A Robust Sensor Scheduling Algorithm Based on Deep Reinforcement Learning for Maneuvering Target Tracking

Qiyue Feng

doi:10.1109/jiot.2026.3719505

A Robust Sensor Scheduling Algorithm Based on Deep Reinforcement Learning for Maneuvering Target Tracking

2026-08-03

0

PRE

AI

DOI：10.1109/jiot.2026.3719505

原文链接

原文求助

摘要

En 中文

本文考虑了利用到达时间差（TDOA）对机动目标进行传感器调度的问题。我们提出了一种基于参数化深度Q网络（PDQN）算法的新型交互式多模型（IMM）传感器调度方法。该方法使用扩展卡尔曼滤波（EKF）预测机动目标的轨迹，然后利用PDQN优化传感器调度，从而提高机动目标跟踪的适用性。在该框架中，我们设计了一个创新奖励函数，将表征跟踪不确定性的克拉美罗下界（CRLB）与物理传感器约束相结合，引导智能体学习最大化长期跟踪精度的策略。为确保障对目标运动模式的鲁棒性，训练过程中采用了领域随机化策略。大量不同场景下的数值实验表明，所提出的方法在跟踪精度上与基于优化的控制基准相当，并在某些情况下表现更优，同时将在线决策时间减少了一个数量级。本研究将深度强化学习（DRL）确立为解决复杂联合估计与控制问题的有效替代方案，特别是在需要长期规划和对不确定性具有高鲁棒性的场景中。

Keyword:

Cramér–Rao lower bound (CRLB)

extended Kalman filtering (EKF)

interacting multiple model (IMM)

parameterized deep Q-network (PDQN)

sensor scheduling

target tracking

A Robust Sensor Scheduling Algorithm Based on Deep Reinforcement Learning for Maneuvering Target Tracking

摘要

期刊

机构

引用论文