O rastreamento passivo multi-alvo baseado no espaço é crítico para a consciência situacional espacial, mas enfrenta severos desafios devido ao campo de visão (FoV) limitado e à ambiguidade direcional dos sensores a bordo. Essas restrições frequentemente levam à perda de alvos, baixa observabilidade e diminuição da precisão de estimativa. Para resolver esses problemas, diferentes arquiteturas de fusão foram exploradas. Embora a fusão centralizada no nível de medição ofereça precisão superior para estimar estados de alvos, a fusão distribuída no nível de estimativa proporciona maior confiabilidade para estimar o número de alvos. Para aproveitar de maneira adaptativa essas duas forças complementares, é proposto um método de fusão hierárquica dinâmica por meio da otimização em tempo real da topologia de fusão. Especificamente, em cada época de decisão, os nós de sensores são dinamicamente particionados em nós de fusão local (LFNs) e nós apenas de detecção (DONs). Cada LFN recebe medições de DONs selecionados e executa um filtro de densidade de hipótese de probabilidade de mistura gaussiana com correção iterada. Subsequentemente, os LFNs compartilham e fundem suas estimativas usando a média aritmética dependente da intensidade. Esse processo dinâmico é realizado aplicando um esquema de gerenciamento de sensores baseado em processo de decisão de Markov parcialmente observável (POMDP). Para garantir uma estimativa precisa da cardinalidade, a função de recompensa no POMDP utiliza o número esperado posterior de alvos. A otimização resultante é resolvida eficientemente usando um algoritmo de otimização de enxame de partículas binárias. Simulações numéricas e experimentos de hardware em loop demonstram a eficácia do método proposto em equilibrar a precisão da estimativa do número de alvos e estados.
Wang et al. (Terça,) estudaram essa questão.