当无人机群在复杂环境中追踪多个移动目标时，不同传感器可能给同一目标分配不同“身份标签”，导致跟踪数据“混乱”。我国科研团队提出的新型标签匹配算法，通过精准比对这些“身份标签”，在目标检测概率低至0.3时仍能保持稳定跟踪性能，较传统方法降低最优子模式分配（OSPA）误差，且计算效率提升显著。相关成果发表于《Frontiers of Information Technology & Electronic Engineering》。

分布式跟踪的“身份混乱”难题：标签不统一导致数据融合失效

多目标跟踪（MTT）是无人机巡检、交通监控、战场侦察等场景的核心技术，需同时估计目标数量和运动状态。在分布式传感器网络中，每个传感器独立生成目标标签（如同给目标发“身份证”），但不同传感器可能给同一目标分配不同标签——比如传感器A称某目标为“001”，传感器B可能称其为“002”。这种“身份混乱”会导致数据融合时目标被重复计数或漏检，尤其在目标检测概率低（如受遮挡、远距离导致传感器难以捕捉）时，传统方法跟踪误差会显著增大。

现有解决方案如基于广义协方差交集（GCI）的标签匹配，需计算复杂的概率密度分数幂，在低检测概率下不仅计算量大，还容易匹配错误。如何让传感器网络“统一目标身份”并高效融合数据，成为分布式多目标跟踪的关键挑战。

给目标“精准身份比对”：AA标签匹配算法的创新设计

哈尔滨工业大学团队提出的“算术平均标签匹配（AALM）”算法，从两个方面破解难题：

首先，用AA散度衡量标签差异。算法将不同传感器的目标标签视为“待比对的身份信息”，通过计算算术平均（AA）散度——一种衡量数据差异的指标——量化不同标签对应目标的相似度。例如，当两个传感器检测到的目标位置、速度分布越接近，AA散度越小，说明它们很可能是同一目标，标签应匹配。

其次，四阶段融合确保数据完整。融合过程分为“预融合（初步匹配标签并融合概率密度）、标签确定（根据存在概率选择最终标签）、posterior补全（添加未参与匹配的标签）、唯一性检查（确保标签无重复）”。这好比快递分拣：先按地址匹配包裹（预融合），确定收件人姓名（标签确定），补充遗漏包裹（posterior补全），最后检查是否有重名（唯一性检查），确保每个目标只有一个“身份ID”。

实验室验证：低检测概率下误差更低、速度更快

在含7个传感器、6个移动目标的仿真场景中，新算法与传统方法展开对比：

• 低检测概率优势显著：当目标检测概率降至0.3（即传感器仅30%概率能捕捉目标），AALM算法的OSPA误差（衡量跟踪精度的指标）较基于GCI的标签匹配方法降低，且目标数量估计更接近真实值。而传统方法在低检测概率下，目标数量估计误差会增大30%以上。
• 计算效率提升：由于避免了GCI融合中的复杂幂运算，AALM算法的平均执行时间较传统方法缩短，且在检测概率变化时（0.3~0.99），计算时间保持稳定，不会因目标难检测而增加运算负担。
• 分布式与集中式均适用：无论是分布式传感器网络（各节点仅与邻居通信）还是集中式融合（一个中心节点处理所有数据），AALM算法均表现出稳定性能，尤其在分布式场景下，经过1次共识迭代即可接近集中式融合精度。

应用前景：从战场监控到智能交通

该算法为复杂环境下的多目标跟踪提供了新工具。未来，在战场多无人机协同侦察中，可精准追踪敌方移动目标；在智能交通系统中，即便部分摄像头被遮挡，仍能稳定识别多辆车的行驶轨迹。研究团队表示，下一步将探索算法在动态传感器网络（如传感器移动部署）中的适应性，进一步扩展应用场景。

来源: 信息与电子工程前沿FITEE