Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa nhiệm vụ của nhiều cảm biến không đồng nhất trong điều kiện thiếu phản hồi đo đạc
Tóm tắt
Các quan sát đối tượng không gian cư trú do các cảm biến tạo ra là phương pháp chính để duy trì kiến thức về trạng thái của các đối tượng. Với sự gia tăng số lượng đối tượng, việc phân bổ cảm biến hiệu quả ngày càng trở nên quan trọng. Điều này đòi hỏi sự phối hợp của nhiều cảm biến với các khả năng khác nhau một cách tối ưu. Trong khi việc tối ưu hóa trở nên đơn giản hơn nhiều nếu có thể giả định rằng có sự giao tiếp tức thời giữa các cảm biến và có xử lý ngay lập tức, đây không phải là một thiết lập thực tế. Việc trao đổi thông tin và xử lý gây ra độ trễ thời gian dài hơn thời gian available để lập kế hoạch và bắt đầu bước phân công nhiệm vụ cho các cảm biến, mà không làm cho cảm biến phải idle mà không cần thiết. Trong bài báo này, một phương pháp được giới thiệu để hình thành nhiệm vụ cảm biến hiệu quả trong hệ thống đa cảm biến, mà không cần giao tiếp ngay lập tức giữa các cảm biến và xử lý quan sát, được gọi là phản hồi. Sự phối hợp được minh họa bằng cách sử dụng hai cảm biến, với các trường nhìn khác nhau trong kịch bản theo dõi các đối tượng trong vùng địa tĩnh. Hiệu quả của phương pháp được đánh giá thông qua danh mục hai dòng yếu tố.
Từ khóa
#cảm biến #không gian #phân bổ #tối ưu hóa #hệ thống đa cảm biến #phản hồiTài liệu tham khảo
Vallado, D.A.: Fundamentals of Astrodynamics and Applications. Microcosm Press/Springer, 3rd edn (2007)
Frueh, C., Fiedler, H., Herzog, J.: Heuristic and optimized sensor tasking observation strategies with exemplification for geosynchronous objects. Journal of Guidance, Control, and Dynamics 41(5), 1036–1048 (2018). https://doi.org/10.2514/1.G003123
Sunberg, Z., Chakravorty, S., Erwin, R.S.: Information space receding horizon control for multisensor tasking problems. IEEE Trans. Cybern. 46, 1325–1336 (2016). https://doi.org/10.1109/TCYB.2015.2445744
Hill, K., Sydney, P., Hamada, K., Cortez, R., Luu, K., Jah, M., Schumacher, P.W., Coulman, M., Houchard, J., Naho’olewa, D.: Covariance-Based Network tasking of optical sensors. Advances in the Astronautical Sciences 136, 769–786 (2010)
Linares, R., Furfaro, R.: An autonomous sensor tasking approach for large scale space object cataloging. In: Advanced Maui Optical and Space Surveillance Technologies Conference (AMOS), pp 1–17 (2017)
Erwin, R.S., Albuquerque, P., Jayaweera, S.K., Hussein, I.: Dynamic sensor tasking for Space Situational Awareness. In: Proceedings of t 2010 American Control Conference, IEEE, pp 1153–1158 (2010). https://doi.org/10.1109/ACC.2010.5530989
Little, B.D., Frueh, C.E.: Space situational awareness sensor tasking: comparison of machine learning with classical optimization methods. Journal of Guidance Control, and Dynamics 43(2), 262–273 (2020). https://doi.org/10.2514/1.G004279
Singh, N., Horwood, J.T., Aristoff, J.M., Poore, A., Sheaff, C., Jah, M.K.: Multiple hypothesis tracking (MHT ) for space surveillance : results and simulation studies. In: Singh, N., Horwood, J.T., Aristoff, J.M., Poore Carolyn Sheaff, A.B. (eds.) Advanced maui optical and space surveillance technologies conference (AMOS) (2013)
Jones, B.A., Bryant, D.S., Vo, B.-N., Vo, B.-T.: Challenges of multi-target tracking for space situational awareness (2015)
Mahler, R.P.: Multitarget bayes filtering via First-Order multitarget moments. IEEE Trans. Aerosp. Electron. Syst. 39(4), 1152–1178 (2003). https://doi.org/10.1109/TAES.2003.1261119
DeMars, K.J., Hussein, I.I., Frueh, C., Jah, M.K., Scott Erwin, R.: Multiple-Object Space surveillance tracking using Finite-Set statistics. Journal of Guidance, Control, and Dynamics 38, 1741–1756 (2015). https://doi.org/10.2514/1.G000987
Jones, B.A., Vo, B.-N.: A labeled Multi-Bernoulli filter for space object tracking. 2015 AAS/AIAA Space Flight Mechanics Meeting, Williamsburg, VA, pp. 1–20 (2015)
Faber, W., Chakravorty, S., Hussein, I.I.: Multi-Object Tracking with Multiple Birth, Death, and Spawn Scenarios Using A Randomized Hypothesis Generation Technique (R-FISST). In: 19th International Conference on Information Fusion, Heidelberg, Germany, ISIF, pp 154–161 (2016)
Delande, E., Frueh, C., Franco, J., Houssineau, J., Clark, D.: Novel Multi-Object filtering approach for space situational awareness. Journal of Guidance, Control, and Dynamics 41, 59–73 (2018). https://doi.org/10.2514/1.G002067
Jones, B.A.: Multi-Fidelity Methods for orbit determination. In: Advanced maui optical and space surveillance technologies conference (AMOS) (2018)
Friedman, A.M., Frueh, C.: Determining characteristics of artificial near-Earth objects using observability analysis. Acta Astronautica 144, 405–421 (2018). https://doi.org/10.1016/j.actaastro.2017.12.028
Sanson, F., Frueh, C.: Noise Estimation and Probability of Detection in Nonresolved Images: Application to Space Object Observation. Advances in Space Research, Vol. Submitted (2018)
Ho, Y.C., Lee, R.C.K.: A Bayesian approach to problems in stochastic estimation and control. IEEE Trans. on Autom. Control 9, 333–339 (1964). https://doi.org/10.1109/TAC.1964.1105763
Patel, M., Sinclair, A.J., Ho, K.: Information-theoretic Target Search for Space Situational Awareness Space Flight Mechanics Meeting, ch. AIAA SciTe, Kissimmee, p 2018. American Institute of Aeronautics and Astronautics, Florida (2018). https://doi.org/10.2514/6.2018-0725
Mahler, R.P.: A theoretical foundation for the Stein-Winter “Probability hypothesis density (PHD)” multitarget tracking approach, the 2000 MSS national symposium on sensor and data fusion, pp 99–117. Army Research Office Alexandria Va, San Antonio (2000)
Ravago, N., Jones, B.A.: Multi-target tracking and conjunction assessment for large constellations. In: AAS/AIAA Astrodynamics Specialist Conference, Univelt, Inc. 2018, pp 2345–2361 (2018)
Bruno, M.G.: Sequential Monte Carlo Methods for Nonlinear Discrete-Time filtering, Vol. 6. Morgan & Claypool (2013). https://doi.org/10.2200/S00471ED1V01Y201303SPR011
Crisan, D., Doucet, A.: A survey of convergence results on particle filtering methods for practitioners. IEEE Trans. Signal Proces. 50, 736–746 (2002). https://doi.org/10.1109/78.984773
Zaidi, W.H., Faber, W.R., Hussein, I.I., Mercurio, M., Roscoe, C.W., Wilkins, M.P., Schumacher, P.W.: Debris object orbit initialization using the probabilistic admissible region with asynchronous heterogeneous measurementS. Adv. Astronaut. Sci. 162, 443–461 (2018)
Kaelbling, L.P., Littman, M.L., Moore, A.W.: Reinforcement learning: a survey. J. Artific. Intel. Res. 4, 237–285 (1996). https://doi.org/10.1613/jair.301
Dorigo, M., Maniezzo, V., Colorni, A.: Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and cybernetics-Part B 26, 29–41 (1996). https://doi.org/10.1109/3477.484436
Dorigo, M., Gambardella, L.M.: Ant colonies for the travelling salesman problem. Biosystems 43(2), 73–81 (1997). https://doi.org/10.1016/S0303-2647(97)01708-5