Algoritmi de corelare a urmăririlor în fuziunea de apărare: de la JPDA la MHT

Corelarea urmăririlor este nucleul dur din interiorul fiecărui sistem de fuziune de apărare multi-senzor. Un radar raportează zece ploturi. Un receptor RF pasiv raportează șase emițătoare. Un flux AIS raportează patru contacte. Motorul de fuziune trebuie să decidă care dintre aceste rapoarte aparțin aceluiași obiect fizic — și care sunt duplicate, zgomot sau contacte noi. Dacă greșești, operatorul vede urmăriri fantomă, traiectorii întrerupte sau identități fuzionate. Dacă reușești, imaginea operațională comună devine demnă de încredere.

Acest articol parcurge cele patru familii de algoritmi care domină stivele de fuziune de apărare operaționale: Global Nearest Neighbor (GNN), Joint Probabilistic Data Association (JPDA), Multi-Hypothesis Tracking (MHT) și Integrated Probabilistic Data Association (IPDA). Fiecare are un regim în care câștigă. Fiecare eșuează diferit când este împins în afara acelui regim.

Problema corelării

La fiecare ciclu de fuziune, motorul deține N urmăriri existente și primește M observații noi. Sarcina este de a produce o matrice de atribuire — care observație actualizează care urmărire, care observație pornește o urmărire nouă, care urmărire nu primește nicio actualizare în acest ciclu. Spațiul de căutare naiv este combinatoric: N urmăriri pereche cu M observații produce până la (N+1)^M atribuiri candidate odată ce permiți urmăriri noi și detecții ratate.

Cu zece urmăriri și zece observații, aceasta reprezintă mai mult de 25 de miliarde de posibilități. Cu o sută din fiecare — o imagine aeriană de rutină peste o regiune contestată — numărul depășește orice poate enumera un tracker în timp real. Fiecare algoritm de corelare a urmăririlor este, în esență, o strategie de tăiere a acestui spațiu combinatoric fără a elimina atribuirea care se dovedește a fi corectă.

Tăierea este constrânsă de fizica senzorilor. Returnările radar au covarianță de măsurare. Senzorii pasivi oferă direcții fără rază. Rapoartele AIS au mărci de timp care pot fi depășite cu minute. Corelator-ul trebuie să raționeze într-un cadru de coordonate care respectă toate aceste incertitudini simultan — tipic folosind o distanță Mahalanobis blocată de un prag chi-pătrat derivat din covarianța fiecărui senzor.

Global Nearest Neighbor (GNN)

GNN este cel mai simplu corelator serios. Construiește o matrice de costuri unde celula (i,j) este distanța Mahalanobis blocată dintre urmărirea i și observația j, apoi rezolvă problema de atribuire — de obicei cu algoritmul ungar sau varianta Jonker-Volgenant — pentru a produce o observație per urmărire și o urmărire per observație, minimizând costul total.

GNN funcționează bine când contactele sunt bine separate, acuratețea senzorului este ridicată și alarmele false sunt rare. O imagine maritimă construită din AIS plus radar de coastă cu o navă la câțiva kilometri este un scenariu GNN de manual. Rezolvarea ungară este O(n³) dar cu n în sute mici rulează confortabil în interiorul unui ciclu de fuziune.

GNN se defectează când țintele se apropie. Două aeronave care zboară în formație generează porți suprapuse. Atribuirea ungară forțează o mapare unu-la-unu și se va angaja dur față de oricare cost se întâmplă să fie mai mic — chiar dacă diferența de cost este zgomot. Odată ce atribuirea greșită este făcută, urmărirea diverge, iar recuperarea necesită fie intervenția operatorului, fie un algoritm de ordin superior. GNN nu are nicio memorie a ambiguității pe care tocmai a rezolvat-o.

Joint Probabilistic Data Association (JPDA)

JPDA înlocuiește atribuirea dură cu atribuire moale. În loc să se angajeze la „observația j actualizează urmărirea i", calculează probabilitatea că fiecare observație aparține fiecărei urmăriri și actualizează urmărirea cu o medie ponderată a tuturor observațiilor blocate. Ponderea observației j pe urmărirea i este probabilitatea de asociere marginală β_ij, calculată prin enumerarea evenimentelor comune fezabile în clusterul de porți suprapuse.

Rezultatul este o urmărire care absoarbe lin ambiguitatea de măsurare. Două aeronave în formație strânsă produc porți care se suprapun; JPDA nu alege între ele, ci actualizează ambele urmăriri cu o estimare amestecată care reflectă incertitudinea. Integritatea urmăririi supraviețuiește întâlnirii apropiate chiar dacă estimarea poziției per ciclu este ușor mai zgomotoasă.

JPDA este bine adaptat pentru scenariile dense dar limitate — formații de aeronave, convoaie de nave, roiuri de drone cu cardinalitate cunoscute. Calculul scalează cu numărul de evenimente comune fezabile în interiorul fiecărui cluster, care crește rapid. Un cluster de șase urmăriri cu șase observații fiecare în poartă mutuală poate genera mii de evenimente fezabile. Implementările JPDA de producție folosesc aproximări cheap-JPDA sau enumerare de m-best events pentru a menține costul per ciclu previzibil.

Slăbiciunea JPDA este numărul de urmăriri. Presupune un set cunoscut de urmăriri existente. Nu gestionează cu grație nașterea sau moartea urmăririi — un strat separat de gestionare a urmăririi trebuie să adauge urmăriri noi și să le elimine pe cele moarte în afara actualizării JPDA.

Multi-Hypothesis Tracking (MHT)

MHT este opțiunea de greutate grea. În loc să rezolve ambiguitatea într-un singur ciclu, MHT amână decizia: menține un arbore de ipoteze unde fiecare nod reprezintă un posibil istoric de asociere globală. Când apare ambiguitatea, MHT ramifică arborele în loc să aleagă un câștigător. Observațiile ulterioare fie confirmă, fie infirmă fiecare ramură, iar tăierea în cele din urmă colapsează arborele înapoi la o dimensiune gestionabilă.

Arborele crește exponențial. Un scenariu tipic de apărare aeriană cu o sută de urmăriri și câteva evenimente ambigue per ciclu poate produce milioane de ipoteze în câteva secunde dacă tăierea nu este agresivă. Două strategii de tăiere sunt standard. Tăierea N-scan se angajează față de cea mai bună ipoteză după observarea N scanuri suplimentare — tipic N este 3 până la 5. Tăierea M-best păstrează doar cele M ipoteze globale cu cea mai mare probabilitate la fiecare ciclu, cu M de obicei între 10 și 100.

Bugetele de memorie sunt non-triviale. Fiecare ipoteză poartă setul complet de urmăriri, inclusiv covarianțele de stare și asocierile istorice. Sistemele MHT de producție folosesc reprezentări MHT orientate pe urmărire (TOMHT) care partajează stocarea între ipoteze printr-un arbore de ancestor comun — amprenta de memorie practică este limitată de numărul de urmăriri distincte în toate ipotezele active, nu de numărul de ipoteze în sine.

MHT strălucește în scenariile aglomerate, cu mize mari și ambiguitate persistentă. Apărarea împotriva rachetelor balistice, urmărirea țintelor cu RCS scăzut și scenariile de ținte terestre dense folosesc toate variante MHT deoarece costul unei atribuiri greșite nedetectate este mai mare decât costul de calcul al purtării mai multor ipoteze pentru câteva secunde. Ciclul de viață al corelării în interiorul unui pipeline de fuziune se centrează adesea pe MHT din aceste motive.

Integrated Probabilistic Data Association (IPDA)

IPDA extinde PDA — asocierea de date probabilistice cu o singură țintă — integrând o probabilitate de existență a urmăririi în recurție. Fiecare urmărire poartă nu doar o estimare de stare și covarianță, ci și o probabilitate că urmărirea corespunde unui obiect real față de o secvență de alarme false.

Aceasta contează în scenariile cu SNR scăzut. Un radar care detectează o dronă mică la distanță mare va produce returnări intermitente amestecate cu clutter. GNN sau JPDA vor genera fie multe urmăriri false de scurtă durată, fie vor rata complet cea reală. Probabilitatea de existență IPDA crește pe măsură ce observațiile de confirmare sosesc și scade când detecțiile așteptate sunt ratate. Operatorul vede o urmărire cu un scor de încredere, nu o pădure de contacte fantomă.

IPDA se potrivește tipurilor de senzori unde calitatea urmăririi contează mai mult decât precizia asocierii datelor: apărare aeriană cu RCS scăzut, rețele de sonoboi, căutare și urmărire electro-optică la limita detecției. Se compune bine cu GNN sau JPDA — stratul de probabilitate de existență poate fi plasat deasupra oricărei strategii de atribuire.

Alegerea între ele

Alegerea este determinată de patru factori. Tipul de senzor: radarul activ de mare acuratețe tolerează GNN; senzorii pasivi de numai direcție necesită de obicei JPDA sau MHT pentru a rezolva ambiguitatea de rază prin informare încrucișată. Densitatea țintelor: imaginile rare favorizează GNN; formațiile dense favorizează JPDA; ambiguitatea persistentă favorizează MHT. Constrângerile în timp real: un ciclu de fuziune de 100 ms pe hardware încorporat exclude ramificarea agresivă MHT; o imagine strategică de 5 secunde o admite. Calculul disponibil: GNN pe un singur nucleu gestionează mii de urmăriri; MHT cu tăiere serioasă beneficiază în continuare de servere multi-socket.

Un tipar comun în sistemele de apărare de producție este stratificat: GNN pentru imaginea de zonă largă, JPDA în interiorul clusterelor dense, MHT rezervat pentru urmăririle de înaltă prioritate unde atribuirea greșită este inacceptabilă, și stratul de probabilitate de existență IPDA aplicat pe toate nivelurile pentru a suprima urmăririle fantomă. Motorul de fuziune selectează algoritmul per cluster, nu per sistem.

Matricea de decizie nu este statică. Un sistem care începe ziua sub GNN poate escalada clusterele la JPDA pe măsură ce un zbor de drone intră în imagine, apoi revine la GNN odată ce se separă. Stratul de orchestrare monitorizează densitatea clusterului și ambiguitatea per urmărire, comutând algoritmii în mod transparent. Operatorii rareori trebuie să știe ce algoritm rulează — doar că imaginea este stabilă. Selecția algoritmului devine o preocupare de runtime, nu una de timp de implementare.

Afirmațiile furnizorilor ar trebui inspectate cu atenție. Un corelator comercializat ca MHT poate fi de fapt MHT N=1 — scan unic, care colapsează la GNN. O implementare JPDA care ignoră evenimentele comune mai mari de trei face PDA per urmărire cu pași în plus. Citește parametrii de tăiere, nu marketingul.

Realitățile implementării

Alegerea limbajului este rareori arbitrară. Corelatorii de producție sunt C++ sau Rust. Buclele interioare — evaluarea distanței Mahalanobis, testarea porții, rezolvările ungare, notarea ipotezelor — sunt dominate de aritmetica în virgulă mobilă și tiparele strânse de acces la memorie. Limbajele cu colectare automată a gunoiului introduc variație a timpului de pauză care se scurge în bugetul de latență al fuziunii.

Vectorizarea contează. Testele de poartă pe sute de perechi urmărire-observație se mapează curat pe instrucțiunile SIMD; codul de producție folosește tipic Eigen, xtensor sau nuclee AVX-512 scrise manual pentru aritmetica matricială. Construcția matricii de costuri este adesea blocajul înaintea rezolvării atribuirii.

Evaluarea ipotezelor multi-thread se plătește în MHT. Ipotezele sunt independente pe tot arborele la o adâncime dată, deci tăierea per ciclu poate fi distribuită pe fire worker. Poolurile de memorie — arene pre-alocate pentru obiectele de urmărire și ipoteză — împiedică alocatorul să devină blocajul de latență sub sarcină. Sistemele de fuziune de producție rezervă tipic un buget fix de memorie pentru corelator și refuză să îl depășească; modurile degradate cad la algoritmi cu fidelitate mai scăzută înainte să elimine urmăriri.

Testarea și ajustarea

Algoritmii de corelare a urmăririlor nu pot fi validați doar prin teste unitare. Comportamentul care contează apare pe mii de cicluri în scenarii cu clutter realist, întreruperi ale senzorilor și manevre ale țintelor.

Scenariile sintetice sunt fundația. Un generator de scenarii produce traiectorii de adevăr la sol — tranzite în linie dreaptă, zbor în formație, urmăriri încrucișate, manevră de evaziune — și le alimentează prin modele de senzori care injectează zgomot, alarme false și detecții ratate la rate realiste. Corelator-ul rulează față de fluxul sintetic și metricile sunt calculate față de adevărul la sol.

Datele înregistrate ale senzorilor închid bucla. Ploturile radar jurnalizate, fluxurile AIS, interceptările RF din exerciții reale permit corelator-ului să fie redifuzat față de scenarii pe care niciun generator de scenarii nu le-ar produce — returnări ale frontului de vreme, fantome cu cale multiplă, bruiaj înșelător. Datele înregistrate sunt singurul test onest pentru comportamentul de clutter.

Patru metrici operaționale contează mai mult decât cele academice. Continuitatea urmăririi: fracțiunea duratei de viață a obiectului real acoperită de un singur ID de urmărire, nu fragmentată pe mai multe ID-uri. Acuratețea corelării: fracțiunea observațiilor atribuite urmăririi corecte. Rata urmăririi false: urmăriri fantomă pe oră de observație. Latența de confirmare a urmăririi: timp de la prima detecție la urmărirea vizibilă operatorului. Aceste patru numere determină dacă imaginea este demnă de încredere, indiferent de algoritmul care a produs-o. De asemenea, conduc analiza modelului de viață din aval — o urmărire fragmentată distruge semnalul comportamental pe care un motor PoL se bazează.

Ajustarea este iterativă. Pragurile porții, adâncimile de tăiere a ipotezelor, ratele de declin ale probabilității de existență — niciunul dintre acestea nu are valori optime analitice pentru o imagine operațională dată. Disciplina de inginerie este să blochezi metricile, să rulezi scenariile la scară și să parcurgi parametrii până când metricile converg. Apoi re-rulează față de datele înregistrate pentru a confirma că ajustarea sintetică se generalizează. Apoi livrează.