Этот пример показывает, как сконфигурировать и использовать средство отслеживания глобального самого близкого соседа (GNN).
trackerGNN
является глобальным самым близким соседом (GNN), средством отслеживания одно гипотезы. trackerGNN
позволяет вам:
Выберите алгоритм присвоения, чтобы сопоставить обнаружения с дорожками.
Используйте или основанную на истории или основанную на счете логику дорожки для подтверждения и удаления дорожек.
Используйте любой вид отслеживания фильтра, включая взаимодействующий фильтр многоуровневой модели.
Соедините средство отслеживания со сканированием и управляемые датчики, которые обновляют только подмножество дорожек, управляемых средством отслеживания.
Предскажите дорожки в будущее, не изменяя их внутреннее состояние. Это позволяет вам отображать предсказанное состояние дорожек или предоставлять прогнозы дорожки менеджеру ресурсов датчика.
trackerGNN
Можно создать trackerGNN
и выбрать один из алгоритмов присвоения. По умолчанию trackerGNN
использует алгоритм 'Munkres'
, который гарантирует оптимальное присвоение, но может занять больше времени, чтобы вычислить. Можно использовать 'Auction'
или 'Jonker-Volgenant'
или обеспечить собственную функцию 'Custom'
. В этом примере вы выбираете алгоритм 'Auction'
.
tracker = trackerGNN('Assignment','Auction')
tracker = trackerGNN with properties: FilterInitializationFcn: 'initcvekf' Assignment: 'Auction' AssignmentThreshold: [30 Inf] MaxNumTracks: 100 MaxNumSensors: 20 TrackLogic: 'History' ConfirmationThreshold: [2 3] DeletionThreshold: [5 5] HasCostMatrixInput: false HasDetectableTrackIDsInput: false NumTracks: 0 NumConfirmedTracks: 0
Основной способ использовать trackerGNN
путем вызова его с новыми обнаружениями на каждом шаге симуляции. Обнаружение является входом objectDetection
или struct с подобными полями. Необходимо задать время обнаружения и его измерения. Другие свойства имеют значения по умолчанию. Например:
detections = {objectDetection(0,[1;2;3]); % Using default values on the detection ... objectDetection(0, [10;0;0], 'ObjectClassID', 2)}; % Using a non-default object class disp(detections{1})
objectDetection with properties: Time: 0 Measurement: [3x1 double] MeasurementNoise: [3x3 double] SensorIndex: 1 ObjectClassID: 0 MeasurementParameters: {} ObjectAttributes: {}
time = 0; [confirmedTracks, tentativeTracks] = tracker(detections, time); disp(confirmedTracks) disp(tentativeTracks)
TrackID: 2 BranchID: 0 UpdateTime: 0 Age: 1 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'History' TrackLogicState: [1 0 0 0 0] IsConfirmed: 1 IsCoasted: 0 ObjectClassID: 2 ObjectAttributes: {} TrackID: 1 BranchID: 0 UpdateTime: 0 Age: 1 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'History' TrackLogicState: [1 0 0 0 0] IsConfirmed: 0 IsCoasted: 0 ObjectClassID: 0 ObjectAttributes: {}
Создаются два типа дорожек: подтвержденный и предварительный. Подтвержденная дорожка является дорожкой, которая считается оценкой действительной цели, в то время как предварительная дорожка может все еще быть ложной целью. Флаг IsConfirmed
различает два. Дорожка, созданная вторым обнаружением, имеет ненулевое поле ObjectClassID
и сразу подтверждена, потому что датчик, который сообщил о нем, смог классифицировать его, и таким образом это рассматривается действительной целью. Также дорожка может быть подтверждена, если существует достаточно доказательства ее существования. В основанной на истории логике подтверждения, используемой здесь, если дорожка была присвоена 2 обнаружения из 3, она будет подтверждена. Этим управляет свойство ConfirmationThreshold
. Например, следующее обнаружение присвоено предварительной дорожке и подтверждает его:
detections = {objectDetection(1,[1.1;2.2;3.3])};
time = time + 1; % Time must increase from one update of the tracker to the next
confirmedTracks = tracker(detections,time);
confirmedTracks(1)
ans = struct with fields: TrackID: 1 BranchID: 0 UpdateTime: 1 Age: 2 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'History' TrackLogicState: [1 1 0 0 0] IsConfirmed: 1 IsCoasted: 0 ObjectClassID: 0 ObjectAttributes: {}
Во многих случаях основанная на истории логика подтверждения и удаления рассматривается слишком упрощенной, когда она не учитывает статистические метрики. Эти метрики включают вероятность датчика обнаружения и ложного сигнального уровня, вероятности новых целей, чтобы появиться, или расстояние между обнаружением и предполагаемым состоянием дорожки, присвоенной ему. Основанная на счете логика подтверждения и удаления учитывает такие метрики и обеспечивает более подходящий статистический тест.
Чтобы преобразовать средство отслеживания в основанную на счете логику подтверждения и удаления, сначала выпустите средство отслеживания и затем установите TrackLogic
средства отслеживания на 'Score'
:
release(tracker)
tracker.TrackLogic = 'Score'
tracker = trackerGNN with properties: FilterInitializationFcn: 'initcvekf' Assignment: 'Auction' AssignmentThreshold: [30 Inf] MaxNumTracks: 100 MaxNumSensors: 20 TrackLogic: 'Score' ConfirmationThreshold: 20 DeletionThreshold: -7 DetectionProbability: 0.9000 FalseAlarmRate: 1.0000e-06 Volume: 1 Beta: 1 HasCostMatrixInput: false HasDetectableTrackIDsInput: false NumTracks: 0 NumConfirmedTracks: 0
Заметьте, что пороги подтверждения и удаления изменились на скалярные значения, которые представляют счет, используемый, чтобы подтвердить и удалить дорожку. Кроме того, еще несколько свойств теперь используются, чтобы обеспечить параметры для основанного на счете подтверждения и удаления.
Теперь, обновите средство отслеживания, чтобы видеть подтверждение дорожек.
detections = {objectDetection(0,[1;2;3]); % Using default values on the detection ... objectDetection(0, [10;0;0], 'ObjectClassID', 2)}; % Using a non-default object class time = 0; tracker(detections, time); % Same as the first step above detections = {objectDetection(1,[1.1;2.2;3.3])}; time = time + 1; % Time must increase from one update of the tracker to the next [confirmedTracks, tentativeTracks] = tracker(detections,time); confirmedTracks
confirmedTracks = struct with fields: TrackID: 2 BranchID: 0 UpdateTime: 1 Age: 2 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'Score' TrackLogicState: [11.4076 13.7102] IsConfirmed: 1 IsCoasted: 1 ObjectClassID: 2 ObjectAttributes: {}
Поскольку подтвержденная дорожка не была присвоена никакому обнаружению в этом обновлении, его уменьшенный счет. Вы видите, что путем рассмотрения поля TrackLogicState
и наблюдения, что первый элемент, текущий счет, ниже, чем второй элемент, максимальный счет. Если дорожка продолжает уменьшаться относительно максимального счета, больше, чем значение DeletionThreshold
, дорожка удалена.
tentativeTracks
tentativeTracks = struct with fields: TrackID: 1 BranchID: 0 UpdateTime: 1 Age: 2 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'Score' TrackLogicState: [17.7217 17.7217] IsConfirmed: 0 IsCoasted: 0 ObjectClassID: 0 ObjectAttributes: {}
Если дорожки не будут присвоены никаким обнаружениям, они будут сначала курсироваться и после нескольких 'промахов', они будут удалены. Чтобы видеть что, вызовите средство отслеживания без обнаружений:
for i = 1:3 time = time + 1; [~,~,allTracks] = tracker({},time) end
allTracks = 2x1 struct array with fields: TrackID BranchID UpdateTime Age State StateCovariance TrackLogic TrackLogicState IsConfirmed IsCoasted ObjectClassID ObjectAttributes allTracks = 2x1 struct array with fields: TrackID BranchID UpdateTime Age State StateCovariance TrackLogic TrackLogicState IsConfirmed IsCoasted ObjectClassID ObjectAttributes allTracks = struct with fields: TrackID: 1 BranchID: 0 UpdateTime: 4 Age: 5 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'Score' TrackLogicState: [10.8139 17.7217] IsConfirmed: 0 IsCoasted: 1 ObjectClassID: 0 ObjectAttributes: {}
Вторая дорожка была удалена, потому что она не была присвоена никакие обнаружения в 4 обновлениях. Это заставило его счет падать на больше чем 7, значение DeletionThreshold
. Первая дорожка все еще не удалена, но ее счет теперь ниже и близко к порогу удаления.
trackerGNN поддерживает любой фильтр отслеживания, который реализует интерфейс фильтра отслеживания. Выбор функции инициализации фильтра задан с помощью свойства FilterInitializationFcn
trackerGNN. Это обеспечивает следующую гибкость:
Можно использовать любую функцию инициализации фильтра, доступную в продукте. Некоторые примеры включают initcvekf
(значение по умолчанию), initcvkf
, initcvukf
, initcvckf
, initcaekf
, и т.д.
Можно записать, что собственная инициализация фильтра функционирует и использует любой фильтр отслеживания. Они включают trackingABF
, trackingEKF
, trackingKF
, trackingUKF
, trackingCKF
, trackingPF
, trackingMSCEKF
, trackingGSF
и trackingIMM
.
Можно записать фильтр отслеживания, который наследовал и реализует интерфейс, заданный абстрактным классом matlabshared.tracking.internal.AbstractTrackingFilter
.
Следующий пример показывает, как использовать фильтр взаимодействующей модели движения (IMM), который имеет 3 типа моделей движения: постоянная скорость, постоянное ускорение и постоянная угловая скорость вращения.
Измените средство отслеживания, чтобы использовать фильтр IMM
release(tracker) % Release the tracker tracker.FilterInitializationFcn = 'initekfimm'
tracker = trackerGNN with properties: FilterInitializationFcn: 'initekfimm' Assignment: 'Auction' AssignmentThreshold: [30 Inf] MaxNumTracks: 100 MaxNumSensors: 20 TrackLogic: 'Score' ConfirmationThreshold: 20 DeletionThreshold: -7 DetectionProbability: 0.9000 FalseAlarmRate: 1.0000e-06 Volume: 1 Beta: 1 HasCostMatrixInput: false HasDetectableTrackIDsInput: false NumTracks: 0 NumConfirmedTracks: 0
Затем, обновите средство отслеживания с обнаружением и наблюдайте три модели движения, которые включают его. Вы видите, какая модель используется путем рассмотрения StateTransitionFcn
каждого фильтра.
% Update the tracker with a single detection to get a single track detection = {objectDetection(0, [1;2;3], 'ObjectClassID', 2)}; time = 0; tracker(detection, time);
Используйте метод getTrackFilterProperties
, чтобы просмотреть свойство TrackingFilters
. Это возвращает массив ячеек, который содержит свойство TrackingFilters
: {filter1;filter2;filter3}
filters = getTrackFilterProperties(tracker,1,'TrackingFilters'); for i = 1:numel(filters{1}) disp(filters{1}{i}) end
trackingEKF with properties: State: [6x1 double] StateCovariance: [6x6 double] StateTransitionFcn: @constvel StateTransitionJacobianFcn: @constveljac ProcessNoise: [3x3 double] HasAdditiveProcessNoise: 0 MeasurementFcn: @cvmeas MeasurementJacobianFcn: @cvmeasjac MeasurementNoise: [3x3 double] HasAdditiveMeasurementNoise: 1 trackingEKF with properties: State: [9x1 double] StateCovariance: [9x9 double] StateTransitionFcn: @constacc StateTransitionJacobianFcn: @constaccjac ProcessNoise: [3x3 double] HasAdditiveProcessNoise: 0 MeasurementFcn: @cameas MeasurementJacobianFcn: @cameasjac MeasurementNoise: [3x3 double] HasAdditiveMeasurementNoise: 1 trackingEKF with properties: State: [7x1 double] StateCovariance: [7x7 double] StateTransitionFcn: @constturn StateTransitionJacobianFcn: @constturnjac ProcessNoise: [4x4 double] HasAdditiveProcessNoise: 0 MeasurementFcn: @ctmeas MeasurementJacobianFcn: @ctmeasjac MeasurementNoise: [3x3 double] HasAdditiveMeasurementNoise: 1
По умолчанию средство отслеживания принимает, что каждый шаг обновляет все дорожки, управляемые средством отслеживания в зоне охвата. Дело обстоит не так, когда датчики ограничили покрытие и сканируют небольшую площадь, или когда они управляемы и выдаются, чтобы отсканировать определенные области из общей зоны охвата. Если это так, датчики должны позволить средству отслеживания знать, что некоторые дорожки не были заметены следы датчиками на том шаге. В противном случае средство отслеживания принимает, что дорожки, как предполагалось, были обнаружены и будут считать 'мисс' против них, ведя к их преждевременному удалению.
Следующий пример показывает, как датчики показывают, что дорожка не будет обнаружена, и как дорожка не удалена.
Создайте средство отслеживания, которое позволяет обратную связь от датчиков.
release(tracker) % Release the tracker tracker.FilterInitializationFcn = 'initcvekf'; tracker.HasDetectableTrackIDsInput = true % Allows the tracker to get input about the track detectability by the sensors % Update the tracker with a single detection to get a single track detection = {objectDetection(0, [1;2;3], 'ObjectClassID', 2)}; time = 0; trackIDs = []; % Initially, there are no tracks, so trackIDs has zero rows track = tracker(detection, time, trackIDs) % Update the tracker 2 more times without any detections. Let the tracker % know that the track was not detectable by any sensor. Note how the % TrackLogicState, shown as [currentScore, maxScore], does not change even % though the track is not detected. for i=1:2 time = time + 1; trackIDs = [1, 0]; % Zero probability of detection means the track score should not decrease track = tracker({}, time, trackIDs) % No detections end
tracker = trackerGNN with properties: FilterInitializationFcn: 'initcvekf' Assignment: 'Auction' AssignmentThreshold: [30 Inf] MaxNumTracks: 100 MaxNumSensors: 20 TrackLogic: 'Score' ConfirmationThreshold: 20 DeletionThreshold: -7 DetectionProbability: 0.9000 FalseAlarmRate: 1.0000e-06 Volume: 1 Beta: 1 HasCostMatrixInput: false HasDetectableTrackIDsInput: true NumTracks: 0 NumConfirmedTracks: 0 track = struct with fields: TrackID: 1 BranchID: 0 UpdateTime: 0 Age: 1 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'Score' TrackLogicState: [13.7102 13.7102] IsConfirmed: 1 IsCoasted: 0 ObjectClassID: 2 ObjectAttributes: {} track = struct with fields: TrackID: 1 BranchID: 0 UpdateTime: 1 Age: 2 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'Score' TrackLogicState: [13.7102 13.7102] IsConfirmed: 1 IsCoasted: 1 ObjectClassID: 2 ObjectAttributes: {} track = struct with fields: TrackID: 1 BranchID: 0 UpdateTime: 2 Age: 3 State: [6x1 double] StateCovariance: [6x6 double] TrackLogic: 'Score' TrackLogicState: [13.7102 13.7102] IsConfirmed: 1 IsCoasted: 1 ObjectClassID: 2 ObjectAttributes: {}
Как замечено, счет дорожки не уменьшился, и дорожка не была удалена средством отслеживания, даже при том, что это не было обнаружено в 5 обновлениях.
Последнее улучшение позволяет вам предсказывать дорожки в будущее, не изменяя их внутреннее состояние. Существует два случая общего использования для этого:
Отображение предсказанных дорожек на отображении.
Передача предсказанных дорожек к системе датчика так, чтобы система датчика могла выдать поисковый шаблон, чтобы обнаружить их.
Вы используете метод predictTracksToTime
, чтобы получить предсказанные дорожки.
Обновите средство отслеживания с большим количеством обнаружений
time = time + 1; detections = {objectDetection(time, [4,2,3]); ... objectDetection(time, [10;0;0])}; track = tracker(detections, time, trackIDs); disp('State of track #1 at time 3:') disp(track.State) % Predict tracks to different time steps: predictedTrack1 = predictTracksToTime(tracker,1, time+0.5); % Predict track number 1 half a second to the future disp('State of track #1 at time 3.5:') predictedTrack1.State % Predict all the confirmed tracks 2 seconds to the future predictedConfirmedTracks = predictTracksToTime(tracker, 'Confirmed', time+2); disp('State of track #1 at time 5:') predictedConfirmedTracks.State % Predict all the tracks 0.3 seconds to the future disp('State of all the tracks at time 3.3:') predictedTracks = predictTracksToTime(tracker, 'all', time+0.3); predictedTracks.State
State of track #1 at time 3: 3.9967 1.0030 2.0000 0 3.0000 0 State of track #1 at time 3.5: ans = 4.4982 1.0030 2.0000 0 3.0000 0 State of track #1 at time 5: ans = 6.0027 1.0030 2.0000 0 3.0000 0 State of all the tracks at time 3.3: ans = 4.2976 1.0030 2.0000 0 3.0000 0 ans = 10 0 0 0 0 0
Можно использовать метод predictTracksToTime
, чтобы визуализировать предсказанное состояние дорожек.
% First, use a |theaterPlot| and a |trackPlotter| to plot the tracks. thPlot = theaterPlot('XLimits',[-20 20], 'Ylimits', [-20 20]); trPlotter = trackPlotter(thPlot, 'DisplayName', 'Predicted Track'); posSelector = [1 0 0 0 0 0; 0 0 1 0 0 0; 0 0 0 0 1 0]; velSelector = [0 1 0 0 0 0; 0 0 0 1 0 0; 0 0 0 0 0 1]; % Then, plot the predicted tracks every 0.1 seconds for t = time+(0.1:0.1:5) predictedTracks = predictTracksToTime(tracker, 'Confirmed', t); [pos,cov] = getTrackPositions(predictedTracks,posSelector); vel = getTrackVelocities(predictedTracks,velSelector); plotTrack(trPlotter,pos,vel,cov); drawnow end
В этом примере вы создали trackerGNN
и использовали его, чтобы отследить несколько целей. Вы изменили средство отслеживания, чтобы использовать различные алгоритмы присвоения, два типа логики подтверждения и удаления и различные фильтры отслеживания. Кроме того, вы видели, как соединить интерфейсом со средством отслеживания с радаром сканирования и как получить прогнозы дорожки для управления отображением или датчиком.