В этом примере показано, как сконфигурировать и использовать средство отслеживания глобального самого близкого соседа (GNN).
trackerGNN глобальный самый близкий сосед (GNN), средство 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 в подтверждении и удалении 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 предсказания дорожки менеджеру ресурсов датчика.
trackerGNNМожно создать trackerGNN и выберите один из алгоритмов присвоения. По умолчанию, trackerGNN использует 'Munkres' алгоритм, который гарантирует оптимальное присвоение, но может занять больше времени, чтобы вычислить. Можно использовать 'Auction' или 'Jonker-Volgenant' или обеспечьте 'Custom' собственная функция. В этом примере вы выбираете 'Auction' алгоритм.
tracker = trackerGNN('Assignment','Auction')
tracker =
trackerGNN with properties:
TrackerIndex: 0
FilterInitializationFcn: 'initcvekf'
Assignment: 'Auction'
AssignmentThreshold: [30 Inf]
MaxNumTracks: 100
MaxNumSensors: 20
TrackLogic: 'History'
ConfirmationThreshold: [2 3]
DeletionThreshold: [5 5]
HasCostMatrixInput: false
HasDetectableTrackIDsInput: false
StateParameters: [1x1 struct]
NumTracks: 0
NumConfirmedTracks: 0
Основной способ использовать trackerGNN путем вызова его с новыми обнаружениями в каждом шаге симуляции. Обнаружением является objectDetection введите 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)
objectTrack with properties:
TrackID: 2
BranchID: 0
SourceIndex: 0
UpdateTime: 0
Age: 1
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 2
TrackLogic: 'History'
TrackLogicState: [1 0 0 0 0]
IsConfirmed: 1
IsCoasted: 0
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 0
Age: 1
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 0
TrackLogic: 'History'
TrackLogicState: [1 0 0 0 0]
IsConfirmed: 0
IsCoasted: 0
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
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. IsConfirmed флаг различает два. Дорожка, созданная вторым обнаружением, имеет ненулевой ObjectClassID поле и сразу подтверждено, потому что датчик, который сообщил о нем, смог классифицировать его, и таким образом это рассматривается действительной целью. В качестве альтернативы 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 ConfirmationThreshold свойство. 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 =
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 1
Age: 2
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 0
TrackLogic: 'History'
TrackLogicState: [1 1 0 0 0]
IsConfirmed: 1
IsCoasted: 0
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
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 к 'Score':
release(tracker)
tracker.TrackLogic = 'Score'
tracker =
trackerGNN with properties:
TrackerIndex: 0
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
StateParameters: [1x1 struct]
NumTracks: 0
NumConfirmedTracks: 0
Заметьте, что пороги подтверждения и удаления превратились в 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 =
objectTrack with properties:
TrackID: 2
BranchID: 0
SourceIndex: 0
UpdateTime: 1
Age: 2
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 2
TrackLogic: 'Score'
TrackLogicState: [11.4076 13.7102]
IsConfirmed: 1
IsCoasted: 1
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
Поскольку подтвержденная дорожка не была присвоена никакому обнаружению в этом обновлении, его уменьшенный счет. Вы видите это путем рассмотрения TrackLogicState поле и видя, что первый элемент, текущий счет, ниже, чем второй элемент, максимальный счет. Если дорожка продолжает уменьшаться относительно максимального счета, больше, чем DeletionThreshold значение, дорожка удалена.
tentativeTracks
tentativeTracks =
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 1
Age: 2
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 0
TrackLogic: 'Score'
TrackLogicState: [17.7217 17.7217]
IsConfirmed: 0
IsCoasted: 0
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
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 objectTrack array with properties:
TrackID
BranchID
SourceIndex
UpdateTime
Age
State
StateCovariance
StateParameters
ObjectClassID
TrackLogic
TrackLogicState
IsConfirmed
IsCoasted
IsSelfReported
ObjectAttributes
allTracks =
2x1 objectTrack array with properties:
TrackID
BranchID
SourceIndex
UpdateTime
Age
State
StateCovariance
StateParameters
ObjectClassID
TrackLogic
TrackLogicState
IsConfirmed
IsCoasted
IsSelfReported
ObjectAttributes
allTracks =
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 4
Age: 5
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 0
TrackLogic: 'Score'
TrackLogicState: [10.8139 17.7217]
IsConfirmed: 0
IsCoasted: 1
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
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 FilterInitializationFcn свойство 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 matlabshared.tracking.internal.AbstractTrackingFilter класс.
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:
TrackerIndex: 0
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
StateParameters: [1x1 struct]
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 из 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 getTrackFilterProperties метод, чтобы просмотреть TrackingFilters свойство. Это возвращает массив ячеек, который содержит TrackingFilters свойство: {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:
TrackerIndex: 0
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
StateParameters: [1x1 struct]
NumTracks: 0
NumConfirmedTracks: 0
track =
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 0
Age: 1
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 2
TrackLogic: 'Score'
TrackLogicState: [13.7102 13.7102]
IsConfirmed: 1
IsCoasted: 0
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
track =
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 1
Age: 2
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 2
TrackLogic: 'Score'
TrackLogicState: [13.7102 13.7102]
IsConfirmed: 1
IsCoasted: 1
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
track =
objectTrack with properties:
TrackID: 1
BranchID: 0
SourceIndex: 0
UpdateTime: 2
Age: 3
State: [6x1 double]
StateCovariance: [6x6 double]
StateParameters: [1x1 struct]
ObjectClassID: 2
TrackLogic: 'Score'
TrackLogicState: [13.7102 13.7102]
IsConfirmed: 1
IsCoasted: 1
IsSelfReported: 1
ObjectAttributes: [1x1 struct]
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 predictTracksToTime метод, 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 predictTracksToTime метод, 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 используемый это, 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 предсказания дорожки для управления отображением или датчиком.