Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thuật toán theo dõi mục tiêu đa thao tác dựa trên ước lượng giả Bayes tổng quát bậc nhất
Tóm tắt
Chúng tôi mô tả thiết kế của một thuật toán theo dõi các mục tiêu đa thao tác trong khuôn khổ của bộ lọc mật độ giả thuyết xác suất hỗn hợp Gaussian (PHD). Đầu tiên, một biến thể của ước lượng giả Bayes tổng quát bậc nhất (VGPB1) được thiết kế để thích nghi với bộ lọc PHD hỗn hợp Gaussian cho các mô hình hệ thống Markov nhảy (JMS-PHD). Xác suất của mỗi mô hình động lực học, được sử dụng trong bộ lọc JMS-PHD, được cập nhật bằng VGPB1. Tổng trọng số của trạng thái, hiệp phương sai liên quan và trọng số cho các thành phần Gaussian sau đó được tính toán. Các kỹ thuật cắt tỉa và hợp nhất cũng được áp dụng trong thuật toán này để tăng hiệu suất. Hiệu suất của thuật toán đề xuất được so sánh với bộ lọc JMS-PHD. Kết quả mô phỏng Monte-Carlo cho thấy khoảng cách phân bố mẫu tối ưu (OSPA) của thuật toán đề xuất thấp hơn so với bộ lọc JMS-PHD khi theo dõi các mục tiêu thao động.
Từ khóa
#Thuật toán theo dõi #mục tiêu đa thao tác #PHD #ước lượng giả Bayes #mô phỏng Monte-CarloTài liệu tham khảo
Bar-Shalom, Y., Chang, K.C., Blom, H.A.P., 1989. Tracking a maneuvering target using input estimation versus the interacting multiple model algorithm. IEEE Trans. Aerosp. Electron. Syst., 25(2):296–300. [doi:10.1109/7.18693]
Bar-Shalom, Y., Li, X.R., Kirubarajan, T., 2001. Estimation with Applications to Tracking and Navigation. John Wiley & Sons, Inc., New York, USA. [doi:10.1002/0471221279]
Blom, H.A.P., Bar-Shalom, Y., 1988. The interacting multiple model algorithm for systems with Markovian switching coefficients. IEEE Trans. Automatic Control, 33(8):780–783. [doi:10.1109/9.1299]
Li, X.R., Jilkov, V.P., 2003. Survey of maneuvering target tracking. Part I: dynamic models. IEEE Trans. Aerosp. Electron. Syst., 39(4):1333–1364. [doi:10.1109/TAES.2003.1261132]
Mahler, R.P.S., 2003. Multitarget Bayes filtering via firstorder multitarget moments. IEEE Trans. Aerosp. Electron. Syst., 39(4):1152–1178. [doi:10.1109/TAES.2003.1261119]
Mahler, R.P.S., 2007. Statistical Multisource Multitarget Information Fusion. Artech House, Norwood, MA.
Pasha, S.A., Vo, B.N., Tuan, H.D., Ma, W.K., 2009. A Gaussian mixture PHD filter for jump Markov system models. IEEE Trans. Aerosp. Electron. Syst., 45(3):919–936. [doi:10.1109/TAES.2009.5259174]
Pollard, E., Pannetier, B., Rombaut, M., 2011. Hybrid algorithms for multitarget tracking using MHT and GM-CPHD. IEEE Trans. Aerosp. Electron. Syst., 47(2):832–847. [doi:10.1109/TAES.2011.5751229]
Schuhmacher, D., Vo, B.T., Vo, B.N., 2008. A consistent metric for performance evaluation of multi-object filters. IEEE Trans. Signal Process., 56(8):3447–3457. [doi:10.1109/TSP.2008.920469]
Vo, B.N., Ma, W.K., 2006. The Gaussian mixture probability hypothesis density filter. IEEE Trans. Signal Process., 54(11):4091–4104. [doi:10.1109/TSP.2006.881190]
Vo, B.N., Pasha, A., Tuan, H.D., 2006. A Gaussian Mixture PHD Filter for Nonlinear Jump Markov Models. Proc. 45th IEEE Conf. on Decision and Control, p.3162–3167. [doi:10.1109/CDC.2006.377103]
Vo, B.N., Vo, B.T., Mahler, R.P.S., 2012. Closed-form solutions to forward-backward smoothing. IEEE Trans. Signal Process., 60(1):2–17. [doi:10.1109/TSP.2011.2168519]
Wu, J., Hu, S., Wang, Y., 2010. Probability-hypothesisdensity filter for multitarget visual tracking with trajectory recognition. Opt. Eng., 49(12):129701. [doi:10.1117/1.3518084]
Zhang, H., Jing, Z., Hu, S., 2009. Gaussian mixture CPHD filter with gating technique. Signal Process., 89(8):1521–1530. [doi:10.1016/j.sigpro.2009.02.006]
Zhang, S.C., Li, J.X., Wu, L.B., 2012. An Improvement to the Linear Jump Markov System Gaussian Mixture Probability Hypothesis Density Filter for Maneuvering Target Tracking. 7th IEEE Conf. on Industrial Electronics and Applications, p.1810–1815. [doi:10.1109/ICIEA.2012.6361021]