1、引言与无源雷达多目标跟踪概述

1.1、无源雷达多目标跟踪是什么

• 无源雷达：自己不发射电磁波，只是“偷听”别人发射的信号（比如电视台、广播站、通信基站），通过分析这些信号的反射来发现和定位目标。 👉 类似于你站在路边，不开手电筒，只是靠路灯光线和声音去判断有人或车经过。
• 多目标跟踪：不仅要发现一个目标，还要同时跟踪多个目标，知道它们分别在哪里、往哪儿走，而且不能把它们搞混。

1.2、面临的主要挑战

(1) 信号不可控 & 背景很嘈杂

• 无源雷达用的是别人的“灯光”或“广播”，你没法控制它们的亮度和方向。
• 周围环境很复杂：
  • 有很强的“直达波”（就像灯光直射你的眼睛，容易刺眼）。
  • 地面建筑、山体、海面等会反射信号，形成多径杂波（像回声或镜面反射，真假难分）。
• 结果：目标的真实信号常被淹没在背景干扰里，容易出现：
  • 把不存在的东西当成目标（虚警）；
  • 漏掉真正的目标（漏警）。

类比：你在嘈杂的集市上想听某个人的声音，但周围太吵，很多声音都是“假目标”。

(2) 数据匹配很复杂（数据关联问题）

• 每次雷达扫描会得到很多点迹（像很多“信号闪点”），需要判断哪个点属于哪个目标。
• 无源雷达往往用多个接收站（多基地/多站组网）提高精度，但也让问题更难：
  • 不同站点收到的信号可能混在一起，特别是如果发射源频率一样，就难分清哪个点迹是由哪个发射源和目标组合产生的。
  • 多个雷达站的数据要融合，匹配起来就像“几个人同时拍照，同一个人可能出现在不同角度的照片里，要拼起来很难”。

类比：有好几台摄像机在拍一个操场上的人群，你要把每个人在不同角度的画面对上号，并跟踪每个人的行动。

(3) 目标机动多变 & 航迹容易丢失

• 如果目标是高速、机动性强的，比如战斗机、快艇，它们运动轨迹会突然改变方向或速度，传统的线性预测（如卡尔曼滤波）就不准了。
• 无源雷达还可能有探测空白期，目标信号时有时无，容易导致跟踪中断或搞混。
• 新目标刚出现时，要及时“发现并开始记录航迹”也很难。

类比：你在黑暗中靠微弱灯光看几个人打篮球，他们突然加速、转身或消失在阴影里，很容易跟丢或认错人。

2、航迹起始算法原理、分类及杂波环境困难

2.1、什么是“航迹起始”

• 航迹起始是雷达跟踪的第一步，作用是发现新目标并开始给它“画轨迹”。
• 雷达每次扫描会得到很多“点”（点迹），其中有的是真实目标，有的是杂波或噪声。
• 如果在连续几次扫描中，某些点的移动规律像是一个物体在运动，雷达就会认为这里有一个新目标，建立它的航迹。

类比：像在监控视频里看马路，屏幕上出现很多光点，有的是车灯，有的是反光或噪点。你要判断哪些点是同一辆车在移动，然后开始在地图上标出它的路线。

• 把杂波当成目标 → 产生很多假目标。
• 漏掉真实目标 → 后续跟踪不到它。

2.2、航迹起始的常见算法分类

顺序处理（实时处理）

• 原理：雷达每次扫描后，立刻用规则判断是不是出现了新目标。
• 典型做法：
  • 直观法：用简单经验，比如“连续两帧在相邻位置出现点迹，就认为有目标”。
  • 逻辑法（M/N 逻辑）：在 N 帧扫描里，有 M 次检测到点迹，就确认一个目标。
• 优点：
  • 计算量小、速度快，适合实时。
• 缺点：
  • 在杂波很强时容易误报假目标，或者因为漏检而错过目标。

类比：你在夜里开车，连续两次看到某处有灯光移动，就猜那是一辆车。但如果周围反光太多或灯光时断时续，你可能误判。

批处理（离线或延时处理）

• 原理：把多次扫描的数据先都收集起来，再做全局分析，寻找符合运动轨迹的模式。
• 典型方法：
  • 霍夫变换：把多帧点迹转到一个“参数空间”去找直线（匀速运动轨迹）。
  • 动态规划、滑动窗口累积：在时间和空间网格中找最优轨迹。
• 优点：
  • 更稳健，特别适合杂波很多的场景。
• 缺点：
  • 计算量大、延迟高，不适合实时要求高的系统。

类比：像回看几分钟的监控录像，用软件把所有光点的运动轨迹拼起来，再判断哪几个是真正的车流，而不是单凭一两帧就决定。

2.3、杂波环境下的困难

1. 虚警多
   • 杂波点迹很多，顺序方法容易被干扰，产生大量假航迹。
2. 漏警高
   • 真实目标的点迹可能被杂波淹没，或者某些帧检测不到。
3. 数据量大 & 关系复杂
   • 每次扫描都有海量点迹，目标数量又未知，如何在有限时间里快速分辨真假目标非常困难。

• 在顺序方法前加杂波过滤（例如自适应调整“波门”范围，先把明显的杂波排掉）。
• 在批处理方法里加入模糊聚类、滑窗反馈，提高在杂波下的稳定性。
• 对漏检问题加入补偿机制，比如通过聚类判断丢失点可能属于已有轨迹。
• 实际工程中常做折中：实时系统用顺序处理 + 杂波抑制；需要高可靠性时用批处理或离线分析。

类比：如果监控画面里有很多飞舞的灰尘和反光，你可能先用滤镜去掉最杂乱的噪点，再根据几秒钟的视频综合判断哪一条是车的轨迹。

2.4、新趋势：机器学习和深度学习

• 研究人员现在尝试用深度神经网络来做航迹起始。
• 做法是：把雷达多帧点迹序列（时空信息）输入神经网络，让模型自动学习杂波下的轨迹特征，区分真实目标与噪声。
• 实验表明，这种方法在强杂波环境下能显著降低虚警和漏警，提升航迹起始成功率。

类比：像是用 AI 视频分析工具去识别车辆轨迹，它能自动学会哪些是车灯，哪些是反光点，比传统的简单规则更聪明。

3、深度学习在无源雷达跟踪中的引入动机与典型模型

3.1、为什么要用深度学习

• 假定目标按某种简单的运动规律飞行（匀速、匀加速）。
• 假定杂波噪声服从某种统计分布。

• 环境中会有多径反射、各种杂波，目标也可能高速机动或轨迹不规则。
• 这些假设一旦不成立，传统滤波方法（如卡尔曼滤波）就不够准。

3.2、深度学习带来的主要优势

能学到复杂的非线性规律

• 传统方法只能处理简单关系；
• 深度神经网络可以通过多层非线性计算，去逼近非常复杂的关系。
• 在杂乱的回波、多径环境下，它可以自动学出杂波和真实目标之间的差异，学会更精准地预测目标轨迹。

类比：传统方法像用直尺画直线；深度学习像用灵活的画笔，能画出各种弯曲复杂的轨迹。

善用大数据，适应复杂场景

• 现代无源雷达有越来越多的实测和仿真数据，可以用来训练网络。
• 深度学习能从数十万条不同机动轨迹中总结出普遍规律，面对复杂或新奇的场景也能保持较好效果。
• 还可以融合多站点、多传感器的数据，一起学习，提高多源信息关联的准确度。

类比：像一个司机看过成千上万段行车视频后，即使到陌生城市也能快速适应。

端到端优化，减少“各管一摊”

• 传统跟踪通常分很多独立步骤：检测 → 数据关联 → 状态估计。每一步各自优化，可能导致整体不是最优。
• 深度学习可以把这些环节合并成一个大模型，直接以“最终跟踪效果最好”为目标进行整体训练。
• 网络结构（如 Transformer）还可以把复杂的“多目标-多观测点匹配”当作序列匹配任务，一次性优化。
• 模型经过压缩和加速后，还能在 GPU 上快速运行，满足一定实时性。

类比：传统方法像流水线生产，每个工人只管自己的一环节；深度学习像一个智能机器人，能整体考虑，把流程做得更顺畅。

自动挖掘隐藏特征，辅助决策

• CNN 可以从雷达回波的时频图像中提取微多普勒特征（细微运动信息），帮助识别目标类型或轨迹。
• RNN/Transformer 可以理解历史运动模式，预测未来走向，甚至检测异常机动。
• 还能通过学习外部参考（如 GPS/ADS-B 数据）去自动修正雷达航迹，提高精度和连续性。

类比：像一个经验丰富的交通指挥员，通过观察车辆轨迹的细节判断这是普通车、特种车，或是否要变道。

总体优势总结

需要注意的局限

• 需要大量真实或仿真数据来训练。
• 模型像“黑箱”，解释性差。
• 极端环境或没见过的场景下，可靠性还有待验证。

🌟 一句话总结

深度学习之所以适合无源雷达多目标跟踪，是因为它能自动学习复杂环境下的运动和杂波特征、善用大数据、端到端优化整个跟踪流程，还能从细节中挖掘目标特征，比传统依赖简单模型的方法更灵活、更智能。

4、常用深度学习模型及机制简介

4.1、卷积神经网络（CNN）

• 核心特点：像“图像专家”，擅长在二维数据里发现局部到整体的模式。
• 在雷达里的用途：
  • 把雷达数据（如距离-多普勒图、方位-距离平面）当作“图像”，自动分辨目标和杂波。
  • 用“孪生网络（Siamese CNN）”来提取点迹特征，判断不同帧中的点是不是同一个目标。
• 优缺点：
  • ✅ 善于提取空间分布特征，参数较少、计算效率高。
  • ❌ 不理解时间顺序，单独用来跟踪轨迹不够，需要和时序模型搭配。

类比：像一个会看照片的人，能分清图像里的物体和背景，但不太擅长分析物体是如何移动的。

4.2、循环神经网络（RNN）及变体 LSTM / GRU

• 核心特点：会“记忆”历史数据，适合分析时间序列。
• 在雷达里的用途：
  • 用历史点迹预测未来位置，处理目标运动轨迹。
  • LSTM/GRU通过“门控机制”解决普通RNN记忆短、训练难的问题。
  • 双向LSTM还能同时看过去和未来的轨迹趋势，适合机动目标。
• 优缺点：
  • ✅ 对时间序列很友好，能适应漏点（有时目标没被探测到）。
  • ❌ 难以并行计算，处理超长序列时依然有记忆限制。

类比：像一个能顺着时间去总结趋势的分析师，但一次只能按顺序处理信息，速度不快。

4.3、Transformer（自注意力模型）

• 核心特点：用“注意力”机制全局查看序列各个位置的关系，不必按顺序一点点处理。
• 在雷达里的用途：
  • 能同时关注轨迹中任意两个时间点，适合长时间跟踪和复杂数据关联。
  • 用在“Track-by-Attention”等模型中，把目标检测、轨迹匹配做成端到端任务。
• 优缺点：
  • ✅ 长依赖建模能力强，可并行训练和推理，效果比RNN更好。
  • ❌ 计算量随序列长度快速增长，需要大量数据和算力。

类比：像一个能一眼看完整部电影的人，记得任何两场景的关系；但要有强大脑力和大量观影经验。

4.4、时序卷积网络（TCN）

• 核心特点：用卷积代替循环来分析时间序列，既能并行又能保持顺序。
• 在雷达里的用途：
  • 高效建模轨迹的时间模式，可和滤波算法（如UKF）结合，用于机动目标预测。
• 优缺点：
  • ✅ 并行高效、梯度稳定、调参相对容易。
  • ❌ 需要设计合适的卷积核和扩张参数，否则长时间依赖可能学不好；目前应用还不如RNN和Transformer普及。

类比：像用多个“滑动窗口”一次性看完时间序列，比一个一个点去分析快很多，但窗口大小要调得合适。

4.5、其他前沿模型

• GAN（生成对抗网络）：用来生成杂波样本或做数据增强，帮助训练模型。
• GNN（图神经网络）：处理目标之间的关系（例如编队飞行的相互作用）。
• 强化学习（RL）：帮助雷达自适应地分配资源（如天线指向）或动态调整数据关联策略。

类比：

• GAN 像“造假专家”，帮你造出逼真的杂波场景训练模型。
• GNN 像研究社交网络，分析目标之间谁跟谁有关。
• RL 像训练自动驾驶，让雷达学会动态优化资源使用。

4.6、总体对比（速记表）

5、国内外研究成果综述

🌟 总体印象

• 过去五年，深度学习成为无源雷达检测与跟踪的热门技术。
• 研究集中在： 1️⃣ 改进航迹起始（更早、更准地发现目标）， 2️⃣ 优化数据关联（多目标不乱串轨迹）， 3️⃣ 端到端模型（检测+关联+跟踪一体化）， 4️⃣ 多传感器/多站点融合（雷达与雷达、雷达与其他传感器协同）。
• 总体趋势：传统算法 + 深度学习 融合，发挥物理模型可靠性和神经网络灵活性的双重优势。

⏳ 按时间脉络梳理

2018–2020：深度神经网络首次显现优势

• 2018 Gao 等：用 RNN 预测机动目标的下一位置，辅助卡尔曼滤波，提高对机动目标的适应性。
• 2020 Liu 等 (DeepMTT)：提出 双向 LSTM 跟踪算法，先用大量仿真轨迹训练网络，再与传统滤波结合修正轨迹误差。 → 意义：首次在雷达跟踪中验证 LSTM 对复杂机动的明显提升。

2019–2022：聚焦数据关联与多目标稳定跟踪

• 2019 Fatseas 等：用神经网络做汽车雷达多目标数据关联，提高匹配效率。
• 2022 李文娜团队：提出 Transformer 数据关联模型，引入虚拟量测处理漏检问题，端到端地匹配目标和量测点；性能优于经典 JPDA 和双向 LSTM。
• 2022 Wang 等（Track-MT3 框架）：把计算机视觉领域的 Query 机制 引入雷达，用 Transformer 实现检测+跟踪融合，在复杂场景中保持航迹连续性。

2020–2023：探索无源雷达专用方案

• 2023 Liu 等：用 改进深度前馈网络（DFNN） 直接回归目标状态，加入“滤波层”处理时间关系，精度优于 EKF/UKF/RNN。
• 2020 Gu 等：用 深度强化学习 优化无人机辐射源跟踪策略，让雷达“学会”如何调整观测动作。
• 国内团队开始制作开源数据集（如 LSS-PR-1.0），推动深度学习在低慢小目标探测上的研究。

2020–2024：走向多传感器融合 + 智能网络化

• 利用 深度学习融合多站无源雷达数据，优化站点配置、跨区域轨迹接力。
• 引入 图神经网络（GNN） 建模多目标关系、强化学习 选择最优站点或天线波束。
• 国外如英国 UCL、美国 AFRL，国内电子科大、国防科大都在推进“智能网络化雷达”。

2022–至今：航迹起始+杂波抑制深度化

• 范煜奇等（2022）：用 CNN+RNN 提取点迹的时空特征，判断一串点是否为真实轨迹，在强杂波下显著降低虚警和漏警。
• GAN 用于生成杂波训练样本，提升检测器在复杂背景下的鲁棒性。

🚀 技术亮点和趋势

6、入门→进阶→前沿”的学习清单

🛰️ 1. 多目标跟踪（MTT）总体框架

1. 航迹起始 (Track Initiation) 找到“可能是目标”的检测点，开始生成一条轨迹。
2. 数据关联 (Data Association) 每次雷达扫描会得到很多量测（含杂波、漏检），需要判断哪些量测属于哪条轨迹。
3. 状态估计 / 航迹滤波 (Track Filtering) 对每条轨迹进行预测、更新（位置、速度、加速度等）。

⚡ 对比：

• 有源雷达直接发射信号，检测到的目标通常较清晰；
• 无源雷达信号受环境干扰、杂波多、漏检率高，因此数据关联和航迹起始更难。

• 用 LSTM 来学习测量到轨迹的关联概率，替代传统的 Hungarian / JPDA 关联器 arXiv
• 入门深度方法，模型相对简单，容易理解。

• 用 Transformer 做数据关联，加入虚拟测量机制处理漏检、注意力机制建模全局关系。
• 是目前在雷达 / 多目标跟踪领域较受关注的深度关联模型。
• 可迁移性强，只要输入格式设计得好，可以用于无源雷达场景。

• 航迹滤波整合为一个 Transformer 网络。
• 是雷达 / 跟踪领域端到端深度方法的代表。