⚡ electrical engineering

A Variational Message Passing Framework for Multi-Sensor Multi-Object Tracking using Raw Radar Signals

该论文提出了一种基于变分消息传递的框架，通过直接在原始雷达信号上进行概率建模与数据融合，有效解决了无人机等低可探测目标在复杂环境下的多目标检测、跟踪及状态估计难题，并在低信噪比条件下显著优于传统检测后跟踪方法。

原作者： Anders Malthe Westerkam, Jakob Möderl, Erik Leitinger, Troels Pedersen

发布于 2026-04-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Anders Malthe Westerkam, Jakob Möderl, Erik Leitinger, Troels Pedersen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种全新的雷达追踪技术，专门用来解决在复杂环境中（比如有很多干扰、信号很弱）同时追踪多个无人机（UAV）的难题。

为了让你更容易理解，我们可以把这项技术想象成在一个嘈杂的派对上，试图同时听清并记住几个正在低声说话的朋友。

1. 面临的挑战：嘈杂的派对与微弱的声音

想象一下，你身处一个巨大的、回声缭绕的体育馆（这就是雷达的探测环境）。

目标（无人机）：它们像几个穿着白色衣服、声音很小的人，在人群中快速移动。
干扰（杂波）：周围有风扇声、人群嘈杂声、回声（这就是雷达里的“杂波”和“噪声”）。
传统方法的困境：
以前的雷达系统就像是一个**“先听清，再记录”**的笨拙助手。它必须先大声喊出“我听到了声音！”，确认声音足够大、足够清晰后，才会在本子上记下来：“哦，那边有个人”。
- 问题：如果朋友的声音太轻（低信噪比），或者被别人的声音盖住了（杂波），这个助手就听不见了，直接忽略。等它终于听清时，朋友可能已经跑远了，或者因为声音太轻被误认为是噪音。

2. 新方案：全神贯注的“变分消息传递” (VMP)

这篇论文提出的新方法，就像是一个拥有“超级听力”和“超强记忆力”的侦探。它不再等待声音变清晰才去记录，而是直接分析原始的声音波形。

核心思想：直接追踪原始信号
这个侦探不等待“确认有人说话”的指令，而是直接拿着录音笔，分析每一秒的原始声波。即使声音很微弱，或者被噪音淹没，它也能通过波形中的细微特征，推断出“那里可能有人”。
- 比喻：就像你在听一首被杂音干扰的交响乐，传统方法只记录乐谱上清晰的音符；而新方法能听到整个乐团的合奏，即使某个乐器声音很小，它也能通过和声的规律推断出那个乐器的存在。
多雷达协作：多人合唱
论文中使用了多个雷达（MIMO 多雷达系统）。
- 比喻：想象你有 4 个侦探站在体育馆的不同角落。
  - 传统方法：每个侦探只记录自己听到的，如果 A 没听见，B 也没听见，那就漏掉了。
  - 新方法：这 4 个侦探实时共享他们听到的所有原始声波。A 虽然没听清，但 B 听到了微弱的一丝，C 听到了回声。他们把所有人的信息拼在一起，像拼图一样，瞬间就能还原出那个“隐形”朋友的位置和轨迹。这就是**“相干数据融合”**。
处理“紧挨着”的目标
当两个朋友靠得非常近说话时，声音会混在一起，传统方法会以为只有一个人，或者完全听不清。
- 新方法：它使用了一种**“叠加信号模型”**。它明白声音是混在一起的，但它能像调音师一样，通过数学算法把混在一起的声波“拆解”开，分辨出“这是张三的声音，那是李四的声音”，即使他们只有一步之遥。

3. 它是如何工作的？（简单的三步走）

不丢弃任何信息：
传统方法会先过滤掉“太弱”的信号（就像把音量调小的人静音）。新方法保留所有信号，哪怕是微弱的沙沙声，因为它知道那可能也是目标的一部分。
概率推理（猜谜游戏）：
它不直接说“那里有人”，而是计算概率：“这里有 80% 的可能性是张三，20% 是噪音”。
- 它引入了一个**“伯努利 - 伽马模型”**（听起来很复杂，其实很简单）：
  - 伯努利：决定“这个人存不存在？”（是或否）。
  - 伽马：决定“这个人的声音有多清晰/可靠？”（如果雷达和目标的连线被遮挡了，它就降低这个目标的权重，不盲目相信）。
- 这就像侦探在评估线索的可靠性，如果某个角度的信号很弱，他就少听一点那个角度的，多听信号强的角度。
变分消息传递 (VMP)：
这是算法的“大脑”。它通过一种高效的数学方法（平均场近似），在成千上万个可能的猜测中，快速找到最合理的那一个解释。它不需要穷尽所有可能（那样太慢了），而是像走迷宫一样，沿着最可能的路径快速收敛到正确答案。

4. 结果如何？

论文通过模拟实验证明：

在信号很弱、目标很近、干扰很大的情况下，这种新方法比传统方法强得多。
传统方法经常跟丢目标，或者把两个目标看成一个，或者把噪音当成目标。
新方法能稳稳地抓住那些“隐形”的无人机，即使它们在雷达边缘徘徊，或者两个无人机像双胞胎一样紧挨着飞。

总结

这就好比：

旧方法：在暴风雨中，只有当闪电足够亮时，你才能看到树。如果闪电不够亮，你就看不见树，或者把树影当成怪物。
新方法：你戴上了一副智能眼镜，它能分析雨滴落下的每一丝震动，结合周围几个观察员的视角，即使在暴风雨最猛烈、最黑暗的时候，也能精准地画出每一棵树的轮廓和移动轨迹，而且不会把雨滴误认为是树。

这项技术对于保护机场、重要设施免受无人机入侵至关重要，因为它能在无人机试图“隐身”或混入背景噪音时，依然把它们揪出来。

这是一份关于论文《基于变分消息传递的多传感器多目标跟踪框架（使用原始雷达信号）》的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
随着无人机（UAV）的普及，空域监视面临巨大挑战。无人机通常体积小、雷达散射截面（RCS）低，且在杂波环境中移动缓慢。这些特性使得传统的“先检测后跟踪”（Detect-Then-Track, DTT）方法难以奏效。

核心问题：

DTT 方法的局限性： 传统方法依赖预处理后的测量值（如匹配滤波和恒虚警率检测）。在低信噪比（SNR）或强杂波环境下，弱目标信号容易被噪声淹没或被检测器丢弃，导致信息丢失，进而影响后续跟踪性能。
多目标关联困难： 当多个目标距离极近时，它们的回波信号在原始数据中高度相关（叠加），传统的点目标模型无法有效处理这种信号相关性，导致目标数量估计错误（漏检或虚警）和轨迹断裂。
多传感器融合挑战： 现有的直接跟踪（Track-Before-Detect, TBD）方法大多基于简化模型，未能充分利用多 MIMO 雷达系统的原始信号进行相干融合，且往往假设噪声和反射率参数已知。

目标：
开发一种能够直接在原始雷达信号层面进行推理的方法，能够同时处理未知数量的目标、低 SNR 环境、紧密间隔目标以及多传感器数据融合。

2. 方法论 (Methodology)

本文提出了一种基于**变分消息传递（Variational Message Passing, VMP）**的直接多目标跟踪（Direct-MOT）框架。

2.1 系统模型

信号模型： 采用叠加信号模型（Superimposed Signal Model）。接收到的原始基带信号被建模为所有潜在目标回波的线性叠加加上高斯白噪声。该模型显式地捕捉了由紧密间隔目标引起的信号相关性。
多传感器融合： 针对 $L$ 个 MIMO 雷达系统，构建统一的概率模型，联合处理所有雷达节点的匹配滤波后信号，实现相干数据融合。
状态定义： 每个潜在目标（Potential Object, PO）的状态包括：
- 运动状态 ( $\Phi$ )： 位置、速度。
- 存在指示器 ( $\xi$ )： 二元变量，表示目标是否存在（伯努利分布）。
- 反射率/复振幅 ( $\alpha$ )： 目标的雷达散射特性。
- 精度参数 ( $\gamma, \lambda$ )： 用于建模反射率的精度（逆方差）和噪声方差。

2.2 概率图模型与推断

分层伯努利 - 伽马模型 (Hierarchical Bernoulli-Gamma Model)：
- 使用伯努利变量描述目标的存在性。
- 使用伽马分布作为精度参数的先验，用于建模每个目标 - 雷达链路的反射率（振幅精度）和可靠性。这使得算法能够自适应地加权不同雷达的测量值，自动处理不可靠的传感链路。
变分推断 (Variational Inference)：
- 由于后验概率分布难以直接计算（不可积），采用平均场近似（Mean-Field Approximation）。
- 假设后验分布可以分解为各个变量（状态、存在性、参数）的独立因子的乘积。
- 通过最小化真实后验与近似后验之间的 KL 散度（等价于最大化证据下界 ELBO），推导出各变量的消息传递更新规则。

2.3 算法实现细节

消息传递顺序： 算法分为两个部分：
1. 现有目标更新 (Alg 1)： 对已存在的目标进行状态、存在概率和参数的迭代更新。
2. 新目标初始化 (Alg 2)： 在每个时间步搜索新的潜在目标，通过优化似然函数判断是否将新目标加入跟踪列表。
计算优化：
- 为了降低计算复杂度，对某些消息（如从数据到状态的消息）强制采用高斯形式，利用费雪信息矩阵近似协方差。
- 采用剪枝策略：当目标存在概率低于阈值 $\delta^-$ 时，删除该轨迹；当新目标存在概率高于 $\delta^+$ 时，初始化新轨迹。
- 支持分布式并行处理，各雷达节点可独立运行算法并交换紧凑的消息（均值和协方差），具有容错性。

3. 主要贡献 (Key Contributions)

基于 VMP 的直接 MOT 方法： 提出了一种无需中间检测步骤、直接在原始信号层面联合估计目标数量、运动状态及噪声参数的新框架。
分层伯努利 - 伽马模型： 创新性地引入了该模型，同时捕捉目标存在性和雷达 - 目标链路的可靠性（反射率精度），实现了多雷达测量值的自适应加权融合。
处理信号相关性： 通过叠加信号模型和 VMP 消息更新，显式地处理了紧密间隔目标引起的信号相关性，克服了传统点目标模型的局限。
计算效率与可扩展性： 推导了基于平均场近似的闭式消息更新公式，使得算法在保持高精度的同时具备计算可行性，适合实时应用。
性能验证： 在合成场景中，证明了该方法在低 SNR 和强杂波条件下优于传统的“超分辨率估计 + 信念传播跟踪”（SBL+BP）流水线。

4. 实验结果 (Results)

论文在三种具有挑战性的合成场景下进行了评估（使用 OSPA 误差作为指标）：

随机交叉轨迹 (Random Crossing Tracks)：
- 场景： 3 个目标在低 SNR（约 -18 dB）下交叉，信号高度相关。
- 结果： 传统的 SBL+BP 方法由于检测阶段的漏检和定位误差，导致轨迹频繁断裂和数量估计错误。VMP 方法利用多传感器融合和直接信号推理，显著降低了 OSPA 误差，成功维持了轨迹连续性。
平行轨迹 (Parallel Tracks)：
- 场景： 2 个目标间距仅 1.5 米（低于经典分辨率），且进行机动。
- 结果： SBL+BP 因无法分辨紧密目标而丢失轨迹。VMP 方法表现出一致的低位误差，尽管在紧密间隔下由于优化问题的排斥效应（repelling effect）存在微小的位置偏差，但整体跟踪性能远优于对比方法。
传感器切换 (Sensor Handover)：
- 场景： 单个目标在 4 个雷达间移动，同一时刻仅被 1-2 个雷达观测。
- 结果： VMP 方法能够无缝处理传感器切换带来的幅度波动，而 SBL+BP 在单雷达观测且低 SNR 时容易丢失目标。

计算复杂度分析：

在 M1 Pro 芯片上的测试表明，VMP 算法的平均运行时间（1.29 秒）优于 SBL+BP 组合（1.59 秒），且最大运行时间更稳定。
主要计算瓶颈在于目标数量 $K$ 的立方项（ $O(K^3)$ ），源于信号分量相关性的矩阵求逆，但在实际目标数量可控的情况下，算法仍适合实时部署。

5. 意义与结论 (Significance & Conclusion)

技术意义：

突破 DTT 瓶颈： 该研究证明了在低信噪比和复杂杂波环境下，跳过中间检测步骤、直接在信号层面进行推理的优越性。它保留了被传统方法丢弃的弱信号能量。
多传感器融合新范式： 提供了一种基于概率图模型和变分推断的框架，能够自然地处理多 MIMO 雷达的异构数据融合和链路可靠性评估。
鲁棒性： 对目标 RCS 波动（如 Swerling-III 模型）和紧密间隔目标具有极强的鲁棒性。

结论：
本文提出的基于 VMP 的直接多目标跟踪方法，通过联合建模目标存在性、运动状态和信号参数，并利用原始雷达信号进行相干融合，显著提升了无人机等弱目标在低信噪比和密集环境下的检测与跟踪性能。该方法为下一代智能空域监视系统提供了一种高效、鲁棒的解决方案。未来的工作可探索结合数据驱动组件的混合推理方法。