深度学习与JPDA融合的雷达目标跟踪架构解析

1. 项目概述：认知雷达与深度学习的融合架构

在雷达目标跟踪领域，传统方法往往面临复杂场景下的性能瓶颈。我们构建了一个融合深度学习与传统信号处理的混合架构，核心创新点在于将Bi-LSTM时序预测器与传统JPDA（联合概率数据关联）算法相结合。这种架构既保留了物理模型的约束性，又能通过数据驱动的方式学习复杂运动模式。

项目代码采用模块化设计，主要包含五大功能模块：

• LSTM时序预测器（Bi-LSTM Encoder-Decoder结构）
• 改进版JPDA关联算法
• 符合IEEE标准的轨迹状态机
• 可视化工具链
• 自动化测试框架

实测表明，该架构在交叉轨迹场景下的ID切换率比传统方法降低47%，预测RMSE在5帧时域范围内稳定在8米以内（测试数据标准差为15米）。

2. 核心模块实现解析

2.1 LSTM时序预测器设计

lstm_predictor.py采用双阶段编解码结构：

python复制class BiLSTMPredictor(pl.LightningModule):
    def __init__(self, input_dim=4, hidden_dim=64):
        super().__init__()
        # 双向编码器层
        self.encoder = nn.LSTM(input_size=input_dim, 
                              hidden_size=hidden_dim,
                              bidirectional=True)
        # 解码器预测层
        self.decoder = nn.LSTM(input_size=hidden_dim*2,
                              hidden_size=hidden_dim)
        self.fc_out = nn.Linear(hidden_dim, input_dim*2)  # 输出均值与方差

关键技术细节：

1. 输入特征工程：
   • 原始观测→[x, y, vx, vy, ax, ay]（笛卡尔坐标系）
   • 动态归一化：以