통일된 항적 배치 번호와 항적 중복 감소를 목표로 하는 항적-항적 연관(track-to-track association, T2TA)은 항적 융합과 상황 인식의 전제 및 기초입니다. 현재 T2TA는 항적 데이터와 연관 방법 두 가지 문제에 직면해 있습니다. 일반적인 문제는 항적 데이터의 오차와 일치하지 않는 갱신 주기, 그리고 연관 방법에서의 차선 연관 결과 및 사전 정보와 가정된 운동 모델에 대한 의존성입니다. 이에 스마트 항적 점수를 기반으로 한 다중 센서 항적 연관 다중 가설 알고리즘(MH-T2TA)을 제안합니다. 오차를 제거하고 비동기 항적 분포를 통일하기 위해 자기 주의와 대비 학습 기반 시공간 정합 모듈을 설계하였습니다. 다중 가설 알고리즘과 딥러닝을 결합하여 사전 정보와 가정된 운동 모델에 의존하지 않고 항적 쌍의 연관 점수를 추정하여 최적 연관 쌍을 획득합니다. 세 가지 손실 함수의 제약 하에 동일 목표의 항적은 서로 가까워지고, 다른 목표의 항적은 서로 멀어지며, 추정된 항적 점수는 실제 항적 점수와 매우 유사합니다. 실험 결과 MH-T2TA는 복잡한 환경에서도 항적 연관을 실현할 수 있으며 다른 T2TA 방법보다 연관 성능이 우수함을 보여줍니다.

항적-항적 연관; 다중 가설 알고리즘; 항적 점수; 신경망