sur les problèmes de planification des ressources. La plupart de ces problèmes de planification des ressources conçoivent d'abord une méthode de traitement adaptatif du signal pour des scènes de mouvement complexes, puis dérivent les indicateurs de performance correspondants comme entrée du problème de planification des ressources, et enfin réalisent l'optimisation des ressources radar. Prenant comme exemple le suivi de cibles de manœuvre, en 2020, l'Université de Zaozhuang Han et ses collègues [136] ont proposé la méthode gaussienne la mieux adaptée en partant du principe que le vecteur d'état a la même moyenne et la même covariance sous différents modèles, qui sont utilisés dans chaque modèle de suivi. Le moment remplace le PDF cible précédent du modèle de mouvement IMM, et sur cette base, l'indice de performance de suivi est dérivé et l'optimisation conjointe du temps d'échantillonnage et des ressources énergétiques est terminée. Zhang et ses collègues de l'Université d'ingénierie de l'Air Force [137] ont également adopté une idée similaire pour optimiser les ressources radar pour le suivi des cibles en manœuvre et des cibles à basse altitude [142].

 4.5.2 Suivi cognitif dans les conditions LPI

Cette orientation vise à concevoir un algorithme de planification des ressources qui garantit à la fois les performances LPI du système et les performances de suivi. En 2020, Shi et ses collègues [39] ont proposé un algorithme d'attribution de cibles et d'allocation conjointe de ressources pour le suivi multi-cibles d'un réseau de radars multiéléments. Au cours du processus de planification des ressources, les performances de suivi multi-cibles et les performances LPI du système ont été prises en compte. Sur cette base, un algorithme d'allocation conjointe multi-paramètres basé sur LPI de la puissance radar, du temps de séjour, de la bande passante et de la longueur d'impulsion est en outre proposé pour maximiser les performances de suivi ou minimiser la consommation des ressources du système [86]. En plus des recherches mentionnées ci-dessus sur les radars à réseau phasé au sol, des travaux de suivi ont été menés sur la planification des ressources des radars aéroportés en réseau afin de réduire la probabilité d'interception des réseaux aéroportés sur la base de la satisfaction des performances de suivi [143 ]. Il existe également des publications [144-146] traitant de la recherche d'optimisation des faibles performances d'interception sous le système radar MIMO. De plus, il existe un autre travail basé sur le système de communication radar intégré, qui étudie le schéma d'allocation de puissance du système intégré qui satisfait à la fois les performances de détection radar et les performances de communication [147].

Les performances du LPI sont l'un des indicateurs importants des systèmes radar modernes, et la recherche sur la planification des ressources de suivi cognitif basée sur le LPI a une valeur applicative importante. Mais en général, la recherche sur la planification des ressources pour le suivi cognitif dans des conditions LPI est encore immature. Par exemple, le modèle du système LPI et la modélisation de l'indice d'évaluation des performances du système de détection en réseau n'ont pas encore été perfectionnés.

 4.5.3 Suivi cognitif dans des environnements d'interférence

Avec le développement de nouvelles méthodes électroniques de reconnaissance, d'identification et de brouillage, la réalisation de la détection de cibles dans des scénarios tels que l'interception et le brouillage est progressivement devenue une fonction de base que doit posséder la coordination multi-radar. Par conséquent, la recherche sur le problème de planification des ressources de suivi cognitif doit également prendre en compte divers scénarios d’interférence électromagnétique.

Le brouillage électronique actif peut être grossièrement divisé en deux catégories : le brouillage de suppression et le brouillage de déception en fonction de l'effet de brouillage qu'il provoque sur le radar. Depuis 1996, Kirubarajan et ses collaborateurs [41,42] du Georgia Institute of Technology aux États-Unis ont mené des recherches sur le problème de planification des ressources des radars multiéléments dotés d'une capacité d'éclairage uniforme, utilisés pour le suivi en présence de fausses alarmes. et cible de manœuvre d'interférence de suppression active. Visant la planification des ressources radar dans le cadre d'un brouillage par usurpation d'identité, Zhou Ying et ses collègues [148] de l'Université nationale de technologie de la défense ont défini en 2005 trois indicateurs d'effet de brouillage multi-fausses cibles et ont proposé des méthodes de planification des tâches et d'optimisation de la gestion des ressources. En 2019, Tao et ses collègues [149] de l'Université d'aéronautique et d'astronautique de Nanjing ont proposé un algorithme optimal d'allocation de temps pour le suivi multi-cibles d'un radar multiéléments afin d'améliorer les performances de suivi des cibles et la capacité de suivi sous interférence de suppression active. En plus du radar à commande de phase, Zhang et ses collègues [150, 151] ont également examiné le problème conjoint d'allocation de puissance du faisceau du radar du système MIMO sous brouillage supprimé, ainsi que le problème de sélection de site et d'allocation de puissance du radar MIMO distribué sous brouillage par usurpation d'identité.

Le travail ci-dessus est basé sur l’optimisation unilatérale des ressources du côté radar. À l’heure actuelle, le jeu bilatéral entre radar et brouilleur est progressivement devenu un point clé dans la recherche d’ordonnancement des ressources radar dans des environnements antagonistes [152]. Avec l’essor des algorithmes intelligents, de plus en plus de chercheurs ont commencé à envisager d’utiliser des algorithmes intelligents pour résoudre le problème de la planification des ressources radar dans des environnements de confrontation. En 2012, Song et ses collègues [153] de l'Université du Connecticut aux États-Unis ont pris la fonction d'information mutuelle entre le radar MIMO et le brouilleur comme fonction utilitaire de l'analyse de jeu à somme nulle et ont construit un modèle d'optimisation de l'allocation de puissance. En 2022, Zhang et ses collègues [154] de l'Université d'ingénierie militaire de l'Armée populaire de libération de Chine ont proposé un schéma d'optimisation conjoint du canal de communication anti-brouillage multi-utilisateurs et de la puissance basé sur l'apprentissage Q bimode pour le problème de l'anti-brouillage. suivi du brouillage. En 2022, Ailiya et ses collègues [155] de l'Université des sciences et technologies électroniques de Chine ont proposé une stratégie anti-brouillage à sauts de fréquence radar basée sur l'apprentissage par renforcement, qui peut équilibrer les performances d'accumulation et les performances LPI du radar.

À l’instar des problèmes de planification des ressources dans les deux types de scénarios complexes susmentionnés, la planification des ressources de suivi cognitif dans des environnements d’interférence a fait l’objet d’une grande attention ces dernières années, mais de nombreux problèmes restent encore à résoudre. De plus, l'utilisation d'algorithmes intelligents pour résoudre le problème du jeu de confrontation de perception des ressources radar est progressivement devenue une tendance.

5. Tendances et perspectives de la recherche

D'une manière générale, l'essence de la technologie de détection coopérative multi-radar est d'évoluer de la basse dimension à la haute dimension en termes de configuration de détection, de dimension du signal, de degré de liberté du système, etc., ce qui est conforme à la tendance de développement et loi de la technologie radar, elle est donc également devenue une technologie radar ces dernières années, l'un des points chauds dans le domaine. La méthode intégrée de planification des ressources du système est la garantie du mécanisme et la technologie de base pour réaliser la coordination approfondie du radar. À cette fin, cet article passe en revue les derniers progrès de la recherche en matière de suivi cognitif et de planification des ressources au cours des dernières années, dans le but de fournir une référence pour les recherches de suivi.

Il ressort des quatre premières sections de l'article que, puisque cette technologie est basée sur l'interaction et la liaison de plusieurs radars, les dimensions des signaux et des informations impliquées ainsi que les degrés de liberté du système seront nettement supérieurs à ceux des technologies liées à un seul radar. Par conséquent, cette technologie est souvent développée parallèlement aux progrès des méthodes théoriques de base telles que l’architecture des réseaux et la transmission des communications, la théorie de la fusion d’informations, la modélisation et la solution des problèmes d’optimisation, l’apprentissage automatique et l’intelligence artificielle. D'autre part, cette technologie doit également suivre de près les besoins de diverses tâches réelles, combinées aux derniers systèmes théoriques de commandement et de contrôle, pour mener des recherches sur diverses nouvelles cibles de détection et sur les signaux d'interférence électromagnétique militaires et civils auxquels sont confrontés les systèmes radar. Enfin, selon les informations publiques actuelles, la recherche dans cette direction se concentre principalement sur la recherche d'algorithmes théoriques. Bien que les avantages en termes de performances de l'algorithme aient été vérifiés par le modèle de simulation, la facilité d'utilisation technique et les avantages en termes de performances dans l'environnement réel ont été reste à vérifier. .

D'une manière générale, du point de vue du développement technologique et des exigences d'application, cette technologie présente les tendances de développement suivantes :

• (1) Transmission de communication multi-radar diversifiée et architecture de réseau radar : la plupart des travaux actuels de planification des ressources de suivi cognitif se concentrent sur l'architecture de transmission de communication centralisée et la coordination radar du même système. La recherche sur l'architecture de réseau décentralisée, les nœuds radar asynchrones hétérogènes et même les réseaux coopératifs de radars et de capteurs hétérogènes présente encore un grand potentiel de développement.

• (2) Méthode de traitement complète des informations et des signaux de niveau mixte de haute dimension : actuellement, la fusion des informations au niveau des traces radar (mesure, fonction de vraisemblance, fonction de densité de probabilité postérieure, etc.) est principalement utilisée, et la direction de développement de multi -la collaboration radar est La première consiste à combiner le développement de la théorie du traitement du signal et de la fusion d'informations pour étudier les méthodes de traitement mixte d'informations à plusieurs niveaux telles que le niveau de piste, le niveau de piste ponctuelle et le niveau de signal. Dans le même temps, la méthode de planification des ressources de suivi cognitif correspondante doit également avoir des extensions correspondantes.

• (3) Compte tenu de la diversité des cibles, de la géographie complexe et de l'environnement électromagnétique : l'environnement de détection auquel est confronté le radar devient de plus en plus complexe. Diverses nouvelles cibles de détection et interférences électroniques militaires et civiles apparaissent constamment, ce qui pose des défis en matière de détection et de survie du radar. Par conséquent, la recherche sur les méthodes de suivi cognitif et de planification des ressources doit également suivre l’évolution des cibles de détection et des environnements de détection.

• (4) La méthode de planification optimale globale dans des conditions de conflit multitâche : la recherche actuelle sur la méthode de planification des ressources se concentre principalement sur la tâche de suivi de cible, mais dans les applications pratiques, le système radar doit effectuer la recherche, le suivi, l'identification, le LPI, anti-brouillage, communication et autres tâches, et il existe des conflits de ressources dans l'exécution de chaque tâche. Les recherches futures pourraient se concentrer sur les quatre principaux scénarios de tâches que sont le soutien situationnel, l’indication de cible, l’évaluation des dommages, ainsi que le commandement et le guidage, et mener des recherches plus diversifiées sur la planification collaborative des ressources de détection.

• (5) Planification coopérative combinant modélisation mathématique et intelligence artificielle : les problèmes traditionnels de planification des ressources visent à établir et à résoudre des modèles d'optimisation analytique, et les modèles analytiques sont de plus en plus difficiles à décrire les performances globales des radars dans des scénarios complexes. Avec le développement rapide d'algorithmes d'optimisation intelligents représentés par l'apprentissage par renforcement et les réseaux neuronaux profonds, la combinaison des méthodes d'intelligence artificielle avec le traitement des signaux et des informations radar et la planification intégrée des ressources des systèmes radar constitue également une tendance de développement importante.

• (6) Combiné avec le dernier système théorique de commandement et de contrôle : au sens large, la détection coopérative multi-radar en boucle fermée doit prendre en compte de manière exhaustive plusieurs facteurs tels que l'environnement de détection, les conditions de l'équipement, les informations de renseignement, la prise de décision du commandant et les facteurs humains. -Interaction intelligente par ordinateur. Les méthodes de planification des ressources et de suivi cognitif sur lesquelles se concentre cet article appartiennent uniquement à la petite boucle fermée de l’algorithme de traitement du signal. Par conséquent, les recherches de suivi dans cette direction doivent être combinées avec le développement du système de théorie du commandement et du contrôle et suivre de près le développement de la théorie de la détection coopérative en grande boucle fermée.

• (7) Développement de prototypes et vérification expérimentale autour d'un système de détection coopératif multi-radar typique : Les recherches actuelles sur la planification des ressources de suivi cognitif sont principalement guidées par des radars au sol. À l'avenir, pour les systèmes de détection typiques tels que les formations à bord des navires, les formations de chasseurs, les radars à essaim et la coordination par satellite, la recherche sur les applications système des technologies associées pourra être complétée et des travaux de développement de prototypes et de vérification des tests pourront être effectués.

Avertissement : les articles et images reproduits sur le compte officiel sont destinés à des fins éducatives et scientifiques non commerciales pour votre référence et votre discussion, et ne visent pas à soutenir leurs points de vue ou à confirmer l'authenticité de leur contenu. Le droit d'auteur appartient à l'auteur original. Si le manuscrit réimprimé implique des droits d'auteur et d'autres problèmes, veuillez nous contacter immédiatement pour le supprimer.

"Technologie et conseil en intelligence artificielle" publié