В этом примере показано, как плавить радарные обнаружения от многоплатформенной радарной сети. Сеть включает два бортовых и наземные радарные платформы дальние. Смотрите Многоплатформенный радарный Fusion обнаружения example для деталей. Центральное средство отслеживания обрабатывает обнаружения со всех платформ в фиксированном интервале обновления. Это позволяет вам оценить эффективность сети против целевых типов, маневры платформы, а также конфигурации платформы и местоположения..
MultiplatformRadarDetectionGeneration MAT-файл содержит сценарий отслеживания, записывающий ранее сгенерированный используя следующую команду
recording = record(scene,'IncludeSensors',true,'InitialSeed',2018,'RecordingFormat','Recording')
where scene сценарий отслеживания, созданный в Многоплатформенном Радарном примере Генерации Обнаружения.
load('MultiplatformScenarioRecording.mat');Используйте trackerGNN как центральное средство отслеживания, что обнаружения процессов получены от всех радарных платформ в сценарии.
Средство отслеживания использует initFilter поддерживание функции, чтобы инициализировать постоянную скорость расширило Фильтр Калмана для каждого нового трека. initFilter изменяет фильтр, возвращенный initcvekf совпадать с высокими целевыми скоростями. Шум процесса фильтра установлен в 1 () позволять отследить маневрирования целей в сценарии.
AssignmentThreshold средства отслеживания собирается в 50 позволить обнаружениям со смещениями большого спектра (из-за атмосферных эффектов преломления в длинных областях значений обнаружения) быть сопоставленными с дорожками в средстве отслеживания. DeletionThreshold собирается в 3 удалить избыточные дорожки быстро.
Включите HasDetectableTrackIDsInput задавать дорожки, которые являются в поле зрения по крайней мере одного радара начиная с последнего обновления. Логика дорожки только оценена на дорожках, которые имели возможность обнаружения начиная с последнего обновления средства отслеживания.
tracker = trackerGNN('FilterInitializationFcn', @initFilter, ... 'AssignmentThreshold', 50, 'DeletionThreshold', 3, ... 'HasDetectableTrackIDsInput', true);
Следующий цикл запускает сценарий отслеживания, записывающий до конца сценария. Для каждого шага вперед в сценарии обнаружения собраны для обработки центральным средством отслеживания. Средство отслеживания обновляется с этими обнаружениями каждые 2 секунды.
trackUpdateRate = 0.5; % Update the tracker every 2 seconds % Create a display to show the true, measured, and tracked positions of the % detected targets and platforms. theaterDisplay = helperMultiPlatFusionDisplay(recording,'PlotAssignmentMetrics', true); % Construct an object to analyze assignment and error metrics tam = trackAssignmentMetrics('DistanceFunctionFormat','custom',... 'AssignmentDistanceFcn',@truthAssignmentDistance,... 'DivergenceDistanceFcn',@truthAssignmentDistance); % Initialize buffers detBuffer = {}; sensorConfigBuffer = []; allTracks = []; detectableTrackIDs = uint32([]); assignmentTable = []; % Initialize next tracker update time nextTrackUpdateTime = 2; while ~isDone(recording) % Read the next record of the recording. [time, truePoses, covcon, dets, senscon, sensPlatIDs] = read(recording); % Buffer all detections and sensor configurations until the next tracker update detBuffer = [detBuffer ; dets]; %#ok<AGROW> sensorConfigBuffer = [sensorConfigBuffer ; senscon']; %#ok<AGROW> % Follow the trackUpdateRate to update the tracker if time >= nextTrackUpdateTime || isDone(recording) if isempty(detBuffer) lastDetectionTime = time; else lastDetectionTime = detBuffer{end}.Time; end if isLocked(tracker) % Collect list of tracks which fell within at least one radar's field % of view since the last tracker update predictedtracks = predictTracksToTime(tracker, 'all', lastDetectionTime); detectableTrackIDs = detectableTracks(allTracks, predictedtracks, sensorConfigBuffer); end % Update tracker. Only run track logic on tracks that fell within at % least one radar's field of view since the last tracker update [confirmedTracks, ~, allTracks] = tracker(detBuffer, lastDetectionTime, detectableTrackIDs); % Analyze and retrieve the current track-to-truth assignment metrics tam(confirmedTracks, truePoses); % Store assignment metrics in a table currentAssignmentTable = trackMetricsTable(tam); rowTimes = seconds(time*ones(size(currentAssignmentTable,1),1)); assignmentTable = cat(1,assignmentTable,table2timetable(currentAssignmentTable,'RowTimes',rowTimes)); % Update display with detections, coverages, and tracks theaterDisplay(detBuffer, covcon, confirmedTracks, assignmentTable, truePoses, sensPlatIDs); % Empty buffers detBuffer = {}; sensorConfigBuffer = []; % Update next track update time nextTrackUpdateTime = nextTrackUpdateTime + 1/trackUpdateRate; end end
В конце сценария вы видите, что несколько дорожек были пропущены и заменены. Можно также видеть ассоциацию дорожек на платформы на время сценария. График имеет семь строк для семи платформ в сценарии. Каждая дорожка показывается горизонтальной линией. Номера дорожек аннотируются в начале линий. Каждый раз, когда дорожка удалена, ее остановки линии. Каждый раз, когда новый трек присвоен платформе, новая линия добавлена на строку платформы, когда несколько линий показывают одновременно для единой платформы, платформа имеет несколько дорожек, присвоенных ему. В этих случаях более новая дорожка, сопоставленная с платформой, рассматривается как избыточную.
endTime = assignmentTable.Time(end);
assignmentTable(endTime,{'TrackID','AssignedTruthID','TotalLength','DivergenceCount','RedundancyCount','RedundancyLength'})ans=9×6 timetable
Time TrackID AssignedTruthID TotalLength DivergenceCount RedundancyCount RedundancyLength
______ _______ _______________ ___________ _______________ _______________ ________________
60 sec 1 2 27 0 0 0
60 sec 7 4 27 0 0 0
60 sec 8 5 26 0 0 0
60 sec 9 1 22 0 0 0
60 sec 11 NaN 10 0 0 0
60 sec 12 6 20 0 0 0
60 sec 24 7 19 0 1 4
60 sec 32 NaN 7 0 1 7
60 sec 41 3 10 0 0 0
Заметьте, что платформы, которые испытывают затруднения в поддержании дорожек (платформы 4 и 7) являются также платформами дальше всего от радаров. Эта плохая эффективность отслеживания приписана предположению Распределения Гаусса для шума измерения. Предположение работает хорошо на цели с близких расстояний, но с больших расстояний, неопределенность измерения отклоняется от Распределения Гаусса. Следующая фигура сравнивает замещающие знаки ковариации с 1 сигмой, соответствующие фактическому целевому распределению и распределению цели, данной радарным датчиком. Датчик на расстоянии в 5 км от цели с угловым разрешением 5 градусов. Фактическая неопределенность измерения имеет вогнутую форму, следующую из сферической системы координат координаты обнаружения датчика, в которой радар оценивает положение цели.
maxCondNum = 300; figure; helperPlotLongRangeCorrection(maxCondNum)
С учетом вогнутой формы фактической ковариации в больших расстояниях, longRangeCorrection поддерживание функции ограничивает число обусловленности шума измерения, о котором сообщают. Откорректированная ковариация измерения, показанная выше, ограничивается к максимальному числу обусловленности 300. Другими словами, никакое собственное значение в ковариации измерения не может быть больше чем в 300 раз меньшим, чем самое большое собственное значение ковариации. Эта обработка расширяет шум измерения по измерению области значений, чтобы лучше совпадать с вогнутостью фактической неопределенности измерения.
Повторно выполните предыдущую симуляцию с помощью longRangeCorrection поддерживание функции, чтобы откорректировать шум измерения, о котором сообщают, в больших расстояниях.
[confirmedTracks,correctedAssignmentTable,ctheaterDisplay] = ...
runMultiPlatFusionSim(recording,tracker,@longRangeCorrection);
endTime = correctedAssignmentTable.Time(end);
correctedAssignmentTable(endTime,{'TrackID','AssignedTruthID','TotalLength','DivergenceCount','RedundancyCount','RedundancyLength'})ans=7×6 timetable
Time TrackID AssignedTruthID TotalLength DivergenceCount RedundancyCount RedundancyLength
______ _______ _______________ ___________ _______________ _______________ ________________
60 sec 1 2 27 0 0 0
60 sec 7 4 27 0 0 0
60 sec 8 5 26 0 0 0
60 sec 9 1 22 0 0 0
60 sec 11 7 25 0 0 0
60 sec 12 6 20 0 0 0
60 sec 38 3 10 0 0 0
Предыдущий рисунок показывает, что путем применения коррекции дальней, никакие отбрасывания дорожки или несколько дорожек не сгенерированы для целого сценария. В этом случае существует точно одна дорожка для каждой платформы, обнаруженной сетью наблюдения.
allDetections = vertcat(recording.RecordedData.Detections); ctheaterDisplay(allDetections,covcon,confirmedTracks,correctedAssignmentTable,truePoses, sensPlatIDs) axes(ctheaterDisplay.TheaterPlot.Parent) legend('off') xlim([-1000 5000]); ylim([-41000 -36000]); zlim([-5000 0]); view([-90 90]) axis square title('Jet Executing Horizontal Turn')
Увеличение представления, в котором струя выполняет горизонтальный поворот, дорожка, следует за маневрирующей целью относительно хорошо, даже при том, что модель движения, используемая в этом примере, является постоянной скоростью. Отслеживание маневра могло быть далее улучшено при помощи фильтра взаимодействующей многоуровневой модели (IMM), такого как trackingIMM фильтр.
view([-60 25])
От другого представления, в котором струя выполняет горизонтальный поворот, вы видите, что высота оценивается правильно, несмотря на неточные высотные измерения от датчиков. Один из датчиков не сообщает о высоте вообще, как замечено большими вертикальными эллипсоидами, в то время как другие два датчика недооценивают свою неопределенность в высоте.
xlim([-25000 -9000]); ylim([-31000 -19000]); zlim([-9000 -2000]);
view([-45 10])
title('Crossing Airliners')
Переключая точку зрения, чтобы фокусироваться на пересекающихся авиалайнерах, те же неточные высотные измерения изображены. Отметьте, как красные обнаружения сосредоточены на высоте 8 км, в то время как эти два авиалайнера летят на высотах 3 и 4 км, соответственно. Использование очень большой ковариации в высоте позволяет средству отслеживания игнорировать ошибочную высоту, читающую из красных обнаружений и отслеживать высоту с помощью других двух радаров. Наблюдая ковариацию неопределенности дорожек T07 и T08, вы видите, что они обеспечивают сопоставимую оценку платформ P04 и P05, соответственно.
xlim([-10000 10000]); ylim([-0 10000]); zlim([-12000 -5000]);
view([-15 10])
title('Airborne Radar Platforms')
Последний график фокусируется на двух бортовых радарных платформах. Каждая платформа обнаруживается другой платформой, а также наземным радаром. Траектории платформы пересекают друг друга, разделенного на 1 000 м в высоте, и их дорожки сопоставимы с основной истиной.
В этом примере показано, как обработать обнаружения, собранные через несколько бортовых и наземных радарных платформ в центральном средстве отслеживания. В этом примере вы изучили, как шум измерения в больших расстояниях точно не моделируется Распределением Гаусса. Вогнутость эллипса с 1 сигмой шума измерения в этих больших расстояниях приводит к плохой эффективности отслеживания с пропущенными дорожками и несколькими дорожками, присвоенными единой платформе. Вы также изучили, как откорректировать шум измерения для обнаружений в больших расстояниях, чтобы улучшить непрерывность дорожек, о которых сообщают.
initFilter Эта функция изменяет функциональный initcvekf обрабатывать более высокие скоростные цели, такие как авиалайнеры в сценарии.
function filter = initFilter(detection) filter = initcvekf(detection); classToUse = class(filter.StateCovariance); % Airliners can move at speeds around 900 km/h. The velocity is initialized % to 0, but will need to be able to quickly adapt to aircraft moving at % these speeds. Use 900 km/h as 1 standard deviation for the velocity % noise. spd = 900*1e3/3600; % m/s velCov = cast(spd^2,classToUse); cov = filter.StateCovariance; cov(2,2) = velCov; cov(4,4) = velCov; filter.StateCovariance = cov; % Set filter's process noise to allow for some horizontal maneuver scaleAccel = cast(10,classToUse); Q = blkdiag(scaleAccel^2, scaleAccel^2, 1); filter.ProcessNoise = Q; end
detectableTracks Эта функция возвращает идентификаторы для дорожек, которые находились в пределах поля зрения по крайней мере одного датчика. Поле зрения датчика и ориентация относительно координатной системы координат дорожек хранятся в массиве структур настройки датчика. Структуры настройки возвращены monostaticRadarSensor и может использоваться, чтобы преобразовать положения дорожки и скорости к координатной системе координат датчика.
function trackIDs = detectableTracks(tracks,predictedtracks,configs) % Identify which tracks fell within a sensor's field of view numTrks = size(tracks,1); [numsteps, numSensors] = size(configs); allposTrack = zeros(3,numsteps); isDetectable = false(numTrks,1); for iTrk = 1:numTrks % Interpolate track positions between current position and predicted % positions for each simulation step posTrack = tracks(iTrk).State(1:2:end); posPreditedTrack = predictedtracks(iTrk).State(1:2:end); for iPos = 1:3 allposTrack(iPos,:) = linspace(posTrack(iPos),posPreditedTrack(iPos),numsteps); end for iSensor = 1:numSensors thisConfig = configs(:,iSensor); for k = 1:numsteps if thisConfig(k).IsValidTime pos = trackToSensor(allposTrack(:,k),thisConfig(k)); % Check if predicted track position is in sensor field of % view [az,el] = cart2sph(pos(1),pos(2),pos(3)); az = az*180/pi; el = el*180/pi; inFov = abs(az)<thisConfig(k).FieldOfView(1)/2 && abs(el) < thisConfig(k).FieldOfView(2)/2; if inFov isDetectable(iTrk) = inFov; k = numsteps; %#ok<FXSET> iSensor = numSensors; %#ok<FXSET> end end end end end trackIDs = [tracks.TrackID]'; trackIDs = trackIDs(isDetectable); end
trackToSensor Эта функция возвращает положение дорожки в координатной системе координат датчика. Структура дорожки возвращена trackerGNN возразите и структура config, задающая ориентацию датчика относительно координатной системы координат дорожки, возвращена monostaticRadarSensor объект.
function pos = trackToSensor(pos,config) frames = config.MeasurementParameters; for m = numel(frames):-1:1 rotmat = frames(m).Orientation; if ~frames(m).IsParentToChild rotmat = rotmat'; end offset = frames(m).OriginPosition; pos = bsxfun(@minus,pos,offset); pos = rotmat*pos; end end
longRangeCorrection Эта функция ограничивает точность шума измерения, которая, как сообщает радар, не превысила максимальное число обусловленности. Число обусловленности задано как отношение собственных значений шума измерения к самому большому собственному значению.
Когда цели обнаруживаются в больших расстояниях от радара, поверхностное искривление неопределенности в измерении хорошо больше не аппроксимируется эллипсоидом, но берет искривление вогнутого эллипсоида. Шум измерения должен быть увеличен по измерению области значений с учетом вогнутости, произведя плоский эллипс, который охватывает вогнутый эллипсоид. Существует несколько методов в литературе, чтобы обратиться к этому. Здесь, максимальное число обусловленности шума измерения ограничивается путем увеличения самых маленьких собственных значений, чтобы удовлетворить максимальному ограничению числа обусловленности. Это оказывает влияние увеличения неопределенности по измерению области значений, производя эллипс, который лучше заключает вогнутую неопределенность.
function dets = longRangeCorrection(dets,maxCond) for m = 1:numel(dets) R = dets{m}.MeasurementNoise; [Q,D] = eig(R); Q = real(Q); d = real(diag(D)); dMax = max(d); condNums = dMax./d; iFix = condNums>maxCond; d(iFix) = dMax/maxCond; R = Q*diag(d)*Q'; dets{m}.MeasurementNoise = R; end end