传感器管理方法述评

孙敏

【摘 要】本文首先介绍了传感器管理的基本概念、原理及其发展现状；其次，对传感器管理的基本方法进行了分析与综合，指出了传感器管理方法发展的基本特征；最后总结了需要进一步研究的问题。

【关键词】信息融合；传感器管理；多目标跟踪；资源分配

0 引言

传感器管理通过建立一定的优化指标，对整个融合过程进行实时监控与评价，实现传感器资源的优化配置，以满足特定的任务目标的需求，用有限的资源最大化地提高整个系统的性能[1-2]。传感器管理的目的[3]就是充分利用有限的传感器资源，尽可能扫描整个目标空间，监视多个目标，得到最优的目标探测性能，以这个最优准则对传感器管理进行合理科学的分配。简单讲传感器管理的核心问题就是依据一定的最优准则确定目标选择何种传感器以及该传感器的工作方式及参数。传感器管理是信息融合理论中一个极其重要而又复杂的问题，对传感器管理方法进行研究具有十分重要的理论意义与应用价值。

1 传感器管理方法分析

作为信息融合系统组成部分的传感器管理的研究则相对较晚。传感器管理的核心问题就是根据一定的准则，建立一个可量化的目标函数，在传感器资源的约束条件下对目标函数进行优化，得到传感器对目标的有效分配。对所有传感器管理方法来说，关键是要建立一个既科学合理、切实可行且易于量化的目标函数和约束条件。常用的传感器管理方法主要有：基于规划论的方法、基于决策论或效用论的方法、基于信息论的方法和基于随机集合论的方法等。

1.1 基于规划论的方法

规划论是解决管理问题的最主要工具之一。目前用于传感器管理方面的主要有线性规划、动态规划和非线性规划等。该方法简单可行、使用面广，但对某些因素的合理量化问题尚待进一步研究。

Nash[4]发表的一篇将优化技术应用于传感器管理的文章，在这篇文章中他使用线性规划对被跟踪目标确定传感器与目标分配，他使用卡尔曼滤波器协方差阵的迹作为目标函数中的代价系数。同时提出当目标数小于传感器跟踪能力时，采用传感器组来处理传感器分配问题的方法。

Malhotra[5]讨论了传感器管理的时间特性并将序列决策过程描述为一般的马尔可夫决策过程。动态规划是解决马尔可夫过程的一种方法，它是根据最终状态并反向执行确定最小费用的一种递推算法。但在列举动态规划的每个可能行为时会产生组合爆炸。David A.castanon则提出一种近似动态规划方法，以解决动态规划带来的组合爆炸问题。David A.castanon[6]还提出了一种基于最大检测概率的传感器管理方法，该方法实际上也采用了动态规划，这种方法对单目标检测具有较小的错误率，但对多目标检测错误率甚大，原因是该算法一旦发现检测概率最大的目标，就不再去搜索其它目标。Wasburn等[7]提出一种传感器管理方法，该方法是基于动态规划预测未来传感器管理决策的效果。

刘先省[8]等人基于效能函数提出了一种传感器管理方法，这种方法实质上是一种线性规划，通过传感器特性与目标的有效配对以及目标优先级排序；建立线性规划的目标函数，并利用传感器与目标的配对和目标优先级排序定义一个浪费函数，将浪费函数用于对目标函数作适当的修改；将传感器分为单传感器和多传感器资源进行科学合理分配。

1.2 基于决策论或效用论的方法

Bier和Rothman[9]使用布尔矩阵定义一种基于传感器能力和有效性的传感器与目标配对，利用传感器性能模型预测传感器对目标的效能，以便量化各备选传感器分配方案的临界效益。探测、跟踪和识别距离模型利用航迹文件的有效数据，可以进一步预测量测性能，这样就可以估计出每个可能的配对值，并用来计算一个分配目标函数。Manyika和Durrant-Whyte[10]使用决策论的方法解决了分散化数据融合系统中的传感器管理问题。Gaskell和Probert[11]也基于决策论方法建立了一个可移动机器人的传感器管理框架。

1.3 基于信息论的方法

Hintz和McIntyre[12]等首先提出将信息论度量方法用于规划单传感器跟踪多目标，他们使用期望的熵变（由协方差的范数描述）作为期望信息增量以确定哪一个目标将被更新。用这种度量方法可以使每个采样间隔的信息量最大化。Hintz还将这种度量方法扩展到自动目标识别系统。McIntyre和Hintz在一个仿真程序中同样使用信息论中的熵，以实现对目标搜索与跟踪的传感器资源分配。Schmaedeke[13]使用分辨力增量作为Nash线性规划目标函数中传感器分配费用，以确定传感器对目标的资源分配。此外还讨论传感器管理与非线性滤波的近似解法。Schmaedeke和Kastella[14]应用分辨力增量以确定一个传感器的分辨率层次。Dodin等[15]采用Kullback-Leibler熵计算代价系数，又引入单个传感器组成的伪传感器，对目标和传感器进行有效的分配。

1.4 基于随机集合论的方法

Mahler[16-17]和Goodman[18]利用随机集合论将Hintz和Kastella的基于信息论的传感器管理方法推广到更一般的情况，使得解决更为复杂的传感器管理系统成为可能。

综上所述，基于随机集理论的方法是传感器管理方法的发展趋势，其可以解决复杂环境下的传感器管理问题。该方法将多传感器、多目标数据融合问题看作为单传感器、单目标的跟踪问题，这样传感器分配就可作为非线性控制理论中的最优估计问题。在这个全局模型中，传感器集被看作为一个单一的全局传感器，目标集被当作一个单一全局的目标，最优控制的目标函数是关于单个目标状态不确定性的全局最小值。

2 下一步研究工作

有限随机集合统计学方法可以将多源信息融合的几个主要部分统一在一个理论框架下，进一步的研究工作是在这个理论框架下设计具体的传感器管理算法。利用随机集合理论对传感器管理问题进行描述，以解决更为复杂情况下的传感器管理问题。文献[16]只是给出了这一思想的理论基础，并没有得出相关的仿真结果验证其可行性。可以在文献[16]这一理论基础上，做相应理论仿真，同时在其基础上还考虑了威胁估计这一因素，使得其能在威胁大的地方分配的传感器资源多。

【参考文献】

[1]H.B. Mitchell. Multi-Sensor Data Fusion， An Introduction[M]. Berlin Heidelberg： Springer， 2007.

[2]李弼程，黄洁，等.信息融合技术及其应用[M].北京：国防工业出版社，2010.

[3]Alfred O. Hero III， David A. Castanón， Douglas Cochran and Keith Kastella. Foundations and Applications of Sensor Management[M]. US： Springer， 2008.

[4]Jeffrey M. Nash. Optimal allocation of tracking resource[C]// Proceedings IEEE Conference on Decision and control. 1977： 1177-1180.

[5]Raj Malhotra. Temporal considerations in sensor management[C]// Proceedings of IEEE 1995 National Aerospace and Electronics Conference. 1995： 86-93.

[6]David A. Castanon . Optimal search strategies in dynamic hypothesis testing[C]// Proceedings of the IEEE Conference on Decision and Control. 1995： 265-270.

[7]Washburn， R. B. Stochastic dynamic programming based approaches to sensor resource management[C]//Proceedings of the Fifth International Conference on Information Fusion. 2002： 608-615.

[8]Liu Xiansheng， Pan Quan， Zhang Hongcai， Dai Guanzhong. Study on algorithm of sensor management based on function of efficiency and waste[J]. Chinese Journal of Aeronautics， 2000， 13（1）： 39-44.

[9]P. L. Rothman， S. G. Bier. Evaluation of Sensor Management Systems[C]//IEEE Proceedings of the National Aerospace and Electronics Conference. 1989： 1747-1752.

[10]J. M. Manyika， H. Durrant-Whyte. On Sensor Management in Decentralized Data Fusion[C]//Proceedings of the 31st Conference on Decision and Control. 1992： 3506-3507.

[11]A. Gaskell， P. Probert. Sensor Models and a Framework for Sensor Management[C]//Sensor Fusion VI Proceedings of the SPIE-The International Society for Optical Engineering. 1993： 2059-2059.

[12]Hintz Kenneth J.， McIntyre， Greg. Goal lattices for sensor management[C]// Proceedings of SPIE-The International Society for Optical Engineering. 1999： 249-255.

[13]W. Schmaedeke， Kastella. Event-Averaged Maximum Likelihood Estimation and Information Based on Sensor Management[C]//Proceedings of SPIE-The International Society for Optical Engineering. 1994： 91-96.

[14]Schmaedeke Wayne， Kastella Keith. Information based sensor management and IMMKF[C]//Proceedings of SPIE-The International Society for Optical Engineering. 1998： 390-401.

[15]Pierre Dodin， Julien. Verliac， Vincent Nimier. Analysis of the Multisensor Multitarget Tracking Resource Allocation Problem[C]// The 3rd International Conference of Information Fusion. 2000： 17-22.

[16]Mahler， R.， Unified sensor management using CPHD filters[C]// 2007 10th International Conference on Information Fusion. 2007： 1-7.

[17]Mahler， R. Unified sensor management in unknown dynamic clutter[C]// Proceedings of SPIE-The International Society for Optical Engineering. 2010： 7698- 7698.

[18]I. R. Goodman， R. P. S. Mahler， Hung T. Nguyen. Mathematics of Data Fusion[M]. Academic Publishers， 1997.

[责任编辑：杨玉洁]