1. 课程导入与船舶感知任务全景

船舶在复杂水域中安全航行，首先依赖的是“看得见、辨得清、跟得住”的感知能力。所谓船舶多传感器融合，是指把雷达、AIS、电子海图、可见光与红外相机、激光雷达、GNSS/惯导等不同原理的传感器数据，在时间、空间和语义层面统一起来，形成对周围目标与自身状态的一致描述；而目标跟踪则是在这一描述基础上，对目标的运动状态进行连续估计与预测，输出稳定的航迹。两者一静一动：融合解决“同一目标在不同传感器里如何对齐”，跟踪解决“目标随时间如何演化”。

理解这门课，最好先建立一张“任务全景图”。船舶感知并不是单一算法问题，而是由场景需求牵引、由传感器供给数据、由融合与跟踪算法加工、最终服务于避碰决策的完整链条。下图把典型场景、核心挑战与课程学习路径放在同一视图中，便于先看清全局再深入细节。

从图中可以看到，四个典型场景对感知能力的要求差异明显。内河航道狭窄、桥区与弯道多，雷达容易受到岸线强反射和桥梁遮挡，AIS 又可能因船舶密集而出现时隙冲突，因此更强调近距离目标分辨与岸线抑制；近海渔船密集、涌浪造成相机抖动，融合时需要处理大量低信噪比小目标；远洋目标稀疏但通信受限，系统更依赖本地自主估计与长时间航迹维持；港口则是目标密集、遮挡频繁的极端场景，数据关联的正确率往往成为瓶颈。场景不同，算法侧重点就不同，这也是本课程不把融合与跟踪当作单一公式、而按场景展开的原因。

核心挑战可以归纳为三条主线。第一是环境干扰：雨雾会在雷达上形成杂波，强光与逆光会让可见光相机丢失目标，多径效应则可能让同一目标在雷达图像上出现“鬼影”。第二是目标机动：船舶虽然惯性大，但在狭窄水域避让时仍会急转、变速，密集交汇时多目标航迹容易交叉，若滤波器模型与实际运动不匹配，就会出现航迹滞后甚至跟错。第三是传感器失效：相机被遮挡、GNSS 丢星、AIS 关闭或延迟，都会让某一数据源短时退化，融合系统必须具备降级运行与故障检测能力，而不是假设所有传感器永远在线。

为了让学习路径可执行，课程按“先单源、再融合、后跟踪、终实战”的顺序组织。第一阶段建立坐标系与时间基准的统一认识，明确 WGS-84 经纬度、船体坐标系与雷达极坐标之间的转换关系；第二阶段分别处理雷达点迹、AIS 报文、相机检测框等单源数据，理解各源的误差特性；第三阶段进入时空配准与数据关联，解决“谁是谁”的问题；第四阶段用卡尔曼滤波及其扩展完成状态估计与航迹管理；第五阶段把前述环节串成可运行的系统，在典型场景数据上验证。

以一个教学示例说明这条链路的实际含义。假设某内河航段，本船以约 8 kn 航行，雷达扫描周期 2.5 s，AIS 报文平均间隔约 6 s，相机帧率 15 fps。融合前必须先把三者对齐到同一时刻：以雷达扫描时刻为基准，对 AIS 位置做时间插值，对相机检测结果按最近帧匹配，并统一到以本船为原点的局部东北坐标系。随后对雷达点迹与 AIS 航迹做关联，若某目标同时被两者观测且位置残差在设定门限内，则判定为同一目标并融合其位置与速度；若相机检测框与融合航迹在图像投影上重合，则进一步确认。此处的门限、插值方式和坐标系定义都属于示例假设，实际系统需依据传感器精度与场景标定确定。