面向目标跟踪的多传感器数据融合研究综述

近年来，随着空中作战朝着智能化、隐身化、去中心化等方向发展，空中战场环境呈现出日益复杂的态势，对空中目标的探测难度大幅提高，这给打击敌方空中目标、夺取制空权带来了严峻挑战^[1]。为应对这一挑战，机载制导武器作为空中对抗的一项重要手段，其精确打击目标的能力显得尤为关键。图1展示了机载制导武器跟踪敌方非隐身目标的全过程，首先，载机接收各传感器探测得到的目标运动状态数据，并对其进行融合处理；然后，载机的火控系统根据融合得到的目标运动状态信息引导载机飞往最佳攻击位置并发射制导武器；最后，通过载机与制导武器传感器之间的数据共享引导制导武器锁定和跟踪目标，进而摧毁目标。在整个目标跟踪过程中，对多传感器探测数据融合的精度决定了机载制导武器跟踪目标效果的好坏，因此，有必要对数据融合方法进行深入研究。

多传感器信息融合（Multi-Sensor Information Fusion）是指对来自多个传感器或其他来源的信息进行综合利用，通过检测、关联和融合等流程，对未知目标状态进行较为精确估计的处理过程^[2]。按照融合系统中数据抽象的层次，可以将信息融合划分为数据级融合、特征级融合以及决策级融合3个级别。其中，数据级融合对量测数据的抽象程度最低，直接对传感器的量测数据进行融合处理，本文主要围绕数据级融合相关研究和方法进行梳理和分析。具体到空战领域，多传感器数据融合技术可以充分利用协同作战体系的信息优势，为多导弹协同制导提供有效的信息保障^[3]，这对提高系统对环境的认知能力、增强决策支持和提升响应效率方面有着重要作用。

目前，多传感器数据融合技术已经在目标跟踪领域得到了快速发展，如何在复杂场景下改进相关模型和算法以提高融合精度是目前数据融合的研究热点。本文选取了数据融合过程中数据关联和估计融合这两项关键技术，首先，对其国内外研究现状进行了梳理和分析；然后，对近年来基于人工智能的关联与融合相关研究的发展现状进行了阐述；最后，对多传感器数据融合方法在目标跟踪领域的未来发展方向进行了展望。

图1　机载制导武器系统作战示意图

Fig.1　Combat operation schematic diagram of airborne guided weapon system

图3　序贯航迹关联示意图

Fig.3　Schematic diagram of sequential track associatio

考虑到在实际情况中，传感器除了自身存在测量误差，还会受到环境干扰等因素影响，使不同传感器对同一目标探测数据不一致的可能性加大，使用传统关联方法容易出现错、漏关联的情况，不能对传感器局部航迹进行有效判定。针对传感器误差存在时的航迹关联问题，文献[29-30]从量测数据中提取目标间拓扑特征来进行航迹关联，有效降低了传感器误差给关联结果带来的影响。文献[31]考虑了航迹误差的不确定性，在关联前对数据进行了剔除、择优操作，但没有考虑航迹质量对关联过程的影响。文献[32]针对因传感器漏检造成目标航迹中断的问题，根据分航迹的时间、位置和方位角信息实现了新老航迹的准确关联。文献[33-34]根据先验数据对航迹质量进行评估，并以此为依据对关联门限进行调整，从而实现误差变化情况下的自适应航迹关联。

当航迹批数较多且比较密集时，基于统计的关联方法关联正确率会明显下降，因此，许多学者引入模糊数学理论来解决航迹关联问题，灰色理论是其中一种。文献[35]将灰色理论引入航迹关联算法中，该方法用灰关联度来描述航迹之间的相似程度，进而根据灰关联度进行航迹关联的判决。文献[36]提出多局部节点情况下一种基于多维分配思想的灰色航迹关联算法，实现了全局最优的航迹关联判决，但是该算法没有利用航迹历史信息。文献[37]在多维分配灰色航迹关联方法的基础上采用序贯方法对灰关联度进行修正，将当前时刻航迹与历史航迹联系起来，提高了关联的准确性和稳定性。文献[38]根据灰关联度矩阵判断雷达航迹之间的竞争关系，并适时利用雷达关联的历史信息对当前关联进行修正，提高了目标密集情况下的关联正确率。灰色关联方法具有对样本量要求不高、不依赖噪声先验分布规律等优点，当前灰色关联的研究趋势主要是如何充分利用航迹历史信息提高目标密集场景下航迹关联的可靠性。

除此之外，模糊聚类思想也被引入航迹关联算法中。在模糊聚类中，每个数据都被赋予一组隶属度，用以表示其属于每个聚类的程度。文献[39]对多雷达系统的多个航迹进行模糊化聚类统计，当目标数量较多导致采集数据量较大时，采用分步法对航迹信息进行模糊聚类处理，实现了多目标数据的精确关联。文献[40]提出一种基于模糊等价关系的异类传感器航迹关联算法，该算法将历史和当前时刻的方位信息视为模糊因子，基于等价关系对航迹进行模糊聚类，实现了航迹关联的判定。文献[41-42]采用一种自适应密度聚类的航迹关联方法，基于最大熵方法来确定各个航迹的隶属度并进行关联，在目标数量未知的情况下实现了较低计算成本的实时航迹关联。基于模糊聚类的关联方法在目标密集场景下适应性较好，但这类方法参数设置较为复杂，不利于工程实现。

1.3　总结分析

对于现有的量测-航迹关联方法，在传感器数据比较简单、目标稀疏、噪声干扰较小且计算资源有限的情况下，适合采用最近邻方法进行关联；PDA方法相较于最近邻方法更适用于杂波干扰较多的情况，但仍受限于目标稀疏的场景；JPDA方法针对目标密集情况有良好效果，但计算量较大；MHT方法的一大特点是能够对假设集合进行维护和更新，适用于多目标跟踪以及航迹交叉、遮挡等复杂情况，但也需要考虑数据融合系统的计算和存储性能。

对于航迹-航迹关联，基于模糊数学的航迹关联方法和基于统计的航迹关联方法相比，在关联精度和计算效率上更占优势。考虑到现代空战中，目标往往不是单独行动，而是多目标集群协同作战，这意味着目标跟踪过程中的目标批次和杂波等信息成倍增长，传统的关联方法无法满足实时精确关联的需求。因此，需要对关联方法不断改进，既要针对越来越复杂的航迹关联场景提高关联精度，降低错、漏关联的概率，也要考虑采用并行计算等方法合理安排计算资源，避免因目标批次的增多或杂波密度的增大导致计算中的组合爆炸，影响关联准确率。

在完成数据关联后，需要对关联到同一个目标的数据进行估计融合。估计融合假定参与融合的传感器量测数据均来源于同一个目标，然后利用这些量测数据对所要估计的目标状态进行研究，以获得更精确的估计值。根据原始量测数据是否直接用于融合，可以将融合结构分为集中式、分布式和混合式3类。其中，混合式融合是前两种融合方法的综合，兼具前两者的优点和不足，本文不开展讨论，着重对集中和分布式融合相关研究进行综述。

2.1　集中式融合

集中式融合也称量测融合，是指将传感器的原始量测数据直接传入融合中心进行融合处理，其过程如图4所示。常见的集中式融合方法主要有并行滤波、序贯滤波和数据压缩滤波3类^[4]。

图4　集中式融合

Fig.4　Schematic diagram of centralized fusion

并行滤波是指通过量测扩维将多传感器量测方程组成广义量测方程，再进行统一滤波处理来实现多传感器数据融合估计；序贯滤波是指按顺序依次利用各传感器量测对状态估计进行滤波更新；数据压缩滤波是指先对各传感器量测数据进行压缩处理，得到融合中心的伪量测，再利用伪量测进行统一滤波更新。目前，以上3种方法基于线性卡尔曼滤波的融合研究已趋于完善，文献[43]基于扩展卡尔曼滤波器（Extend Kalman Filter， EKF）将集中式融合方法向非线性系统进行了推广。文献[44]以多模复合制导为背景，对3种集中式融合方法进行研究，在传感器噪声不相关的情况下，3种方法对目标的跟踪效果均满足精度要求。

在以上3种方法中，序贯滤波不同于其他两种基于批量融合的方法，该方法通过对量测数据按时间顺序分步更新，降低了系统方程的维度，一定程度上可以缓解集中式融合受限于通信带宽和中心处理器性能的情况，改善滤波过程的实时性，提高滤波精度^[45]，其过程如图5所示。

图5　基于序贯滤波的数据融合

Fig.5　Schematic diagram of data fusion based on sequential filtering

图5中：分别为k-1时刻的目标状态估计值和协方差矩阵，将其作为目标初始状态输入滤波器，得到目标在k时刻的状态预测值及其协方差矩阵分别为各传感器在k时刻对目标的量测值，对第i个传感器量测进行滤波得到目标在k时刻的中间状态估计值和协方差矩阵。将以上目标的中间状态估计值作为下一次滤波时的预测值，对下一个传感器量测值进行滤波处理，以此类推，将最后一个传感器量测值的滤波结果作为目标在k时刻的最终状态估计。

目前，对序贯滤波融合的研究较为广泛，文献[45]针对多传感器系统通信受限的问题，在滤波融合过程中采用周期性的分组有序通信策略，实现了对传感器数据的有序处理，降低了计算复杂度。针对传统线性卡尔曼滤波算法不适用于复杂机动目标融合跟踪的问题，文献[43]和[46-47]将扩展卡尔曼滤波、无迹卡尔曼滤波（Unscented Kalman Filter， UKF）、容积卡尔曼滤波（Cubature Kalman Filter， CKF）等非线性滤波算法与序贯融合算法相结合，提高了多传感器融合系统对复杂机动目标的跟踪性能，但只考虑了传感器量测噪声为高斯白噪声的情况。文献[48-49]考虑了多传感器融合系统具有非高斯白噪声的情况，并提出了对应的序贯滤波融合算法以减小非高斯白噪声对融合精度的影响。文献[50]采用了粒子滤波（Particle Filter， PF）算法进行融合跟踪，该算法基于蒙特卡洛方法，不需要对固定点抽样，具有灵活性强、易于实现等优点，对非线性非高斯系统具有较好的适应性，但也存在粒子退化、计算量较大等问题^[51]。此外，文献[52-53]针对异步多传感器系统在跟踪机动目标过程中存在较大时空偏差的问题，提出一种序贯的时空偏差补偿和数据融合方法，该方法在目标机动的情况下能同时完成时空偏差和目标状态的估计，具有较强的适用性。

2.2　分布式融合

分布式融合也称航迹融合，是指各传感器先对自身量测数据进行预处理形成局部航迹，再送到融合中心进行融合处理。航迹融合主要包括两步，航迹关联和航迹状态估计融合，其示意图如图6所示。各传感器的局部航迹通过1.2节的方法进行关联，然后对关联到同一个目标的局部航迹进行融合处理，得到目标最终的系统航迹。其中，根据是否使用系统航迹的状态估计，又可将航迹融合分为局部航迹到局部航迹的融合，以及局部航迹到系统航迹的融合^[2]。

图6　分布式融合

Fig.6　Schematic diagram of distributed fusion

简单凸组合方法是最早提出的分布式航迹融合方法，该方法假设各传感器局部航迹的估计误差相互独立，以估计误差的协方差矩阵表达式作为权值对局部航迹进行加权融合^[54]。但是在实际应用中，由于共同先验估计和过程噪声的影响，各航迹估计误差往往是相关的，此时简单凸组合方法融合结果是次优的。Bar Shalom-Campo融合方法将局部估计误差的互协方差矩阵引入了融合计算中，取得了较好的效果，但采用该方法计算互协方差矩阵需要大量信息，实际应用中可能难以获取，且融合结果无法做到全局最优^[55]。对此，有学者提出一种信息矩阵融合（Information Matrix Fusion， IMF）方法^[56]，该方法是基于量测扩维的集中式融合算法通过矩阵变换得到的，无需计算互协方差，但只在线性系统下全局最优。文献[57]将先验信息加以考虑，提出一种最大后验概率（Maximum A Posterior Probability，MAP）融合方法，该方法在存在反馈机制的条件下可以做到全局最优。

针对分布式融合系统中互协方差数据难以获取的问题，文献[58]提出一种协方差交叉（Covariance Intersection，CI）融合方法，该方法不需要考虑局部估计误差的相关性，通过最小化融合后得到误差协方差上界以得到保守的融合估计。目前，国内外学者基于协方差交叉方法针对不同场景提出了多种改进方案。文献[59]针对经典CI方法融合结果过于保守的问题，提出一种逆协方差交叉的融合方法，提高了融合精度。文献[60]针对经典互协方差算法中存在计算量大且占用通信资源较多的缺点，提出一种快速协方差交叉算法，可大幅减小计算负担。文献[61]提出一种序贯协方差交叉算法，此算法能在小幅降低融合精度的前提下，大幅减小融合过程的计算负担。文献[62]进一步提出一种序贯快速协方差交叉算法，在减小计算负担的同时保证各融合节点的融合结果与融合次序无关，且在保证融合结果一致性的同时降低了计算复杂度，但是该方法主要对线性系统进行分析，在系统非线性的情况下融合结果次优。

以上方法一般都假设融合过程中各传感器提供的信息是完备的，然而考虑到传感器量测误差和环境干扰，分布式融合过程中传感器提供的信息具有不完备性，主要表现在量测丢失、传感器观测精度存在差异等情况。

针对融合过程中传感器量测随机缺失的问题，文献[63]在EKF的基础上引入丢失参数来确定是否对估计结果进行修正，降低了量测丢失阶段噪声对估计结果精度的影响，但收敛速度也随之减慢。文献[64]针对每个局部传感器子系统设计了最优估计器，并采用矩阵加权融合估计算法推导了矩阵加权的分布式融合估计器，该估计器由于采用并行结构，对量测丢失的信号具有很好的补偿作用，但当传感器数量较多时，其融合方法计算复杂，不适合工程应用。此外，针对传感器观测精度存在差异的情况，文献[65]利用目标运动状态特征求解局部航迹之间的最佳隶属度，在融合中心用最佳隶属度算法完成权值分配实现航迹融合，该方法在传感器跟踪精度较差的情况下对机动目标有很好的跟踪效果，但没有考虑量测丢失的情况。文献[66]结合交互式多模型滤波算法提出多模型航迹质量的概念，将其用于权值分配，并引入了反馈机制，提高了航迹融合精度，但该方法随着传感器数量的增多计算更加复杂，且融合精度没有明显提升。

以上方法对单一条件下的航迹融合问题比较适宜，但未考虑实际情况中量测丢失和传感器观测精度存在差异的情况同时存在，使得航迹质量出现动态变化的情况。文献[67]利用标准熵量化了各个传感器局部航迹的不确定程度，删除了质量较差的局部航迹，该方法虽提高了系统最终航迹的精度，但该方法是从整体上对航迹进行剔除，没有充分利用局部航迹。文献[68]提出一种基于信息质量选择的动态航迹融合方法，该方法用局部线性滤波器来获取局部航迹和信息熵，利用信息熵选取质量好的航迹进行航迹融合，提高了在传感器不同精度和不同量测丢失率情况下对机动目标的跟踪性能。文献[69]在文献[68]研究的基础上引入改进的模糊C均值（Fuzzy C-Means， FCM）算法对局部航迹按隶属度进行类别划分，使单一时刻数据点更少受到差数据点的影响。

2.3　总结分析

综上所述，当传感器数据较为简单、目标批次较少时，可以采用集中式融合方法，直接对原始量测数据进行估计融合，能够获得较高的估计精度。其中，基于序贯滤波的融合方法与并行滤波和数字压缩滤波方法相比，由于采取分布更新的策略，对通信带宽和融合中心性能的要求较小。因此，建议在集中式融合场景中采用序贯滤波方法。

考虑到目前空中战场需要跟踪的目标运动轨迹日益复杂，传感器探测手段也越来越多样化，产生的跟踪信息也越来越繁杂，有必要采取分布式融合方法。和集中式融合相比，分布式融合对通信带宽和融合中心处理器性能的要求较低，具有易于扩展、生命力强等优点。如果两条航迹均为传感器航迹，且传感器局部估计误差不相关，采用简单凸组合融合算法是全局最优的；如果各传感器各局部估计误差存在相关性，若相关性已知，可采用Bar Shalom-Campo融合方法，若相关性未知，可采用CI融合方法。针对航迹融合过程传感器提供数据存在不确定性的问题，例如，传感器量测误差较大或因通信异常造成传感器数据缺失，应根据融合需求设置合理的质量评估指标对传感器数据的质量进行量化分析，对于质量较差的航迹，应采取整体删除或剔除部分异常点的措施，以提高航迹融合的精度。

随着目标跟踪场景日益复杂，传感器探测手段不断丰富，需要进行融合的数据量急剧膨胀。尽管人们提出了一系列用于数据融合的模型和算法，但这些方法往往应用场景受限，难以兼顾实际跟踪过程中目标机动性强、杂波分布密集以及传感器精度较差等复杂不确定情况。近年来，随着计算机技术的进步以及人工智能技术的发展，许多学者将人工智能技术应用于数据融合过程。人工智能是一种在没有特定程序情况下从给定数据中学习的技术，基于人工智能方法进行数据融合，可以提高在复杂不确定目标跟踪场景下的融合精度。

3.1　基于人工智能方法的数据关联

神经网络具有强大的非线性拟合映射能力、记忆能力和自学能力，根据输入位置、速度等状态信息，神经网络能够协助航迹序列进行特征分类，以完成数据关联。文献[70]针对雷达与卫星位置数据的关联问题，基于神经网络设计了一种自适应关联模型，提高了关联正确率，但该模型中的神经网络只被用来估计系统误差，没有直接参与关联过程。文献[71]直接舍弃传统关联框架，将航迹关联问题转换为机器学习领域的分类识别问题，并利用卷积神经网络 （Convolutional Neural Network， CNN） 提出一种自适应关联方法，实现了在多种场景下的自适应关联。文献[72]采用深度卷积神经网络提出一种基于深度学习的航迹关联方法，该方法对于混合场景下的数据关联具有较好的适应性。

强化学习 （Reinforcement Learning， RL） 是一个智能体在复杂不确定环境中寻求最大化收益的过程，而数据关联也是在存在杂波和量测噪声的复杂环境中寻求最大关联正确率的过程，因此，可以用强化学习方法进行数据关联。文献[73]将RL算法嵌入进JPDA算法中，以获得在存在密集杂波情况下量测分布与其关联概率之间的关系，但还是基于传统关联方法的框架。文献[74]突破了传统数据关联的束缚，设计了一个基于RL的跟踪与数据关联网络架构，利用RL的动态探索能力来预测量测点和目标源关联概率。该方法在密集杂波情况下仍能实现量测与航迹的精确关联，但在量测丢失时精度较差。

3.2　基于人工智能方法的数据融合

与人工智能方法在数据关联中的应用类似，基于人工智能技术的数据融合方法能够减少对传统目标运动模型的依赖，从而更好地适用于复杂不确定环境下的目标跟踪，提高融合结果的可靠性。

神经网络算法由于其强大的学习和记忆能力在目标跟踪融合领域有着广泛应用，一部分学者将其与传统滤波算法相结合，起到互补作用。文献[75]针对无线传感器网络中传统基于接收信号强度指示器的跟踪方法对目标跟踪误差较大的问题，提出一种基于广义回归神经网络的方法，以获得无线传感器网络中单个二维目标的估计，然后用卡尔曼滤波进行进一步细化。文献[76]利用循环神经网络 （Recurrent Neural Network， RNN） 预测传感器信号中断时的量测结果，从而提高多传感器组合导航系统的融合精度。也有学者用神经网络替代传统方法中的部分模块或参数，而不改变整体的融合框架。文献[77]利用一种名为长短期记忆（Long Short-Term Memory， LSTM）的改进RNN作为目标运动模型，实现对目标状态的一步预测。文献[78]通过深度置信网络 （Deep Belief Networks， DBF）学习卡尔曼滤波过程中新息协方差的一致性，自动调整过程和量测噪声的协方差，提高融合结果精度的同时防止滤波发射。还有学者推翻了原有的融合框架，直接利用神经网络完成预测和更新过程。文献[79]针对运动模型未知的目标跟踪情况，利用神经网络学习量测数据到目标位置状态的映射关系，并针对多传感器异步采样使部分时刻量测缺失的问题，设计了一种采用时间差数据进行补偿的神经网络结构，实现了异步采样情况下对目标状态的精确融合估计。

除了神经网络方法外，其他人工智能方法在数据融合领域有许多应用。文献[80]利用深度强化学习方法对目标跟踪过程中两种不同定位算法的权重进行优化调整，并利用预测的变化和残差值训练输入的双传感器定位算法，提高了目标在复杂环境下位置数据融合的精度和稳定性。支持向量机（Support Vector Machine，SVM）是一种机器学习算法，文献[81]针对具有不确定性和非高斯白噪声的系统模型，提出一种基于卡尔曼滤波和支持向量机的数据融合算法，先提高卡尔曼滤波算法计算目标状态预估计，再用提出的KF-SVM方法获得状态估计，该算法不需要计算传感器的互协方差矩阵，具有更好的估计精度。

3.3　总结分析

基于人工智能的数据关联与融合方法凭借强大的机器学习能力很好地满足了关联与融合过程中的各种需求，减少了对先验知识的依赖，提高了关联和融合结果的可靠性。未来人工智能方法在多目标跟踪场景中有着广阔的应用场景。例如，在传感器数据获取阶段，部分传感器探测数据可能为图像信息，可以采用深度学习算法对该传感器的图像信息进行学习，从而在跟踪过程中快速准确地获取目标特征数据。在对传感器数据进行滤波降噪处理时，可以将循环神经网络与滤波循环过程相结合，构成可在线学习的循环滤波神经网络，实现对目标端到端的状态估计与跟踪。此外，当环境或传感器性能变化时，可以使用深度强化学习算法对系统进行训练，自动选择合适的融合策略或对不同传感器数据参与融合的权重进行动态分配，以适应当前的跟踪条件。

目前，基于人工智能的数据关联与数据融合相关研究虽然比较广泛，但是还没有形成比较系统的研究体系，且人工智能方法的一大缺点是前期需要大量数据进行学习训练，利用事先训练好的模型来处理复杂不确定环境中的目标跟踪效果较差。如何提高人工智能方法在数据融合过程中的适用性和可靠性，需要开展进一步研究。

由以上研究可以看出，目前对多传感器数据融合的研究呈现出蓬勃发展的态势，在目标跟踪领域取得了显著进展，但仍存在许多挑战和待解决的问题。本节结合国内外相关技术研究和项目进展，对面向目标跟踪的多传感器数据融合研究提出以下几点展望。

（1） 未来的目标跟踪系统的智能化和自适应性能将进一步提升。随着对目标跟踪的实时性和准确性的要求不断提高，与之相关的数据融合算法需要进一步优化以提高处理速度和精度，以强化学习、深度学习等为代表的人工智能方法为数据融合问题的研究提供了新的着力点。采用智能化方法可以更高效地构建特征提取和融合模型，以满足对高速、高机动目标的跟踪需求。特别是在复杂战场环境下，目标可能受到干扰、伪装和遮蔽等因素的影响，探测器也可能受到环境等影响无法持续获取目标信息，导致跟踪难度增加，可以利用智能化方法根据环境变化和任务需求自适应调整参数和策略，提高复杂环境下数据融合的鲁棒性。

（2） 随着计算能力的提升和算法的优化，未来目标跟踪系统能够在更短时间内处理大量数据，并实时更新目标状态，以满足快速变化的作战需求。现有人工智能方法的融合效果高度依赖于事先的学习训练，如何根据跟踪目标实际情况选取合适的人工智能模型，设计高效的人工智能算法，在节省计算资源的同时保障数据融合的效果，是未来目标跟踪和数据融合研究的重点和难点。例如，可以利用迁移学习的方法，将在其他任务或领域中预训练的模型进行微调，以适应目标跟踪和数据融合任务的特定需求，这样可以减少对大量标注数据的依赖，提高模型的泛化能力；还可以通过增量学习的方法，持续地更新和改进模型，以适应新的数据和环境，这样可以在模型逐步积累更多信息的同时，减少对事先训练模型的依赖，并及时应对数据分布的变化。

（3） 随着传感器技术的不断进步，未来不同传感器之间的协同探测会更加紧密。在对远距离运动的目标进行跟踪时，往往需要依赖多种传感器和探测源，如雷达、卫星、光电等，为充分利用各种信息源的优势，未来的数据融合方法需要进一步增强多源数据融合能力。这包括研究不同信息源之间的互补性，设计有效的融合策略，以及针对不同传感器的探测误差特性设计合适的误差估计和补偿算法，以实现对目标的全方位、多角度跟踪。

（4） 基于目标行为特征的融合也是未来的发展方向。考虑到目标运动是一个持续过程，通过对多传感器收集到的目标历史行为信息进行预处理和特征提取，可以得到一系列描述目标行为的关键特征，如目标的速度、方向等，以及意图、偏好等更高级别的行为信息。基于以上前期行为特征对目标状态进行估计和融合处理，一方面实现了对数据的可观压缩，降低了对通信带宽的需求，另一方面也为高精度目标跟踪和预判提供了有力支持。

（5） 未来数据融合会在战场态势评估与决策支持中发挥越来越重要的作用。在现代战场环境中，目标跟踪只是战场整体决策中的一部分，随着战场态势日益复杂，未来目标跟踪将更加注重与其他作战系统的联网和协同作战能力，可以将数据融合方法与战场决策支持系统相结合，实现对战场态势的实时感知和智能分析。通过信息共享和协同决策，有助于指挥中心更准确地掌握战场情况，制订更有效的作战计划，不同平台和部队的目标跟踪系统将能够共同完成更复杂的任务，提高整体作战效能。