マルチレーダー協調探知技術の研究進捗：認知追跡とリソーススケジューリングアルゴリズム

出典: レーダージャーナル

著者: Yi Wei、Yuan Ye、Liu Guanghong、Ge Jianjun、Kong Lingjiao、Yang Jianyu

1 はじめに

レーダーは情報認識の千里眼であり、軍事および民間において非常に高い価値があり、防空早期警戒、リモートセンシングマッピング、対テロおよび安定維持などの分野で広く使用されています[1-5]。レーダー情報の取得・探知技術は、常に主要国が奪い合う最先端技術であり、情報科学の重要な部分でもあります。科学技術の絶え間ない進歩、高度な電子対策装置の継続的な出現と広範な設置に伴い、レーダーの存続と開発はますます厳しい課題に直面しています。生活環境の観点からは、レーダーは通信や複雑な軍事電磁干渉などあらゆる種類の民間電磁干渉に直面しており、探知対象の観点からは、クラスター、微弱、ステルス、高高度などの多様なターゲットの出現に直面しています。また、低高度の目標もレーダーの探知と識別に新たな課題をもたらします。さらに、人工知能や自己組織化システムなどの新技術の発展に伴い、レーダーの探知対象も「マルチノード連携の体系的な形態」へと急速に進化している[6-11]。したがって、新しい環境や新しい目標に対処するためのレーダー目標検出の新しいメカニズムと方法の開発が差し迫っています。

新しい環境や新しい目標によってもたらされる新たな課題に対応して、テラヘルツレーダー、量子レーダー、コグニティブレーダー、周波数制御アレイレーダーなど、レーダー技術の分野では多くの新しい技術的方向性が生まれています。これらの技術的方向性は非常に重要であるが、現在、システムおよび手法の革新研究は主に単一設置レーダーを中心に実施されている。ただし、単一搭載レーダーは、開口サイズ、システムのエネルギー消費、トランシーバーのコロケーションの検出構成、後方散乱の検出メカニズムによって制限され、ステルスターゲットやメインローブ干渉などの脅威に直面した場合、検出性能は低下します。深刻な悪化が予想されるが、有効な対策が講じられていない。

相対的に言えば、マルチレーダー協調検出テクノロジーは、複数のレーダーをリンクして広域分散トランシーバー検出構成を形成することにより、単一レーダーに固有のボトルネックを解消できます。この技術は、統合されたリソーススケジューリングを通じて複数のレーダーの緊密な調整を実現しようとし、複数のレーダーの視野角、周波数、偏波、エネルギー、波形などの観測リソースを使用して、より高次元のレーダー信号空間を構築し、空間ダイバーシティを完全に取得することができます。 、周波数ダイバーシティおよびその他の検出ゲイン、および高次元空間での干渉を低減するエネルギーの利点は、新しい環境や新しい目標に対処し、レーダーの性能を大幅に向上させる効果的な技術的方法です。したがって、将来のレーダー情報取得および検出技術の重要な発展方向として、マルチレーダー協調検出は、近年多くの学者や研究機関の広範な注目を集めています[1,8]。

マルチレーダー協調探知に関連する研究範囲は広く、システム組織構造設計、人間とコンピュータのインタラクションモード、大帯域通信伝送、時空間周波数高精度同期、高次元信号協調処理、ヘテロジニアスなどをカバーしています。非同期情報の融合、統合リソース、スケジューリング、その他多くの側面、および関連する技術ルートの開発は複雑な状況を引き起こします。このうち、システム統合リソーススケジューリング方式は、複数のレーダーの緊密な連携を実現する仕組み保証であり、協調探知の中核技術ポイントの一つでもある。

ネットワークレーダーなどの既存のマルチレーダーシステムの調整メカニズムは、ポイントトラック情報融合、タスク分割、タスクハンドオーバーなどの低レベルの調整にまだあり、レーダー協調検出の有効性が大幅に制限されています[9]。リソース要素レベルで統合されたマルチレーダーの包括的なスケジューリング機能によってのみ、マルチレーダーの緊密な調整を真に実現し、協調検出機能の最適な生成をサポートできます。したがって、本稿では、マルチレーダー統合リソーススケジューリングアルゴリズムに焦点を当て、レーダーコグニティブトラッキングの典型的なタスクに焦点を当て、近年の国内外でのこの方向の最新の研究の進歩を整理して要約し、今後の研究への参考を提供することを目的としています。関連する研究。

2. 複数レーダー連携探知

2.1   概念の含意

マルチレーダー協調探知の意味合いは比較的広く、現在学界では統一的で明確な定義はなく、特にネットワークレーダー、ネットワークレーダー、マルチスタティックレーダー、分散レーダーの概念間の関係と違いについては不明である。 。本稿では、マルチレーダ協調探知を、レーダシステムの特定のシステムではなく、一般化されたレーダ探知方法として定義します。一般に、マルチレーダーの協調検知には次の 4 つの要素があります。

(1) 検出構成はマルチノード分散レイアウト形式を示します。有線/無線ネットワークを使用して、異なる RF トランシーバー パラメーターとシステム モデルを持つ複数のレーダー ノードをカスケード接続し、情報の相互作用を通じて、空間的に分散された広域での協調検出を実現します。形成される構造。

(2) 状況入力に基づくタスクと計画の生成: 状況指向の検索を完了でき、追跡や傍受などの特定の検出タスクが生成され、同時に検出のオフラインテンプレートマッチング/適応生成機能を備えています。タスク実行計画 [11]。

(3) 特定の検出タスクを対象とした統合リソース スケジューリングとマルチノードのディープ コラボレーション機能: 現在のシステム実行計画では、効率的なスケジューリング メカニズムを通じて、エリア検索、ターゲット追跡、ターゲット認識などの特定の検出タスクに焦点を当てています。統合管理制御システムの最適化は、複数のレーダーノードの緊密な連携と深い調整を実現し、最終的には状況の形態と検出タスクの動的な組み合わせ、客観的な適応、最適な検出を実現します。

（4）多チャンネル高次元信号と多音源情報の総合処理能力：宇宙の広範囲に分散した複数のレーダーが多チャンネル高次元エコー信号を受信し、複数種類の信号レベルを形成し、情報レベルおよびインテリジェンスレベルのデータ。中心、非中心、または多中心の通信伝送およびコンピューティングストレージアーキテクチャを通じて、システムはコヒーレント、非コヒーレント信号処理およびポイントトラックデータマルチソース情報融合手法を使用して分析できます。複数のレーダーによって形成された信号レベルと情報、高度な情報レベルのデータを最適に総合的に処理し、最終的に探知、測位、追跡、識別、干渉抑制などのレーダー機能を実現します。ネットワークレーダー、ネットワークレーダー、マルチスタティックレーダー、分散レーダーなどのシステムの検出モードは、上記の 4 つの要素を部分的にしか満たしていないことがわかります。

理論的には、マルチレーダーの協調検出により、レーダーの検出効率と生存可能性が大幅に向上します。図 1 は、複数のレーダーが連携して航空機編隊を検出するシナリオを示しています。宇宙の広範囲に配置された高周波アンテナは、異なる時間、波形、角度、周波数、偏波などのターゲットの多次元散乱信号を受信でき、ターゲットのさまざまな特性の観測サンプルが大幅に増加することがわかります。 、空間ダイバーシティ、周波数ダイバーシティなどを取得します。検出ゲインは、ターゲットの信号対雑音比を改善し、検出性能を向上させるための基本条件を提供します。

図1 複雑な電磁環境におけるマルチレーダー協調空間検知の概念図

多様化する検知業務への対応の観点から、多種類多目的の検知プラットフォームをネットワーク化することで、多様化する検知業務を効率的に実行するためのハードウェア基盤を提供します。探知プラットフォームと適応制御アルゴリズム、人工知能と指揮官の間の相互作用は、マルチレーダーミッション計画とミッション実行計画のオンライン生成をサポートし、多様な探知タスクの実行効率を効果的に向上させることができます[11]。

複雑な電磁環境への対処の観点からは、複数のレーダーを連携させることでより高次元の信号空間を構築することができますが、妨害信号は信号次元やその変換領域空間において目標信号を完全にシミュレートすることが困難であるため、ターゲットと妨害信号を区別し、干渉を減らすというエネルギー上の利点を得るためにより良い条件を提供します。

同時に、効率的な調整メカニズムを備えた複数のレーダーは、マルチノードシステムの形で新しいタイプの検出オブジェクトに直面したときに、「システム調整」と「システム調整」のバランスを形成できます。要約すると、マルチレーダー協調検知の本質は、レーダー技術のトレンドと法則に沿って、検知構成、信号次元、システムの自由度の方向で低次元から高次元に進化することです。開発[5]。

近年、ネットワークレーダー、分散アレイコヒーレント合成レーダー、集中多入力多出力（Colocated-MIMO、C-MIMO）レーダー、分散MIMO（Distributed-MIMO、D-MIMO）レーダーなどの新しいレーダーシステムが登場しています。国内外の学者によって広く研究されており、相乗的にかなりの検出ゲインが得られることが証明されています。ある意味では、これらのシステムは、さまざまなソフトウェアおよびハードウェア条件下での巨視的なマルチレーダー協調検出概念の中間形式とみなすこともできます。たとえば、初期のマルチレーダーコラボレーションでは、通信、同期、コンピューティング、その他の機能に制限があり、複数の自発的自己受信レーダーノードの単純なネットワーク調整メカニズム、つまりネットワークレーダーシステムが採用されました。図2は、マルチレーダー協調検出の概略図であり、青の点と赤の点がそれぞれ送信アンテナと受信アンテナを表し、異なる色の矢印は、異なる周波数、偏波角などの電磁信号の送信経路と受信経路を表しています。 .; 茶色の影は検出効率を示します。図2に示すように、この協調モードでは、単一のレーダーによって送受信されるターゲット後方散乱信号のみが使用され、送信および処理は、多くの場合、信号検出後のポイントトラックデータレベル情報になります。これに対し，C-MIMO レーダや D-MIMO レーダなどは，多送信・多受信の高次元信号結合処理を行う [12,13] が，同時に送信や演算などの要求が高い．時間と周波数の同期 [14,15]。

図2 マルチレーダ連携探知の概念図

2.2   技術的な課題

大帯域幅通信、高精度の時空間周波数基準、ネットワーク クラウド コンピューティングなどの関連テクノロジーの進歩により、マルチ レーダー コラボレーションの開発を加速するために必要なハードウェア基盤が確立されました。緊急に。

2.2.1 マルチレーダー協調認知の制御閉ループ構築

閉ループとは、複数のレーダーが連携してデータを検出し、コマンドの相互作用を制御するループを指します。協調的な認知閉ループの構築により、検出リソースを最大限に活用し、検出プラットフォームの正確で深いリアルタイムのコラボレーションを実現し、検出システムの能力を効果的に強化できます。クローズドループは検出システムにおける一般化された制御概念であり、さまざまな角度から表現できます。図 3 に示すように、狭い観点から解釈すると、協調検知閉ループは、ターゲット信号処理、マルチレーダー データ融合、およびターゲット信号処理の 3 つの要素で構成される「知覚 - 処理 - 決定」の信号処理アルゴリズム レベルの閉ループです。レーダーリソースの制御とスケジューリング。

図 3 マルチレーダー協調認知閉ループ構築

広い観点から見ると、協調探知閉ループは、探知環境、機器の状態、諜報情報、指揮官の意思決定、および人間とコンピュータのインテリジェントな相互作用を包括的に考慮する協調システムレベルの閉ループです[11]。システムレベルの閉ループは、指揮官の意思決定と協調検知ハードウェアプラットフォームを組み合わせて情報ループを形成し、検知タスク、処理モード、スケジューリングメカニズムに関連する作業計画の生成を完了することを目的としています。人間と機械、機械と機械の相互作用、深い相乗効果。協調的な閉ループを構築するプロセスには、人、環境、機械などのさまざまな要素の調整と協力が含まれるため、一般的で効率的な認知閉ループを定式化することは、協調的な検出システムの設計における困難の 1 つです。 。

 2.2.2 一般的な多チャンネル高次元信号と多元情報処理方式

広域分散アンテナは、異なる走査時間、送受信角度、波形、周波数、偏波などのエコー信号を受信できるため、観測サンプル数とエコー信号の空間次元が大幅に増加します[16,17]。信号空間によってもたらされる検出効率の向上を活用するには、高次元信号処理と情報融合手法をマッチングさせる研究が必要です。しかし、現在のレーダー信号処理および情報融合手法は、マルチレーダーの協調探知の場面に簡単に拡張することはできません。例えば、単純なネットワーク化レーダーは、ポイントトラックデータレベルでの協調融合処理のみを実行し、分散アレイコヒーレント合成レーダーやC-MIMOレーダーの信号処理方法は、送信アレイと受信アレイがそれぞれ近くに配置されている状況にのみ適用できます。その他、送信アンテナと受信アンテナはターゲットの多角度電磁散乱特性と空間ダイバーシティの検出ゲインを完全には取得できません。さらに、マルチチャネル信号のコヒーレント処理では、信号の時間と位相の厳密な同期が必要になることがよくあります。 14]。D-MIMO レーダーは広域分散型トランシーバー アレイに適していますが、同じ周波数帯域と時間同期でエコー信号を処理することが多く、複数のレーダーの非同期走査ビーム時間によって引き起こされるビーム追跡問題が考慮されていません。

2.2.3 特定の検出タスクによる自由度の高いシステムのグローバル リソース スケジューリング機能

複数のレーダーを連携・連携させることで、空間、時間、周波数、偏波、波形、電力などのシステム検出リソースが豊富になりますが、システムの自由度が高まるにつれて、システムの制御やスケジューリングの難易度も高まります。自由度の高いシステムの潜在的な検出機能を最大限に活用するには、全体の状況に基づいてシステム タスクによって駆動される各レーダー ノードの制御可能なリソースを動的かつ最適にスケジュールする必要があります。したがって、効率的なシステム スケジューリングは、マルチ レーダー システム検出性能の最適化の前提であり、「システム調整」のメカニズム保証でもあります [7]。ただし、現在のレーダー スケジューリングの理論と方法は、主に多機能フェーズド アレイ レーダーや MIMO レーダーなどの特定のシステムを対象としています。マルチレーダーの協調検知のための調整メカニズムは、タスクの分割や既存のネットワーク化されたレーダーのハンドオーバーなど、タスクレベルの調整の下位レベルにとどまっています。リソース要素レベルでの協調的な検出とスケジューリングの理論と方法はまだ初期段階にあり、現在の重要な研究方向でもあります。たとえば、2017 年に米軍によって提案された「モザイク」戦闘コンセプトは、一連の分散型で低コストで組織化が容易な検出ユニットを使用した、資源要素レベルの調整の具体的な実践です [7,18]。適応性があり、隠蔽が容易なネットワーク検出システムを構築します。

マルチレーダ協調探知技術は、制御クローズドループ構築、情報信号処理、スケジューリング制御機構設計などの多次元の要素を含み、ボトムレベルの処理（信号処理レベルのクローズループ）からトップレベルに至る体系的な研究です。アプリケーション (協調対話型制御閉ループ)。協調検出システムのトップレベルのアーキテクチャ設計と協調対話制御の閉ループ構築を目的として、いくつかの研究が体系的にモデル化され議論されています [8,11,18]。協力戦闘レベルの開発は、人間とコンピュータの知能の融合による協力検出の閉ループモデリングと閉ループエンジニアリング設計の側面で実行されてきました。この論文は、閉ループ信号処理アルゴリズムに焦点を当て、マルチレーダー協調認知追跡とリソース管理の問題をリードとして、マルチレーダー協調検出のボトルネック問題を整理して議論します。

3. マルチレーダー協調認知追跡アルゴリズムの閉ループ構築

このセクションでは、主に図 3 の信号処理レベルの閉ループに焦点を当て、マルチレーダー協調検出のための信号処理コグニティブ閉ループの概念を紹介します。これに基づいて、ターゲット追跡タスクを例として、認知追跡およびリソーススケジューリング信号処理アルゴリズムの閉ループ構築プロセスを要約します。

3.1   マルチレーダー協調検知のコグニティブ閉ループ信号処理

従来の知能レベルのネットワークレーダーの開ループ信号処理とは異なり、協調検知システムはコグニティブ閉ループ信号処理メカニズム[11,19]を使用して、システムの環境適応性と検知能力を向上させます。図 4 に示すように、認知信号処理は、知覚、フィードバック、分析、意思決定、知覚によって形成される閉ループ プロセスです。

図4 マルチレーダ協調探知の信号処理認識閉ループ

環境フィードバック情報を使用してレーダー システムのリソース パラメーターを調整することが、認知閉ループを実現する鍵となります。図 5 は、図 4 のコグニティブ閉ループ協調検出信号処理フローをより具体的に示し、説明しています。

図 5. マルチレーダー協調検出の認知閉ループとリソース スケジューリング アルゴリズムの処理フロー

(1) 状況と環境のパラメータ化された入力: 時刻 k において、検出システムは環境との対話型学習を通じてリアルタイムの状況情報 xk|k−1 を予測します。ここで、xk|k-1 は、検出タスクのシナリオごとに異なる定義を持ちます。たとえば、追跡タスクでは、xk|k-1 は、特定のターゲットの位置、速度、角度などのパラメータ情報の予測値になります。

(2) 特定の探知タスクとその性能評価指標のモデル化: 状況情報 xk|k−1 を入力として受け取り、レーダー システムの送受信リソース Θk、性能評価指標 Ξ、および状況とリソースの数学に基づきます。特定の検出タスクの関係を中心に構築されています

。ターゲット追跡タスクを例にとると、レーダーのトランシーバー リソース Θk は、レーダー追跡ビーム割り当て、ビーム滞留時間、送信電力などであり、追跡タスクのパフォーマンス指標となります。

ターゲットの追跡精度を表すことができます。関数

本質は、特定の状況情報 xk|k−1 の下でのレーダー システム リソース パラメータ Θk と検出性能 ΞΞ の数学的マッピングです。

(3) リソース スケジューリング最適化モデル: タスクのパフォーマンス指標を考慮する

、システム能力境界制約および特定の最適化目的関数 f(・) を使用して、リソース スケジューリング最適化モデルを構築します。凸最適化理論、インテリジェント最適化アルゴリズム、コンピューターシミュレーション複合最適化およびモデルを解決するその他のアルゴリズムによって補足されます。

(4) リソーススケジューリングと信号処理：モデルソリューション

レーダーノードシステムリソースパラメータの構成をガイドするために使用されます

、ターゲットの検出を完了するには、状況環境情報を再度取得し、k+1 回の検出サイクルを実現します。

マルチレーダー協調探知は、環境を継続的に認識して理解し、環境の変化に応じて協調探知システムのパラメータ構成をリアルタイムで調整して、探知性能の動的ゲインを実現します。「認知閉ループ[20]、その情報」処理フローは、OODA ループの閉ループ制御の概念 (つまり、観察、調整、意思決定、アクション、および次の観察を導くためのアクションの結果で構成される閉ループの意思決定プロセス) とも一致しています。 [21]。

3.2   マルチレーダー協調追跡アルゴリズムの認知閉ループ

3.2.1 認知追跡アルゴリズムとその特徴

検出システムの典型的なタスクの 1 つとして、マルチターゲット追跡は、追跡ターゲットの状態 (位置、速度、RCS、方位などを含む) の連続時間推定を実現することを目的としています [22]。戦場の情報/状況情報。閉ループ認知の信号処理メカニズムが追跡タスクに導入された場合、レーダーシステムは現在の追跡アルゴリズムで取得したリアルタイム状況を使用して、ターゲット状態の事前情報を更新することができます。を使用して、次のサイクル構成におけるレーダー システムの発射リソース パラメーターの最適化をガイドし、次のサイクルの追跡パフォーマンスをさらに向上させることができます。

図6に示すように、従来のトラッキングと比較した場合、コグニティブトラッキングの最大の特徴は、ターゲット事前情報が信号処理およびリソーススケジューリングのプロセス全体を通じて使用され、閉ループ信号処理モードを提示することです。従来のマルチレーダー追跡モードでは、ターゲットの事前情報は追跡状態の更新にのみ使用され、レーダーの他の処理プロセスには関与せず、全体の信号処理はオープンループ状態になります。

図6 コグニティブトラッキングアルゴリズムと従来のフュージョントラッキングアルゴリズムの違い

次に、この論文では、マルチターゲット追跡タスクに焦点を当て、典型的なマルチレーダーデータレベル融合追跡アルゴリズムを例として、閉ループコグニティブマルチレーダー協調リソーススケジューリングに関連する技術原理とプロセスを詳細に紹介します。 。

 3.2.2 複数目標追跡シナリオとレーダー システムの説明

図 7 に示すように、マルチレーダー協調ターゲット追跡では、Q 個の追跡ターゲットの状態値追跡を完了するために協力するために N 個のレーダー ノードを使用する必要があります。

初期時刻 k=0 から開始する逐次推定。

図 7 マルチレーダー協調マルチターゲット追跡シナリオ

時刻 k で、マルチレーダーは特定のシステム リソース パラメーター Θk を使用して無線周波数検出とエコー信号受信処理を完了し、ターゲット測定データを取得します。

、ここ

レーダー n が受信したターゲット q の測定値を示し、レーダーは測定データを融合およびフィルタリングすることでターゲットの状態を取得します。

最終的に、ターゲット状態の推定値は、次の瞬間の状態を予測する (つまり、追跡事前情報を計算する) ために使用できます。

そして、追跡情報を融合処理モジュールにフィードバックして、後続のフィルタリング処理を完了します。

実際のレーダー システムでは、送信機のハードウェア制限に従って、そのシステム リソースには通常、上限と下限の制約があります。

   (1)    

式 (1) はリソース変数を表現するためにのみ使用され、多くの場合制約が存在します。特定のリソース制約の必要性は、対応する数式で確認できることに注意してください。レーダー システム検出リソースの特定の種類と境界制約値 [Θmin,Θmax] は通常、レーダー システムによって異なります。図 8 は、ネットワーク化された MIMO レーダーのマルチターゲット追跡のシーン図を示しています。ここでは、レーダー 1、2、および 3 がそれぞれ 3、2、1 つのビームを送信して、3 つのターゲットの協調追跡を実現しています。図 8 に示すように、[23] で検討されているネットワーク化された C-MIMO レーダー システムを例にとると、複数の C-MIMO レーダー ノードがマルチビーム モードでマルチターゲット追跡を同時に実行します。このとき、レーダーシステム送信機のビーム数は

、送信電力

の境界制約は次のように確立できます。

図 8 ネットワーク化された MIMO レーダーの複数目標追跡の概略図

   (2)    

で、

n 番目のレーダー ノードによって同時に生成される追跡ビームの数を示します。

その上限。

は対応する b 番目のトラッキング ビームの送信パワー、

はそれぞれ上限と下限です。

レーダーノード n の合計送信電力の上限です。

ビーム数

、送信電力

レーダー ノード n のシステム リソース パラメーター ベクトルを構成します。

、レーダー全体のシステム リソースは、N 個の MIMO ノードのリソースの組み合わせで構成されます。

   (3)    

上記のモデルに基づいて、マルチターゲット追跡の本質は、レーダー システム能力制約 [Θmin,Θmax] の下でレーダー システム リソース Θk を包括的かつ統合的に使用して、ターゲット状態情報の追跡を実現することであることがわかります。

協力の見積もり。

3.2.3 マルチレーダー協調追跡モデル

追跡問題では、通常、追跡対象の運動状態の更新規則と測定情報の表現を記述するために、ターゲット状態モデル (運動モデル) と測定モデルが使用されます [24]。

   (4)    

   (5)    

式(4)では、

ターゲットの状態遷移関数を表します。nk はターゲットの動きのプロセス ノイズです。式(5)では、

レーダーノード n の測定関数と測定ノイズをそれぞれ示します。

の表現は通常、特定のレーダー システムによって決定されます。たとえば、方位角方向の狭いビームと仰角方向の広いビームを放射するパルス方式レーダーでは、測定

ターゲットの半径距離を含めることができます

、位置

、ドップラーシフト

その他の情報:

   (6)    

ここで測定ノイズは

レーダー追跡データの品質レベルを反映します。レーダー信号処理方法が変更されないという条件下では、レーダー システム リソース Θk はシステムの送受信信号に影響を与え、

の品質。最も一般的な加法ガウス ノイズ システム モデルを例に挙げると、測定ノイズは

通常、ゼロ平均に従うと想定され、共分散は次のようになります。

ガウス分布。式 (6) の測定値に対応するノイズ共分散行列が対角行列であると考えると、次のようになります。

   （7）    

このうち、対角要素はそれぞれ、距離、角度、ドップラー測定誤差、レーダーの送信リソース n でターゲット q を検出するために使用される送信電力を表します。

、ビームのメインローブ幅

、帯域幅

、時間幅

と他のリソース要素は関連しています [25]:

   (8)    

したがって、誤差共分散行列は、レーダー システム リソース パラメーター Θk に関連する関数として記述することもできます。

   (9)    

式 (9) は、ターゲットの測定値が

の品質は、レーダーによって消費されるシステム リソース Θk に密接に関係しています。レーダー送信機ハードウェアなどの要因により、レーダー システム リソース Θk は通常制限されます。各追跡瞬間にプローブ リソース Θk を動的に割り当てることで、オブジェクトの測定を向上させることができます

品質が向上し、全体的な追跡パフォーマンスが向上します。上記は、図 6 に示すレーダー認知追跡リソース スケジューリングの意味です。

 3.2.4 追跡情報融合アーキテクチャ

ターゲット相関測定値は複数のレーダーノードで取得されます

最後に、より高精度のターゲット追跡結果を得るために融合する必要があります。マルチレーダーデータ融合のさまざまな方法と関連する融合パラメータの種類に応じて、追跡情報の融合処理プロセスは、集中融合と分散融合の2つのアーキテクチャに分けることができます[26]。

(1) 集中型融合アーキテクチャ

図９（ａ）に示すように、集中型融合アーキテクチャ内のすべてのレーダーノードは、共通の融合センターに接続されている。レーダーノードはターゲットの生の測定値を取得します

融合センターに直接送信され、すべての測定値が 1 つの大きなベクトルにスタックされます。

。事前情報と合わせると

および測定データ

、集中融合は、逐次ベイジアン フィルタリング [27,28] によって処理して、追跡ターゲット状態の推定値を取得できます。

。

図 9 マルチレーダー協調情報融合アーキテクチャ

(2) 分散融合アーキテクチャ

分散型融合アーキテクチャでは、各レーダー ノードはローカルのレーダー ノードを測​​定する必要があります。

フィルタリング処理を実行して、局所的な対象状態の統計的特性と推定結果を取得します

。次に、特定の分散融合ルールと融合アルゴリズムを使用して、局所状態の確率密度関数 (確率密度関数、PDF) または推定状態を完成させます。

最終的な推定融合結果を取得するための融合

。さらに、図 9(b) と図 9(c) に示すように、分散アーキテクチャは、さまざまな情報対話方法に従って、階層型とコンセンサス分散型の 2 つのサブアーキテクチャに再分割することもできます [26]。

3.2.5 目標追跡パフォーマンス指標

目標追跡パフォーマンス指標は、特定のリソース割り当ておよび融合処理方法の下でマルチレーダー協調追跡によって得られる目標状態推定精度を説明または予測することを目的としています。一般的なパフォーマンス指標には、追跡誤差の予測共分散行列 [29]、ターゲット観測誤差の相互情報量 [30]、測定誤差の Cramer-Rao 下界 (CRLB) [31]、および以下の Check the Cramer が含まれます。 -Rao バウンド (Posterior CRLB、PCRLB) [32] など。

PCRLB は、ターゲット追跡で最も古典的で一般的に使用されるパフォーマンス指標です。その計算プロセスは逐次ベイジアン フィルタリングの実装と完全に一致するため、ベイジアン Cramer-Rao バウンド (ベイジアン CRLB、BCRLB) とも呼ばれます [33]。統計的に言えば、PCRLB は不偏推定量の推定誤差に理論的な下限を与えることができます。

   (10)    

このうち、p(x,z) は推定状態 x と測定値 z に関する関数を表します。

はターゲット状態の推定値、Ep{⋅}はpに関する数学的期待値を表します。

ターゲット q 状態推定誤差の PCRLB。PCRLB は、状態推定の平均二乗誤差 (MSE) の統計的下限を与え、対応する追跡 PCRLB は、ターゲット追跡のシステム モデルが与えられた後に直接計算またはフィッティングできます。したがって、PCRLB は、単一の追跡実験のランダム性や使用される状態フィルターの影響を受けず、追跡パフォーマンスの一般的な理論的な下限になります [34]。

 3.2.6 リソーススケジューリング問題とその最適化基準

数学的な観点から見ると、マルチレーダー協調認知追跡リソース スケジューリングの数学的本質は、レーダー システム リソース パラメーター ΘkΘk を変数として取る最適化問題です。さまざまなタスク シナリオとリソース スケジューリングの最適化基準に従って、この最適化問題は主に 2 つのカテゴリに分類できます。

(1) タスクパフォ​​ーマンスの最適基準

この最適化基準に基づいて、レーダー システムは利用可能なシステム リソースを使い果たし、追跡パフォーマンスを最適化します。つまり、いわゆる最適なタスク パフォーマンスを達成します。前述の数学的表記法と組み合わせると、最適化問題は次のようにモデル化できます。

   (11)    

その中で、目的関数は、

は、マルチターゲットのグローバル追跡パフォーマンス状況とシステム リソース割り当てスキーム Θk を特徴付ける関数であり、Θmin ≤ Θk ≤ Θmax は、式 (2) の対応するリソース パラメータ境界制約の一般化形式です。

(2) システムリソース最小化基準

この最適化基準に基づいて、レーダー システムは、特定の検出タスクのパフォーマンス制約 (いわゆるリソース最小化基準) を確保するという前提の下で、レーダー システムのリソース消費を可能な限り最小限に抑えます。最適化問題は次のようにモデル化できます。

   (12)    

その中で、目的関数 f(Θk) は、レーダー システム リソースの消費レベルを特徴付けるために使用されます。

ターゲット q の事前設定された追跡パフォーマンス要件を表します。これにより、システム リソースの消費を最小限に抑えながら、検出タスクのパフォーマンスが影響を受けないようにすることができます。

アプリケーションの観点から見ると、レーダー システムは限られた送信リソースの制約の下で複数の検出タスク (複数目標の追跡、検出と追跡の統合など [35]) を同時に実行する必要があり、その使用をめぐって競争が発生します。タスク間のレーダー送信リソースの制限。これに関連して、さまざまなタイプのタスクの総合的なパフォーマンスとレーダー検出能力の制約を考慮できる目的関数 f(⋅) を設計して、リソース スケジューリング スキームがマルチ環境下で最高の総合的なパフォーマンスを達成できるようにする方法-タスクリソースの競合関係は、リソーススケジューリングの研究テーマとなっており、重要な問題です。

 3.2.7 閉ループ構造の認知追跡プロセス

レーダーシステムのリソーススケジューリングモジュールが閉ループ認知のマルチレーダー調整メカニズムの下に導入されている場合、追跡ターゲットは事前に追跡されます。

環境認知のフィードバックとして、認知追跡を目的としたマルチレーダー協調システムリソーススケジューリングモードが形成されます。このモードの処理フローを図 10 に示します。全体的なプロセスには主に、追跡パフォーマンス予測、システム リソース スケジューリング、およびデータ融合追跡信号処理の 3 つのモジュールが含まれており、このセクションの上記の内容で紹介した処理プロセス全体をカバーします。

図 10. リソース スケジューリングに基づくレーダー認知追跡の閉ループ処理フロー

4. マルチレーダー協調認知追跡のためのリソース スケジューリング アルゴリズムの進歩

認知追跡は、マルチレーダー協調検知によって実行される典型的なタスクの 1 つであり、検知リソースの動的最適割り当ては、システム制御とスケジューリングの次元から認知追跡パフォーマンスの向上を保証するメカニズムを提供します [25]。図 10 の認知追跡の閉ループ処理フローと組み合わせると、この分野での現在の研究には主に次の 3 つの側面が含まれます。

• (1) レーダー ノードの属性とスケジュール可能なリソース要素: レーダー ノードの属性と機能によって、スケジュール可能なリソース要素のタイプが決まります。リソース要素は、リソース スケジューリング モデルの最適化パラメータと、その後の出力システム リソース割り当て結果に対応します。

• (2) データ融合追跡アーキテクチャおよび追跡パフォーマンス予測: データ融合および追跡アーキテクチャは、マルチ レーダー データ送信の計算の複雑さと協調追跡パフォーマンスを決定します。同様に、協調追跡のパフォーマンス予測変数を導出する場合も、データ融合追跡アーキテクチャの影響を考慮する必要があります。

• （３）リソーススケジューリング最適化問題モデルと解：リソーススケジューリング最適化問題の最適解は、次の瞬間におけるマルチレーダ協調探知システムの最適送信リソース調整方式に対応する。ただし、探知環境、目標物体、レーダーシステム自体が複雑であるため、実際の探知状況にできるだけ適合する最適化モデルを確立することは多くの場合複雑です。また、マルチレーダ協調探知システムはリソース要素の自由度が高く制約も多く、結果として生じる最適化問題は非凸かつNP困難となることが多く、解決が困難な場合が多い。

上記の3つの側面は、認知追跡リソーススケジューリング技術のリソースパラメータタイプ、情報処理モード、およびスケジューリング結果の総合的なパフォーマンスに影響を与える主な要因です。セクション 4 では、上記の 3 つの側面に基づいて、協調レーダー ノードの属性とリソース要素、マルチレーダー情報融合アーキテクチャと方法、ターゲット追跡と予測のパフォーマンス指標、リソースのスケジューリング基準とモデル、および複雑なタスク シナリオの 5 つの観点から説明します。 、認知追跡、およびリソース スケジューリングの研究作業が体系的に分類され、要約されています。

技術開発の観点からは、シングル/マルチレーダー認知追跡リソーススケジューリング技術が共同開発されています。単一レーダー リソース スケジューリング技術のスレーブ モデルは、マルチ レーダー協調スケジューリング モデルの基礎です。したがって、この論文のマルチレーダー協調認知追跡の進捗状況の追跡調査では、代表的な単一レーダーリソースのスケジューリング作業が散在します。

4.1   さまざまなレーダー属性およびリソース要素の下でのリソース スケジューリング アルゴリズムの進歩

レーダー属性は、レーダー ノードの動作システム、システム パラメーター、ミッション目的などの複数の側面をカバーします。リソース要素は、レーダー システムとその制約の制御可能なリソース変数 (出力、滞留時間、ビーム ポインティング、ノード スイッチなど) の特定のセットです。

 4.1.1 レーダーの特性

レーダーリソーススケジューリングの研究では、従来の機械式スキャニングレーダーからフェーズドアレイレーダーやMIMOレーダーまで、さまざまなシステムレーダーの開発を経験してきました。メカニカルスキャニングレーダーの場合、データレートやビームポインティングなどの送信パラメータが固定モードで動作するため、スケジュール可能なリソースの自由度が低くなります。したがって、コグニティブ追跡リソーススケジューリングに関する研究は、現在主にフェーズドアレイやMIMOなどのより制御自由度の高いレーダーシステムを対象としています。

(1) フェーズドアレイレーダー

フェーズドアレイレーダーシステムは、アレイの位相を変更することでビームの空間走査を実現でき、ビームの指向性、滞留時間、再訪問時間、帯域幅、電力、波形、およびノー​​ドのその他のリソースをリアルタイムで調整できます。 。2017 年、中国電子科学技術大学の Wang Xiangli ら [36] は、あらかじめ設定された要件を満たしながら、追跡時間のリソース消費を最小限に抑える、フェーズド アレイ レーダーのビーム指向と滞留時間に関する共同スケジューリング戦略を提案しました。追跡精度。同年、西甸大学 [37] のヤンら [37] は、ネットワーク化された対ミサイル防衛の応用に基づいた、フェーズド アレイ レーダーの協調追跡ターゲット割り当ておよび滞留時間割り当てアルゴリズムを提案しました。その後、アルゴリズムはターゲット検索と追跡タスクのシナリオにも拡張されました [38]。2021年に、南京航空航天大学Shiら[39]は、レーダービーム指向、再訪問時間、作業帯域幅、滞留時間の複数のリソース変数の共同最適化を実現する共同ターゲット割り当てとリソース最適化戦略を提案した。

上記の研究はレーダー無線周波数リソースの最適化と調整に焦点を当てており、2021 年に中国電子科学技術大学の Yuan ら [40] が共同で無線周波数リソースの最適化とフェーズド アレイのタスク配置を検討しました。レーダーを使用し、マルチターゲット追跡追跡シーケンスと滞留時間の共同割り当て戦略を提案しました。前述のターゲット追跡タスクのリソース スケジューリング作業に加えて、フェーズド アレイ レーダーのリソース スケジューリング作業は、電子的対策 [41,42] や感覚通信の統合 [43] などのシナリオにも拡張されています。

(2)MIMOレーダー

さまざまなアレイ要素構成に従って、MIMO レーダーは一般に、集中型 MIMO (C-MIMO) レーダー [44] と分散型 MIMO (D-MIMO) [16] レーダーの 2 つのタイプに分類できます。C-MIMO レーダーの複数のアレイ要素は互いに近接して配置され、直交波形または非直交波形を同時に送信し、複数の方位角ビームを合成して複数の検出タスクを独立して実行できます [44]。フェーズド アレイ レーダーと比較して、C-MIMO は波形ダイバーシティ ゲインを十分に得ることができ、パラメーター推定パフォーマンスを向上させることができます。2015 年に、Yan ら [45-47] は、C-MIMO レーダーの多重送信ビームの電力と方向の共同割り当ての確立を主導し、複数のターゲット追跡タスクのリソースの動的最適化を実現しました。2018年、中国電子科学技術大学のChengら[48]は、レーダーサブアレイの数、照射対象物、送信波形を設定することで対象物追跡精度を向上させる適応型追跡リソース管理手法を提案した。

D-MIMOは、前述のC-MIMOレーダーと比較して、送受信アンテナアレイを空間に開放することで空間ダイバーシティの検出利得を十分に得ることができます。同様に、国内外の学者も、送信帯域幅 [49,50]、送信ビームと波形 [51,52]、電力割り当て [53] など、D-MIMO レーダーの認知追跡に関するリソース スケジューリング方法に関する研究を実施しています。 、54]、送信および受信アンテナの選択[55]、受信ビームの最適化[56]、およびその他のリソースの動的最適化。たとえば、2015 年に国立国防技術大学の Chen ら [53] は、協調ゲーム最適化を使用して、分散型 MIMO レーダーの送信電力スケジューリングを実現し、ターゲットの追跡精度を向上させました。2016 年に、Yan ら [45] は、集中型 MIMO レーダー用に以前に提案された共同ビーム ポインティングおよび送信電力割り当て方法を、集中型融合アーキテクチャに基づくネットワーク化された集中型 MIMO レーダー システムに拡張しました。2020 年に、軍事科学アカデミーの Liu ら [57] は、ネットワーク化された分散型 MIMO レーダーの滞留時間の最適な割り当てを完了しました。

フェーズド アレイ レーダーと MIMO レーダーは、リソースの自由度が高く、パラメーター構成が柔軟であるため、認知追跡の分野で幅広い注目を集めています。このうち、MIMOレーダーはフェーズドアレイレーダーに比べて波形送信ダイバーシティも高く、スケジューリング可能なリソースの自由度がさらに向上します。一般に、コグニティブ追跡リソーススケジューリングは、MIMOやフェーズドアレイレーダーに代表される自由度の高い多機能レーダーシステムの実現に有利です。

 4.1.2 リソース要素

既存のリソーススケジューリング作業は、レーダー周波数帯域 [58-60]、帯域幅 [61-63]、波形 [64,65]、送信電力 [45,66-68]、パターン合成 [51,52]、ビーム滞留時間[40、69–71]、帰線期間[72]、ノードスイッチ[73–75]、ノード位置[76]などのさまざまなシステムリソース要素。リソース要素のリアルタイム調整の程度に応じて、本稿では、リソース要素を時間に敏感な検出リソースと時間に敏感でない検出リソースに分類します。

(1) 一刻を争うリソース

時間に敏感なリソースとは、レーダー送信電力、ビーム滞留時間、ノード スイッチ、アレイ要素の最適化、ビーム パターン、波形パラメーターなど、スケジューリング命令に従って迅速に制御および調整できるタイプのシステム リソースを指します。

現在の研究状況に関する限り、認知追跡に関する研究作業のほとんどは、時間に敏感なリソースの最適なスケジューリングを中心に実行されています。たとえば、2012 年にワシントン大学の Chavali ら [77] は、コグニティブ レーダー送信電力の動的な調整を実現した、マルチターゲット追跡のための適応電力割り当て戦略を提案しました。2014 年、国立国防技術大学の Sun ら [78] は、MIMO レーダー測位問題に狙いを定め、ノード電力を最適化することで測位精度を向上させました。

単純な送信電力の最適化に加えて、送信電力リソースとビーム ポインティング [23,79]、ノード スイッチ [75,80]、帯域幅 [81]、サブアレイ選択 ​​[82,83] などのリソース要素を組み合わせた研究もあります。など。マルチタイプの包括的なリソースの最適化されたスケジューリング。たとえば、2014 年に、国立国防技術大学の Ma ら [84] は、MIMO レーダー ネットワーク ターゲット測位シナリオ用のレーダー アンテナ サブアレイの選択と送信電力の共同最適化を実装しました。同年、デルフト工科大学の Katsileriis ら [85] は、追跡対象の脅威を最小限にすることを最適化目標とし、センサーノードの最適な選択を実現しました。2022年、Shiら[86]は分散型フェーズドアレイレーダーネットワークの送信リソース管理の問題に焦点を当て、各レーダーの出力、滞留時間、波形帯域幅、パルス長を共同で送信し、LPIとターゲットを大幅に改善した。レーダーの探知性能。2023 年、江蘇科技大学の Jin ら [87] は、アルゴリズム ゲーム理論の手法を使用して、分散コグニティブ レーダー ネットワークの送信電力と帯域幅の最適な同時割り当てを実現しました。

もう一つの研究動向は、制御リソースをレーダーノードレベルやビームレベルからアレイ素子レベルまでさらに洗練させ、レーダーレベルやビームレベルの管理を実現することである。要素レベルのリソース管理のモデルの粒度は、レーダー レベルやビーム レベルの管理よりも詳細であり、確立された信号モデルはより正確ですが、その代償として、最適な管理の数学的問題は多くの場合、それよりも複雑になります。ビームレベル。たとえば、2021 年に、西甸大学の Sun ら [52] は、C-MIMO レーダーの各アレイ要素の送信波形相関行列のオンライン設計と制御を実施し、送信パターンを最適化しました。同年、中国電子科学技術大学の Ren ら [51] は、無線ネットワーク レーダー用のアレイ要素レベルの自由度の認知追跡リソース スケジューリング方法を研究しました。

(2) 時間に依存しないリソース

リアルタイムで調整できる時間に敏感なリソースと比較して、時間に敏感でないリソースは調整サイクルが長く、短期間に大きな変更を達成することができません。時間に依存しない一般的なリソースには、レーダー ノードの位置、ノードの組織と接続ネットワーク アーキテクチャなどが含まれます。

現在、時間に依存しない検出リソースのスケジュールに関する研究作業は、主にレーダー システムの移動プラットフォームの位置の最適化に焦点を当てています。たとえば、Meng Ling et al. [88] は、プラットフォームの飛行経路を共同で動的に最適化する、航空機搭載フェーズド アレイ レーダーの飛行経路最適化スキームを提案しました。マルチレーダーの監視および捜索タスクを目的として、Tang et al. [89] は、主要な監視エリアにおけるレーダーの目標検出性能を向上させる軌道計画スキームを提案しました。

航空機搭載プラットフォームの飛行経路と時間に敏感な検出リソースを同時にスケジュールすると、レーダー システムの検出性能をさらに向上させることができます。たとえば、Lu et al. [90] は、航空機レーダーの飛行経路と複数目標追跡シナリオにおける送信電力リソースの共同最適化設計アルゴリズムを提案し、これにより航空機レーダー目標追跡のパフォーマンスが効果的に向上しました。Yan Junkun et al. [91] は、動的領域での動的カバレッジ性能を向上させるために、複雑な動的環境における複数航空機レーダーの協調追跡最適化を検討しました。さらに、関連する研究には、マルチ UAV プラットフォームの経路計画 [92]、空中プラットフォームの機首方位の最適化 [93]、速度および姿勢変化率の最適化 [94] なども含まれます。

移動プラットフォーム レーダー位置に関する前述のリアルタイム プランニング問題に加えて、時間に依存しない検出リソース スケジューリング問題のもう 1 つの典型的なケースは、地上レーダー ステーション レイアウトのトポロジー最適化です。2017年、武漢大学のYiら[95]は、システム検出性能と測位精度を考慮しながら、D-MIMOレーダートランシーバーアンテナを共同展開するための複合最適化モデルを確立した。2021年、ノースウェスタン工科大学のLiangら[96]は、二次元領域における分散型レーダーの測位問題に対して、展開エリアが限られている場合の最適なノード展開方法を研究した。2022年に、中国電子科学技術大学のWangら[97]は、さまざまな地域の重要性を考慮して、検出性能と測位精度に基づいたレーダーノード位置の最適化スキームを研究しました。同年、空軍工科大学 Qi ら [98] は、D-MIMO レーダー目標検出性能を向上させるために、共同アンテナ展開と電力割り当ての戦略を提案しました。

前述のレーダー位置リソースの最適化に加えて、時間に依存しないもう 1 つの重要なリソース要素はレーダー ノードの組織と接続ネットワーク アーキテクチャですが、関連する研究作業はまだ初期段階にあります。2020年、中国電子科学技術大学のYangら[99]は、マルチレーダー協調監視のための信号と情報のマルチレベル融合アーキテクチャに基づくレーダー融合センターとノード組織のリンク関係の最適化スキームを提案した。さまざまな程度の領域での監視パフォーマンス。

一般に、既存の研究作業の多くは、主に時間に敏感なリソースのスケジュール設定に焦点を当てています。一方で、航空機、船舶、および UAV プラットフォーム レーダー システムの開発に伴い、近年の重要な傾向は、時間に敏感なリソースと時間に敏感でないリソースを組み合わせて共同最適化することです。一方で、リソース スケジューリングの自由度をさらに追求し、検出パフォーマンスを最大化するために、リソース スケジューリングを下位レベルのレーダー パラメーターの最適化制御に削減することも重要な現在の傾向です。たとえば、要素レベルのリソース管理は、検出パフォーマンスに対するビームフォーミング プロセスの影響を考慮することによって実現されます [51,52]。

4.2  さまざまな追跡情報融合アーキテクチャにおけるリソース スケジューリング アルゴリズムの進歩

マルチレーダー認知追跡のアプリケーションでは、融合追跡のパフォーマンスを向上させるために、レーダーノード間で必要な検出情報の融合を完了する必要があり、対応する融合アーキテクチャには、前述の集中型および分散型融合も含まれます。

 4.2.1 集中型アーキテクチャ

集中型融合アーキテクチャ下での認知追跡リソースのスケジューリング問題を目指して、Hernandez et al. [100] は、センサー位置の不確実性とクラッターの影響下での集中型追跡 PCRLB を導出し、マルチセンサー ノードの選択と最適な展開方法を提案しました。Chavali et al. [77] は、集中融合下のレーダーネットワークの高い通信コストを削減するために、同時に動作するレーダーノードの数を制限し、マルチレーダーノードの最適な選択と電力割り当て方法を提案しました。国内では、ターゲット追跡精度[45,101]を向上させたり、リソース消費を削減したりするために、集中型アーキテクチャの下でフェーズドアレイレーダーとMIMOレーダーに対して多くのコグニティブ追跡リソーススケジューリングアルゴリズムが提案されています[49]。

上記の研究は主にレーダー閾値検出後の情報融合方法を考慮しており、レーダーノードのデータ時間が同期されており、レーダーノードの特性が同じであると仮定されています。2018年、中国電子科学技術大学のXieら[56]は、レーダーノードがベースバンドエコーを直接送信する信号レベル融合アーキテクチャをさらに検討し、認知追跡のためのリソーススケジューリングを完成させた。Yanら[102]は、時間非同期マルチレーダネットワークの共同目標検出および追跡問題に対して、レーダ目標検出閾値と送信電力の共同最適割り当て方法を提案した。その後の研究では、認知追跡のリソース スケジューリング作業も、さまざまな異種混合および時間非同期の集中アーキテクチャ レーダー ネットワークに拡張されました [103,104]。

 4.2.2 分散アーキテクチャ

コンコルディア大学の Mohammadi ら [105] は、分散融合アーキテクチャの下での認知追跡とリソース スケジューリングの問題に焦点を当て、コンセンサス融合アーキテクチャに対応する分散追跡 PCRLB を導出し、一連の分散センサー ノード選択方法を提案しました [74]。 。同じくコンセンサス融合アーキテクチャを目指して、香港科技大学のChenら[106]は、ゲーム理論アルゴリズムを通じてセンサーネットワークの協調測位タスクの下で分散型リソーススケジューリングを実現した。Xie et al. [80] は、分散レーダー ネットワーク用の分散粒子フィルター融合アーキテクチャに基づくレーダー リソース スケジューリング アルゴリズムを提案しました。Lu et al. [107] は、分散型 C-MIMO レーダー ネットワークのリソース スケジューリング問題に対する分散型ソリューションを提案しました。分散型アーキテクチャを備えたネットワーク化された C-MIMO レーダー システムについて、Yi ら [23] は、共分散クロスフュージョン基準に基づいて追跡パフォーマンス指標を導出し、QoS 基準に基づいて、次の条件を満たすことができる可変スケールのリソース スケジューリング アルゴリズムを提案しました。ターゲット追跡精度の要件 複数の C-MIMO レーダー検出リソースが、検出タスクの重要性に応じて統合された方法で割り当てられます。Jiang et al. [108] は、層状分散融合アーキテクチャ ネットワーキング レーダーのレーダー ノード選択コストと情報送信コストを考慮したネットワーク アーキテクチャ最適化問題を提案しました。ラフバラー大学の Deligiannis ら [109] は、ゲーム理論を使用して、分散型 MIMO レーダー システムのレーダー ノードの電力割り当てを実現しました。

一般的に言えば、集中型フュージョン アーキテクチャは理論的には最適なフュージョン トラッキング パフォーマンスを得ることができるため、現在の認知追跡リソース スケジューリング研究のほとんどは集中型フュージョン アーキテクチャに焦点を当てています。一方、分散融合アーキテクチャは中央融合ノードを必要とせず、情報伝送の要件が低いため、UAV 群と戦闘機の協調検知など、無線伝送ネットワークに基づく非中央協調検知シナリオに特に適しています。そのため、近年では研究も徐々に増えてきています。フォローアップ研究の傾向は、核融合アーキテクチャをレーダーデータ通信および送信プロセスと組み合わせ、限られた送信帯域幅などの現実的な条件に近い核融合追跡シナリオを検討することである[110-113]。たとえば、Xidian University Zuo et al. [113] は、データ送信中にパケット損失が発生した場合のリソース管理を検討しました。

4.3   さまざまな目標追跡パフォーマンス指標の下でのリソース スケジューリング アルゴリズムの進捗

システム リソースとターゲット追跡パフォーマンスの間のマッピング関係を表現または予測できる関数を正確に構築することは、効率的なリソース スケジューリングの前提条件です。四川大学のShenら[75]は、ターゲット追跡性能指標のモデリング要件に焦点を当て、カルマンフィルター関連情報ゲイン行列を使用して追跡性能予測を実現し、大規模センサーネットワーク用のノード選択方法を提案した。Shiら[30]は、相互情報を使用して送信電力リソースのスケジューリングを達成した。しかし、現在の研究状況に関する限り、認知追跡リソースのスケジューリング作業のパフォーマンス指標のほとんどは依然として PCRLB に基づいています。このインデックスは、逐次ベイジアン フィルタリング問題における不偏推定量の誤差の理論的な統計的下限として使用され、ほとんどの場合、ターゲットの追跡誤差をより正確に予測できるため、さまざまなリソース管理問題で広く使用されています。ターゲット追跡 [114,115]。

現在の PCRLB 関連の研究作業の主な傾向の 1 つは、それをより複雑なアプリケーション シナリオに拡張することです。クラッター シナリオにおけるターゲット追跡問題について、Hernandez ら [100] は、対応する情報減衰係数ベースの PCRLB (IRF-PCRLB) を導出し、それをクラッター シナリオにおけるリソース スケジューリング問題に適用しました [116、117]。検出確率が 1 未満の非理想的な検出シナリオの場合、Farina et al. [118] は、モノスタティック レーダーのすべての追跡サイクルにわたって検出/欠落の可能性のあるケースを平均することにより、列挙ベースの PCRLB を導出しました。

さらに、この研究分野のもう 1 つの大きな傾向は、数学的原理からより正確な PCRLB 理論式を導き出すことです。従来の PCRLB 計算では、測定情報が直接的に使用されず、状態推定平均値の計算過程で間接的に使用されるため、通常、測定情報の計算損失が発生し、PCRLB が正確に下位値に近づくことができませんでした。トラッキングエラーの限界。この点に関して、シラキュース大学の Zuo ら [119] は、対象測定値の条件付き平均を取ることにより、測定情報の一部を計算プロセスで保存し、その後、認知追跡リソースのスケジューリング問題に適用されます [120]。

上記の研究は主に単一レーダー/単一センサーのターゲット追跡の問題に焦点を当てていますが、これに基づいて、マルチレーダー/マルチセンサーのターゲット追跡 PCRLB とそのコグニティブ追跡リソース スケジューリングも広く注目されています [26,110]。文献 [100, 101] は、クラッター シーンにおける集中型融合 IRF-PCRLB を最初に示したものであり、分散型融合 PCRLB 表現 [34] も登場します。理想的ではない検出環境に対して、中国電子科学技術大学 Sun ら [121,122] は列挙ベースの PCRLB を導き出し、複数局のレーダー リソースの最適なスケジューリングを実現しました。文献 [105,123] は C-PCRLB の分散融合を提示し、それをマルチターゲット追跡、マルチレーダービームポインティング、およびパワースケジューリングの問題に適用しました [74]。

現在、認知追跡パフォーマンス指標のモデリングは主に PCRLB を中心に行われており、研究作業のほとんどは PCRLB を実際の追跡シナリオ (クラッター シナリオ、不完全検出シナリオなど) に拡張すること、または数学理論の観点から行うことに専念しています。より正確な表現が導出され、より正確な追跡パフォーマンスの予測/評価が達成され、それによって、対応するシーン リソース スケジューリング アルゴリズムのパフォーマンスが向上します。

4.4   さまざまな最適化基準の下でのリソース スケジューリング アルゴリズムの進歩

セクション 3.2.5 で説明したように、マルチレーダ協調リソース スケジューリング問題の本質は、リソース要素 Θk を変数として数学的最適化問題を確立し、数学的計算を通じて最適なリソース要素 Θk 割り当てスキームを取得することです。ここでの最適化目的関数 f(⋅) の具体的な式は、多様な追跡タスク シナリオの要件を満たすスケジューリング基準とモデルに従って設計する必要があります。

 4.4.1 タスクパフォ​​ーマンスの最適基準

最適パフォーマンスの基準の下では、最適化問題の式における最適化目標は (11)

は、リソース Θk を最適に割り当てることによって追跡エラーを最小限に抑えるために、追跡エラーに関連する関数としてモデル化されます。

(1) 単一目標追跡シナリオ

単一オブジェクト追跡の目的関数の最適化は比較的簡単です。この時点で、式 (11) の最適化目標は次のように簡略化できます。

。文献[124]は、

式(10)のPCRLB行列のトレースとして定義 

、追跡ターゲットの位置と速度推定の累積誤差を表します。文学 [125] は、

目標追跡 PCRLB 行列位置推定誤差に対応する対角要素の合計として定義され、追跡目標位置推定誤差を表すために使用されます。さらに、最適化目的関数は、PCRLB の行列式、対角要素の加重和などとして定義することもできます [31]。PCRLB以外にも、カルマンフィルタリング[29]における追跡相互情報量や予測共分散行列に対しても同様の演算を行うことで、追跡誤差の予測と評価を実現することができる。

(2) 複数目標追跡シーン

単一目標追跡タスクとは異なり、複数目標追跡タスクではタスク間でリソースの競合が発生し、単一タスクのパフォーマンス向上にはより多くのリソースを消費する必要があり、レーダー送信リソースが限られている場合、必然的にパフォーマンスの低下につながります。他のタスクの劣化。したがって、マルチターゲット追跡シナリオに適した目的関数の設計プロセスはより複雑になります。

図 11 に示すように、レーダーの監視範囲内に近くから遠くまでターゲット 1、2、3 が存在することを考慮して、図は 3 つの異なる追跡パラメータ推定結果を示しています [79]。図 11(a): 近距離および中間エリアのターゲット 1 および 2 のパラメータ推定精度が高いが、遠距離エリアのターゲット 3 の推定精度が低い; 図 11(b): ターゲット 2 および 3 のパラメータ推定精度が高い中間領域と遠方領域の推定精度、近距離領域のターゲット 1 の推定精度は低い; 図 11(c): 3 種類のターゲットのパラメータ推定精度は、最初の 2 つの結果の最高精度と最悪精度の間のおおよそのパラメータ推定精度を持っています。

図 11 考えられる 3 つのターゲット状態の推定結果 [126]

上記の結果では、異なるターゲットの推定誤差にはそれぞれ長所と短所があり、3 種類の追跡結果のどちらが良いか悪いかを一概に定義することは困難です。したがって、複数の物体追跡の全体的な総合的なパフォーマンスの評価と、対応する目的関数の設計は、依然として複雑で未解決の問題です。現在一般的に使用されている方法は次のとおりです。

A) 加重和基準: マルチターゲット追跡シナリオにおける最適目的関数設計問題の場合、シンプルかつ直観的な方法は、すべてのターゲット推定誤差の加重和を最小化することです [127]:

   (13)    

その中で、ρqターゲットqの重要度重み、

はペア誤差関数を表します

PCRLB のトレースを取得するなど、 のスカラー化操作。加重和法では、さまざまな目標の重みを決定する方法はまだ明らかではありません。

B) MinMax 基準: MinMax 基準に基づくグローバル目的関数は、複数のターゲット [40、45、80、116] の中で追跡パフォーマンスが最も悪いターゲットの推定誤差を最小限に抑えることを目的とし、対応する目的関数は次のように表すことができます。

   (14)    

MinMax に基づく最適化問題では、最も性能の悪いターゲットに起動リソースを割り当てることで、最終的な最適化結果は各ターゲットの誤差が比較的一定のレベルに収束します。

一般に、加重合計基準または MinMax 基準はマルチターゲット追跡のパフォーマンスを記述する方法を提供しますが、これら 2 つの基準には依然として大きな制限があります。たとえば、MinMax 基準の場合、その最適化の目的は、追跡されるすべてのターゲットの追跡誤差を収束させることですが、これは、さまざまな追跡タスクの重要性、追跡精度要件など、ターゲット間の違いを無視します。

(3) QoS モデルに基づくグローバル目的関数

より記述的でマルチターゲット追跡タスクに適したグローバル目的関数を見つけるために、文献 [79] では、次の 2 つの側面を同時に考慮する必要があると提案しています。

1 つは、目的関数の設計を実際のレーダー システムの機能と組み合わせる必要があるということです。たとえば、同じレーダー システムの場合、角度分解能は固定されていることがよくあります。したがって、同じターゲット信号対雑音比の条件下でも、遠方ゾーンのターゲットの追跡位置誤差は、近方ゾーンのターゲットの追跡位置誤差よりもはるかに大きくなります。このとき、リソースの最適化に MinMax 基準が使用されている場合、すべてのターゲットの追跡パフォーマンスを同じレベルに維持するために、システムはほとんどのリソースを遠ゾーンのターゲットの追跡に使用しますが、少量のリソースのみを使用します。近距離ゾーンのターゲットにリソースが割り当てられるため、追跡精度は保証できません。しかし実際には、近距離のターゲットのタスクレベルは高く、追尾精度に対する要求もより高いことが多い。

第 2 に、目的関数の設計では、複数ターゲット追跡タスクの全体的なパフォーマンスとターゲット タスクの差別化に焦点を当てる必要があります。実際の追跡タスクでは、レーダーはターゲットの種類と状態に応じて脅威と重要性を評価します。目的関数の設計では、すべてのターゲットの追跡精度を意図的に同じに保つのではなく、ターゲットの差別化を考慮する必要があります。たとえば、近くの領域にある脅威の高いターゲットの場合、追跡精度の要件は、遠くにある脅威の低いターゲットの追跡精度の要件よりもはるかに高くなければなりません。

複雑なアプリケーションシナリオによってもたらされる多様なタスク要件を満たすために、Yuan et al. [79] は、QoS モデルに基づいたグローバル目的関数設計スキームを提案しました。その後の研究では、QoS モデルに基づくグローバル目的関数が徐々に改良されました [20、60、128、129]。QoS モデルの基本的な考え方は、さまざまなタスク ユーティリティ関数を通じて複数の差別化された目標を記述することであり、対応する数式は次のとおりです。

   (15)    

このうち、重要度重み ϖq、品質関数 Mq(⋅)、効用関数 ϕq(⋅) は、すべてのタスクにおける 1 つの追跡タスク q の重み、期待されるパフォーマンス レベル、およびタスク全体の効用を表すために使用されます。特定のタスクのパフォーマンスの下で。QoS モデルのこれら 3 つのパラメーターは、グローバル目的関数の自由度と記述能力を向上させ、さまざまなタスクや最適化基準に従って設計できます。

最適な性能追跡基準を目指して、文献 [23] では、ビーム ポインティングと送信電力の同時最適化を実現する、指数関数的効用関数に基づくグローバル目的関数設計スキームが提案されています。

   (16)    

このうち、制約１〜３は、式（２）におけるレーダビームの総量と電力の制約に相当する。制約 4 で

レーダー ノード n の b 番目の追跡ビームがターゲット q を指していることを示します。制約 5 は、ビーム指向制約を表します。つまり、レーダーは複数のビームを送信して同じターゲットを同時に指すことができません。システム全体のリソース パラメータ Θk には、ビーム ポインティング Uk と送信電力の 2 つの次元が含まれます。

、で、

すべてのレーダーのビーム ポイントのセットです。

すべてのレーダーの合計送信電力。各ターゲットの QoS モデルの追跡パフォーマンスが確認できます。

(ターゲット エラーの PCRLB) はすべて、予想される精度要件を設定します

、全体としての目的関数の値は、精度と要件の差に応じて指数関数的に変化します。

図 12 は、[23] のターゲット追跡シナリオを示しています: 3 つのレーダーが協力して 4 つのターゲットを追跡します. ネットワーク化された MIMO レーダーからの距離に応じて、検出エリアは近くから遠くまで 3 つの部分に分割され、対応する予想される追跡は、近いほど、精度が高いほど良い。上記のシナリオに基づいて、図 13 は、MinMax および QoS モデルのさまざまな重要度の重み ϖq と追跡パフォーマンス要件を示しています。

以下の追跡結果が比較されます。ここで、RMSE-Target i と BCRLB Target i は、それぞれ、ターゲット i の状態推定の二乗平均平方根誤差と PCRLB を表します。横座標 k は k 番目の追跡モーメントを表し、しきい値は対応する追跡パフォーマンス要件です。QoS モデルのさまざまなシミュレーション パラメーターの設定については、表 1 を参照してください。QoS モデルは、複雑なシナリオにおけるさまざまなタスクのニーズを満たすために、追跡精度の差分調整を実現できることがわかります。図 14 は、図 13 の 4 つのシナリオに対応するリソース スケジューリングの結果を示しています。これには、時間の経過に伴うレーダー ビーム方向の変化と送信電力割り当ての結果が含まれます。ターゲット追跡のパフォーマンスを動的に制御する QoS モデルの本質は、各ターゲットに異なる重要度の重み ϖq とタスクのパフォーマンス要件を割り当てることであることがわかります。

およびその他のパラメータを使用して、異なるレーダー送信電力とビーム指向リソース構成を実現し、差別化されたマルチターゲット追跡結果を出力します。

図 12 ネットワーク化された MIMO レーダーの複数目標追跡シナリオ [23]

図 13 MinMax モデルと QoS モデルでのマルチターゲット追跡パフォーマンスの比較[23]

図 14 MinMax モデルと QoS モデルでのリソース割り当て結果の比較 (正規化された送信電力)[23]

表 1 文献 [23] における QoS モデルの 3 つの異なるパラメータ設定

(4) マルチタスク指標に基づく多目的最適化

上記の作業はすべて、単一のタスク指標タイプに基づいて構築された単一目的の最適化問題です。さらに、コグニティブ追跡パフォーマンス メトリックを他の検出タスク メトリックと組み合わせたり、異なる次元から複数の追跡パフォーマンス メトリックを構築したりすることにより、リソース スケジューリング最適化問題を多目的最適化問題として構築できます。たとえば、レーダー監視および測位タスクにおけるレーダー構成の最適化の場合、検出範囲と測位精度を同時に最大化する多目的最適化問題を確立でき、非支配的なレーダー構成ソリューション セットを次のアイデアを使用して見つけることができます。パレート最適性 [97]。同様のアイデアは、フェーズド アレイ レーダー探索および追跡 (トラック アンド サーチ、TAS) モードでの探索および追跡タスクのパフォーマンスの共同最適化にも使用されます [38]。さらに、Cheng et al. [48] は、追跡エラーとレーダー消費電力を同時に最小化する二重目的最適化問題を提案し、これは追跡エラーと消費電力の加重合計によって単一目的問題に次元削減されました。

 4.4.2 システムリソース最小化のガイドライン

上記のセクション 4.4.1 の最適パフォーマンス基準とは異なり、システム リソース最小化基準の目的は、特定のタスク パフォーマンス指標を満たしながらシステム リソースの使用率を最小限に抑えることです。

(1) 直接的なリソースを最小限に抑える

たとえば、数学的最適化問題で一般的に使用されるリソース最小化追跡基準は、事前に設定されたパフォーマンス制約を満たしながらターゲットを追跡することです。

では、レーダーの総送信リソースが直接最小化されます。これを、この論文では直接リソース最小化モデルと呼びます。式 (12) を参照すると、直接リソース最小化に対応する最適化問題は次のように書くことができます。

   (17)    

直接リソース最小化の目的関数はレーダリソースの凸組み合わせであり構造が単純であり、制約条件が凸関数の場合には凸最適化アルゴリズムにより最適解を求めることができる[130]。直接リソース最小化に基づくマルチレーダーリソースのスケジューリングも、近年、ターゲット測位タスクでのレーダー出力割り当て[131]、ターゲット追跡タスクでのレーダー滞留時間[125]、出力およびビーム指向割り当て[132]を含む、広範な注目を集めている。 、およびワイヤレスセンサーのスペクトル共有などの問題[133]。

直接的なリソースの最小化により、最適な LPI ミッション パフォーマンスなどのレーダー システムのリソース消費を削減したり、バッテリー駆動のワイヤレス センサー ネットワークなどの自己電源式検出システムの動作寿命を延長したりできます。ただし、この基準には数学的な解決策の欠陥もあります。レーダー検出リソースの予算が不十分な場合、パフォーマンス期待の制約を満たせないため、リソースの直接的な最小化が発生する可能性があります。

問題に対する実行可能な解決策が見つかりません。

(2) QoS モデルに基づくグローバル目的関数

直接的なリソース最小化の数学的解決策の欠陥を克服するために、文献 [33] では QoS モデルに基づくグローバル目的関数設計スキームが提案されています。このスキームでは、厳密なパフォーマンス制約が最適化目標の効用関数の値の変化に変換され、それによって、制約が満たされていないために直接的なリソースの最小化では実現可能な解決策がないという欠陥が回避されます。対応する最適化問題は次のとおりです。

   (18)    

で、

   

関数

の最小値は、ターゲット追跡精度が対応するパフォーマンス要件をちょうど満たす場合に対応します。この最小値に基づいて、リソースの使用量が多すぎるかリソースの割り当てが不足すると、ユーティリティ関数の値が増加します。

図 15 に示すように、リソースが十分である場合、QoS モデルと直接リソース最小化モデルに基づくグローバル目的関数は、同じタスク パフォーマンスを達成できます (つまり、タスクの精度要件を満たし、送信リソースの消費が最小になります)。リソースが不十分な場合、QoS モデルは、さまざまなタスク重要度の重みと追跡精度要件に従って差別化されたリソース スケジューリング スキームを提供することで、実行可能な解決策がない状況を回避できます。

図 15 直接リソース最小化と QoS モデルの下でのマルチターゲット追跡パフォーマンスの比較[33]

QoS モデルに基づくグローバル目的関数の設計では、ターゲット追跡精度を考慮するだけでなく、タスク要件を追跡するための他のパフォーマンス指標も考慮できます。たとえば、Yan et al. [134] も、事前に設定された追跡精度を最大化することを目的として、ターゲット容量に基づいた目的関数設計を提案しました。

ターゲットの数。電子科学技術大学 Xiong ら [135] は、ネットワーク通信コストと追跡精度の加重和を使用して QoS モデルの目的関数を定義し、複数のレーダー間でのマルチターゲット追跡タスクの最適な割り当てを実現しました。

同時に、QoS モデルはターゲット追跡の問題に限定されず、レーダー サンプリング レートの最適化の問題を目指して、Havelsan Company の Irci et al. [128] は、レーダー検出パフォーマンスの経験的指標モデルのセットを設計しました。指数効用関数に関して、制御アレイレーダーのサンプリングレート最適化の相対的な数学的問題を構築および解決しました。より広い意味でのレーダー検出タスクの下でのリソース割り当て問題を目的として、ドイツのフラウンホーファー FKIE の Charlish ら [129] は、QoS モデルのグローバル目的関数設計の一般的なスキームを要約し、QoS の適用について議論しました。コグニティブレーダーリソーススケジューリング分野のフレームワークであり、その適用状況が体系的にまとめられています。

一般に、最適なパフォーマンスとリソースの最小化には、認知追跡リソースのスケジューリングに関するほとんどの研究で使用される最適化基準が含まれます。最適な性能基準により、限られたリソースの下で高い検出性能を達成でき、検出能力を拡大してターゲット追跡性能を向上させる協調検出システムのニーズを満たします。リソース最小化基準には、システム リソースの消費、LPI パフォーマンスなどの点で利点があります。全体として、さまざまな最適化基準には、それぞれに有利なアプリケーション シナリオがあり、最適化基準の選択では、特定のタスク シナリオの要件を十分に考慮する必要があります。

4.5  複雑なタスクシナリオにおけるリソーススケジューリングアルゴリズムの進歩

新たな探知対象の出現や探知電磁環境の複雑化に伴い、追尾対象の移動状態やレーダー実行タスクの環境特性は複雑かつ変化しやすい状況を示している。したがって、低高度、ターゲットの操縦、グループターゲット追跡、電子偵察、妨害環境などの複雑なタスクシナリオでターゲット追跡リソースのスケジューリングを検討することは、この分野では最先端かつ困難な問題となっています。

 4.5.1 複雑なターゲット運動モデル

現在、ほとんどのコグニティブ トラッキング リソース スケジューリング作業は、タスク シナリオを簡素化します。一方では、既存の研究は通常、ターゲットが等速度や等加速度などの規則的な運動モデルに従うと仮定しており、低高度ターゲットの操縦性、地面や海のクラッターなどの要因がリソーススケジューリングアルゴリズムに及ぼす影響を考慮していません。 。一方、マルチターゲット追跡では、既存のリソース スケジューリング作業では通常、追跡データ処理を簡素化するためにターゲットが空間的に遠く離れていることを前提としています。これらの仮定により、実際のアプリケーション シナリオにおけるリソース スケジューリング アルゴリズムのパフォーマンスが制限されます。

上記の欠点に対処するために、ターゲットの動きの複雑さの観点からいくつかの認知追跡リソースのスケジューリング作業も開始されており、ターゲットの操縦 [136-138]、低高度ターゲット [136-138] などのシナリオで認知追跡を実行します。 139]、およびグループ目標 [140,141] リソースのスケジュールの問題に関する研究。これらのリソース スケジューリング問題のほとんどは、最初に複雑なモーション シーンに対する適応信号処理方法を設計し、次にリソース スケジューリング問題の入力として対応するパフォーマンス指標を導出し、最終的にレーダー リソースの最適化を実現します。操縦目標追跡を例に挙げると、2020 年に棗荘大学 Han ら [136] は、状態ベクトルが異なるモデルの下で同じ平均と共分散を持つという前提の下で最適なガウス法を提案し、これが各追跡で使用されます。モーメントは IMM 運動モデルの以前のターゲット PDF を置き換え、これに基づいて追跡パフォーマンス指標が導出され、サンプリング時間と電力リソースの共同最適化が完了します。空軍工科大学 Zhang ら [137] も同様のアイデアを採用して、操縦目標や低高度目標を追跡するためのレーダー リソースを最適化しました [142]。

 4.5.2 LPI 条件下での認知追跡

この方向性は、システム LPI パフォーマンスと追跡パフォーマンスの両方を保証するリソース スケジューリング アルゴリズムを設計することを目的としています。2020 年に Shi ら [39] は、フェーズド アレイ レーダー ネットワークのマルチターゲット追跡におけるターゲット割り当てとリソース結合割り当てアルゴリズムを提案し、リソース スケジューリング プロセス中に、マルチターゲット追跡パフォーマンスとシステム LPI パフォーマンスの両方が考慮されました。これに基づいて、追跡パフォーマンスを最大化したり、システムリソース消費を最小限に抑えたりするために、レーダー出力、滞留時間、帯域幅、およびパルス長のLPIベースのマルチパラメータ共同割り当てアルゴリズムがさらに提案されています[86]。地上ベースのフェーズドアレイレーダーに関する上記の研究に加えて、追跡性能を満たすことに基づいて航空機ネットワークの傍受確率を低減するために、航空機ネットワークレーダーのリソーススケジューリングに関するフォローアップ作業が実施されている[143]。 ]。MIMO レーダーシステムにおける低迎撃性能の最適化研究を検討した文献 [144-146] もある。さらに、統合レーダー通信システムに基づく別の研究もあり、レーダー検出性能と通信性能の両方を満たす統合システムの電力割り当てスキームを研究しています[147]。

LPI のパフォーマンスは最新のレーダー システムの重要な指標の 1 つであり、LPI に基づく認知追跡リソース スケジューリングに関する研究には重要な応用価値があります。しかし、一般に、LPI 条件下での認知追跡のリソース スケジューリングに関する研究はまだ未熟です。たとえば、LPI システム モデルとネットワーク化された検出システムの性能評価指標のモデリングはまだ完成していません。

 4.5.3 干渉環境における認知追跡

新しい電子偵察、識別、妨害方法の開発に伴い、迎撃や妨害などのシナリオにおける目標検出の完了は、徐々にマルチレーダー調整が持つ必要のある基本機能になりました。したがって、認知追跡リソースのスケジューリング問題の研究では、さまざまな電磁干渉シナリオも考慮する必要があります。

アクティブ電子妨害は、レーダーに引き起こす妨害効果に応じて、抑制妨害と欺瞞妨害の 2 つのカテゴリに大別できます。1996 年以来、米国ジョージア工科大学の Kirubarajan ら [41,42] は、誤警報が存在する場合の追跡に使用される、均一照射能力を備えたフェーズド アレイ レーダーのリソース スケジューリング問題に関する研究を実施してきました。およびアクティブ抑制干渉操縦ターゲット。スプーフィング妨害下でのレーダーリソースのスケジューリングを目的として、2005 年に国立国防技術大学の Zhou Ying ら [148] は、マルチフォールスターゲット妨害効果の 3 つの指標を定義し、タスクのスケジューリングとリソース管理の最適化手法を提案しました。2019年、南京航空航天大学のTaoら[149]は、アクティブ抑制干渉下での目標追跡性能と追跡能力を向上させるために、フェーズドアレイレーダーの複数目標追跡のための最適な時間割り当てアルゴリズムを提案した。フェーズドアレイレーダーに加えて、Zhang et al. [150,151] は、妨害が抑制された場合の MIMO システムレーダーの結合ビーム電力割り当て問題、およびスプーフィング妨害下での分散型 MIMO レーダーのサイト選択と電力割り当ての問題も検討しました。

上記の作業はレーダー側の一方的なリソース最適化に基づいています。現在、レーダーとジャマー間の双方向ゲームが、敵対的環境におけるレーダーリソースのスケジューリングの研究において徐々に重要なポイントとなっている[152]。インテリジェント アルゴリズムの台頭により、ますます多くの学者が、対立環境におけるレーダー リソースのスケジューリングの問題を解決するためにインテリジェント アルゴリズムの使用を検討し始めています。2012年、米国コネチカット大学のSongら[153]は、ゼロサムゲーム解析の効用関数としてMIMOレーダーとジャマー間の相互情報関数を取り上げ、電力配分最適化モデルを構築した。2022 年、中国人民解放軍陸軍工学大学の Zhang ら [154] は、アンチジャミング問題に対するデュアルモード Q 学習に基づくマルチユーザーアンチジャミング通信チャネルと電力の共同最適化スキームを提案しました。追跡妨害。2022年、中国電子科学技術大学のAiliyaら[155]は、レーダーの蓄積性能とLPI性能のバランスをとることができる、強化学習に基づくレーダー周波数ホッピング対ジャミング戦略を提案した。

前述の 2 種類の複雑なシナリオにおけるリソース スケジューリング問題と同様に、干渉環境におけるコグニティブ トラッキング リソース スケジューリングは近年大きな注目を集めていますが、解決すべき問題はまだ多くあります。さらに、レーダーリソース認識対決ゲームの問題を解決するためにインテリジェントなアルゴリズムを使用することが徐々に傾向になってきています。

5. 研究動向と展望

一般的に言えば、マルチレーダー協調探知技術の本質は、探知構成、信号次元、システムの自由度などの方向で低次元から高次元へ進化することであり、これは開発傾向と一致しています。レーダー技術の法則に基づくもので、近年レーダー技術としても注目されている分野の一つです。統合システムリソーススケジューリング方式は、レーダーの高度な連携を実現するための機構保証およびコア技術です。この目的を達成するために、この論文は、追跡調査の参考を提供することを目的として、近年の認知追跡とリソーススケジューリングの方向における最新の研究の進歩を整理します。

論文の最初の 4 つのセクションから、この技術は複数のレーダーの相互作用と連携に基づいているため、関連する信号と情報の次元およびシステムの自由度が、単一のレーダー関連技術よりも大幅に高くなることがわかります。したがって、この技術は、ネットワークアーキテクチャと通信伝送、情報融合理論、最適化問題のモデリングと解決、機械学習、人工知能などの基本的な理論手法の進歩とともに開発されることがよくあります。一方で、この技術は、レーダーシステムが直面するさまざまな新しい検出目標や軍事および民間の電磁干渉信号に関する研究を実行するために、最新の指揮統制理論システムと組み合わせて、さまざまな実際のタスクのニーズに厳密に従う必要もあります。最後に、現在の公開情報によると、この方向の研究は主に理論的なアルゴリズムの研究に焦点を当てており、アルゴリズムのパフォーマンス上のメリットはシミュレーション モデルによって検証されていますが、実際の環境におけるエンジニアリングの有用性とパフォーマンス上のメリットはまだ明らかになっていません。まだ検証されていません。

一般的に、技術開発とアプリケーション要件の観点から、この技術には次のような開発傾向があります。

• (1) 多様化したマルチレーダー通信伝送およびレーダーネットワーキングアーキテクチャ: 現在のコグニティブ追跡リソースのスケジューリング作業のほとんどは、同じシステムの集中型通信伝送アーキテクチャとレーダー調整に焦点を当てています。分散型ネットワーク アーキテクチャ、異種非同期レーダー ノード、さらにはレーダーと異種センサーの協調ネットワーキングに関する研究には、依然として大きな発展の可能性があります。

• (2) 高次元混合レベル信号・情報総合処理方式：現在はレーダ痕跡レベル情報（計測値、尤度関数、事後確率密度関数等）の融合が主に利用されており、マルチレベルの開発方向性-レーダー連携とは 1つ目は、信号処理と情報融合理論の開発を組み合わせて、軌跡レベル、点軌跡レベル、信号レベルなどの多レベル情報混合処理手法を研究することです。同時に、対応する認知追跡リソースのスケジューリング方法にも対応する拡張機能が必要です。

• (3) 多様な目標、複雑な地形、電磁環境への配慮：レーダーが直面する探知環境はますます複雑化しており、さまざまな新たな探知目標や軍民の電子干渉が絶えず出現しており、レーダーの探知・生存可能性に課題をもたらしている。したがって、認知追跡やリソーススケジューリング手法の研究も、検出対象や検出環境の変化に対応する必要があります。

• (4) マルチタスク競合条件下でのグローバル最適スケジューリング方法: 現在のリソース スケジューリング方法の研究は主にターゲット追跡タスクに焦点を当てていますが、実際のアプリケーションでは、レーダー システムは探索、追跡、識別、LPI、アンチジャミング、通信、その他のタスクがあり、各タスクの実行中にリソースの競合が発生します。将来の研究では、状況支援、目標指示、損害評価、指揮と誘導の 4 つの主要なタスク シナリオに焦点を当て、協調的な検出リソースのスケジューリングに関するより多様な研究を実行することができます。

• （5）数学的モデリングと人工知能を組み合わせた協調スケジューリング：従来のリソーススケジューリング問題は、分析最適化モデルを確立して解決することを目的としており、分析モデルは複雑なシナリオにおけるレーダーの総合的なパフォーマンスを記述することがますます困難になっています。強化学習やディープニューラルネットワークに代表されるインテリジェントな最適化アルゴリズムの急速な発展に伴い、人工知能手法とレーダー信号および情報処理、およびレーダーシステムの統合リソーススケジューリングを組み合わせることが重要な開発トレンドでもあります。

• (6) 最新の指揮統制理論システムとの組み合わせ：広義のマルチレーダー協調探知クローズドループでは、探知環境、機器の状態、諜報情報、指揮官の意思決定、人間などの複数の要素を総合的に考慮する必要がある。 -コンピュータインテリジェントインタラクション。この論文で焦点を当てているリソース スケジューリングおよび認知追跡方法は、信号処理アルゴリズムの小さな閉ループにのみ属します。したがって、この方向の追跡研究は、指揮制御理論システムの開発と組み合わせて、協調検出大規模閉ループ理論の開発を密接にフォローする必要があります。

• (7) 典型的なマルチレーダー協調検知システムに関するプロトタイプの開発と実験的検証: コグニティブ追跡リソースのスケジューリングに関する現在の研究は、主に地上レーダーによって導かれています。将来的には、艦上編隊、戦闘機編隊、群レーダー、衛星連携などの代表的な探知システムについて、関連技術のシステム応用研究を完了し、試作機の開発や試験検証作業を実施することができる。

免責事項：公式アカウントに転載された記事や写真は、参考や議論のための非営利の教育および科学研究を目的としたものであり、彼らの見解を支持したり、その内容の信頼性を確認したりするものではありません。著作権は原著作者に帰属しますので、転載原稿に著作権等の問題があった場合は、速やかに削除のご連絡をお願いします。

「人工知能技術とコンサルティング」をリリース