leg-by-leg机动下两级采样TBD方法优化

本文档探讨了一种创新的被动跟踪方法，即"基于leg-by-leg机动的两级采样被动跟踪"。目标被动跟踪是通过对目标的被动观测信息进行连续估计，用于水下态势感知的重要手段，特别是对于低频分析记录(Lofar)的方位-频率参数分析。传统的TBD（检测前跟踪）技术如粒子滤波TBD算法，尽管在理论上展示了完整的跟踪理念，但在实际应用中，尤其是处理高维状态空间时，如同时考虑方位和频率观测，面临着采样效率低下的挑战。这导致了随着维数增加，所需的粒子数量急剧增多，对计算资源和存储容量造成巨大压力。 文献[9]尝试通过区分影响量测的维度，将高维采样简化为两个低维，但这可能导致位置信息更新不连续，无法充分累积能量，未充分利用TBD算法的时间优势。文献[10]提出了局部搜索采样策略，试图针对可测状态分量进行优化，以提高采样效率，但这种方法仍受限于状态向量的划分。 Rao-Blackwellized粒子滤波作为一种降低维数的技术，通过线性与非线性状态的分离来减轻负担，但每粒子运行一次Kalman滤波的额外计算开销并未明显减少。相比之下，leg-by-leg机动策略因其在实际操作中的便捷性，如在机动性较差的观测载体（如船艇）上的适用性，为解决高维采样问题提供了一个新视角。这种方法可能涉及逐段或分阶段地执行机动动作，以便更有效地处理复杂的跟踪任务，同时保持对目标动态的精确估计。 然而，文档指出，虽然leg-by-leg机动可能是一个解决方案，但目前尚未在该领域中广泛应用，相关的理论研究和技术优化仍有待深入。作者们可能正在探索如何结合leg-by-leg机动的特性与现有的采样策略，比如利用局部搜索或Rao-Blackwell化，以降低算法复杂度，减少粒子数量，同时提高跟踪精度和实时性。这种方法的发展可能涉及对机动策略的优化设计，以及与粒子滤波算法的有效融合，以应对高维状态空间的挑战，从而推动被动跟踪技术在实际应用中的进一步发展。