Exponenta Banner

jpdaEvents

Выполнимые объединенные события для trackerJPDA

свернуть все на странице

Синтаксис

FJE = jpdaEvents(validationMatrix)
[FJE,FJEProbs] = jpdaEvents(likelihoodMatrix,k)

Описание

пример

FJE = jpdaEvents(validationMatrix) возвращает выполнимые объединенные события, FJE, на основе матрицы валидации. Матрица валидации описывает возможные ассоциации между обнаружениями и дорожками, тогда как выполнимое объединенное событие для мультиобъектного отслеживания является одной реализацией ассоциаций между обнаружениями и дорожками.

пример

[FJE,FJEProbs] = jpdaEvents(likelihoodMatrix,k) генерирует k- лучше всего выполнимые объединенные матрицы события, FJE, соответствуя следующей матрице вероятности, likelihoodMatrix. likelihoodMatrix задает следующую вероятность соединения обнаружений с дорожками.

Примеры

свернуть все

Скрипт Open Live Script

Задайте произвольную матрицу валидации для пяти измерений и шести дорожек.

  M = [1     1     1     1     1     0     1
       1     0     1     1     0     0     0
       1     0     0     0     1     1     0
       1     1     1     1     0     0     0
       1     1     1     1     1     1     1];

Сгенерируйте все выполнимые объединенные события и считайте общее количество. 

  FJE = jpdaEvents(M); 
  nFJE = size(FJE,3);

Отобразите несколько выполнимых объединенных событий.

  disp([num2str(nFJE) ' feasible joint event matrices were generated.'])
574 feasible joint event matrices were generated.

 
  toSee = [1:round(nFJE/5):nFJE, nFJE];
  for ii = toSee
      disp("Feasible joint event matrix #" + ii + ":")
      disp(FJE(:,:,ii))
  end
Feasible joint event matrix #1:

   1   0   0   0   0   0   0
   1   0   0   0   0   0   0
   1   0   0   0   0   0   0
   1   0   0   0   0   0   0
   1   0   0   0   0   0   0

Feasible joint event matrix #116:

   0   0   1   0   0   0   0
   1   0   0   0   0   0   0
   0   0   0   0   1   0   0
   0   1   0   0   0   0   0
   0   0   0   1   0   0   0

Feasible joint event matrix #231:

   0   0   0   0   1   0   0
   0   0   1   0   0   0   0
   0   0   0   0   0   1   0
   1   0   0   0   0   0   0
   0   0   0   0   0   0   1

Feasible joint event matrix #346:

   0   0   0   0   0   0   1
   0   0   0   1   0   0   0
   0   0   0   0   1   0   0
   1   0   0   0   0   0   0
   0   1   0   0   0   0   0

Feasible joint event matrix #461:

   1   0   0   0   0   0   0
   0   0   1   0   0   0   0
   1   0   0   0   0   0   0
   0   0   0   1   0   0   0
   0   0   0   0   0   0   1

Feasible joint event matrix #574:

   1   0   0   0   0   0   0
   1   0   0   0   0   0   0
   1   0   0   0   0   0   0
   1   0   0   0   0   0   0
   0   0   0   0   0   0   1
Скрипт Open Live Script

Создайте матрицу вероятности принятие четырех обнаружений и двух дорожек.

likeMatrix = [0.1 0.1 0.1;
              0.1 0.3 0.2;
              0.1 0.4 0.1;
              0.1 0.6 0.1;
              0.1 0.5 0.3];

Сгенерируйте три самых вероятных события и получите их нормированные вероятности.

[FJE,FJEProbs] = jpdaEvents(likeMatrix,3)
FJE = 4x3x3 logical array
FJE(:,:,1) =

   1   0   0
   1   0   0
   0   1   0
   0   0   1


FJE(:,:,2) =

   0   0   1
   1   0   0
   0   1   0
   1   0   0


FJE(:,:,3) =

   1   0   0
   0   1   0
   1   0   0
   0   0   1


FJEProbs = 3×1

    0.4286
    0.2857
    0.2857

Входные параметры

свернуть все

Матрица валидации в виде m (n +1) матрица, где m является количеством обнаружений в кластере скана датчика и n, является количеством дорожек, обеспеченных в средстве отслеживания. Матрица валидации использует первый столбец с учетом возможности, что каждое обнаружение является помехой или ложным предупреждением, которое обычно упоминается как "Дорожка 0" или T 0. Матрица валидации является бинарной матрицей, перечисляющей все возможные ассоциации обнаружений к дорожке. Если возможно присвоить, отслеживают T i к обнаружению D j, то (j, i +1) запись матрицы валидации равняется 1. В противном случае запись 0.

Типы данных: логический

Матрица вероятности в виде (m +1) (n +1) матрица, где m является количеством обнаружений в кластере скана датчика и n, является количеством дорожек, обеспеченных в средстве отслеживания. Матрица вероятности использует первый столбец с учетом возможности, что каждое обнаружение является помехой или ложным предупреждением, которое обычно упоминается как "Дорожка 0" или T 0. Матрица использует первую строку с учетом возможности, что каждая дорожка не присвоена никакому обнаружению, которое может упоминаться как "Обнаружение 0" или D 0. (j +1, i +1) элемент матрицы представляет вероятность, чтобы присвоить, отслеживают T i к обнаружению D j.

Типы данных: логический

Количество объединенных вероятностных событий в виде положительного целого числа.

Типы данных: логический

Выходные аргументы

свернуть все

Выполнимые объединенные события в виде m (n +1)-by-p массив, где m является количеством обнаружений в кластере скана датчика, n, являются количеством дорожек, обеспеченных в средстве отслеживания, и p является общим количеством выполнимых объединенных событий. Каждая страница (m (n +1) матрица) FJE соответствует одной возможной ассоциации между всеми дорожками и обнаружениями. Выполнимая объединенная матрица события на каждой странице удовлетворяет:

  • Матрица имеет точно один "1" значение на строку.

  • За исключением первого столбца, который сопоставляет с помехой, может быть самое большее один "1" для каждого столбца.

Для получения дополнительной информации о выполнимых объединенных событиях смотрите Выполнимые Объединенные События.

Типы данных: логический

Вероятности выполнимых объединенных событий, возвращенных как p-by-1 вектор из неотрицательных скаляров. Суммирование этих скаляров равно 1. k-th элемент представляет вероятность k-ых объединенных событий (заданный в FJE выходной аргумент) нормированный по p выполнимые объединенные события.

Типы данных: логический

Больше о

свернуть все

Выполнимые объединенные События

В типичном рабочем процессе для системы слежения средство отслеживания должно определить, может ли обнаружение быть сопоставлено с какой-либо из существующих дорожек. Если средство отслеживания только обеспечивает одну дорожку, присвоение может быть сделано путем оценки логического элемента валидации вокруг предсказанного измерения и решения, находится ли измерение в пределах логического элемента валидации. На пробеле измерения логический элемент валидации является пространственным контуром, таким как 2D эллипс или 3-D эллипсоид, сосредоточенный при предсказанном измерении. Логический элемент валидации задан с помощью информации о вероятности (оценка состояния и ковариация, например) существующей дорожки, такой, что правильные или идеальные обнаружения имеют высокую вероятность (97%-я вероятность, например) нахожения в пределах этого логического элемента валидации.

Однако, если средство отслеживания обеспечивает несколько дорожек, процесс ассоциации данных становится более сложным, потому что одно обнаружение может находиться в пределах логических элементов валидации нескольких дорожек. Например, в следующем рисунке, T дорожек 1 и T 2 активно обеспечен в средстве отслеживания, и у каждого из них есть свой собственный логический элемент валидации. Начиная с обнаружения D 2 находится в пересечении логических элементов валидации и T 1 и T 2, две дорожки (T 1 и T 2) соединяются и формируют кластер. Кластер является набором связанных дорожек и их связанных обнаружений.

Чтобы представлять отношение ассоциации в кластере, матрица валидации обычно используется. Каждая строка матрицы валидации соответствует обнаружению, в то время как каждый столбец соответствует дорожке. С учетом возможности каждого обнаружения, являющегося помехой, первый столбец добавляется и обычно называемый "Дорожкой 0" или T 0. Если обнаружение D, i - в логическом элементе валидации дорожки D j, то (j, i +1) запись матрицы валидации равняется 1. В противном случае это - нуль. Для показанного на рисунке кластера матрица валидации Ω

Ω=[110111101]

Обратите внимание на то, что все элементы в первом столбце Ω равняются 1, потому что любое обнаружение может быть помехой или ложным предупреждением. Один важный шаг в логике объединенной вероятностной ассоциации данных (JPDA) должен получить все выполнимые независимые объединенные события в кластере. Два предположения для выполнимых объединенных событий:

  • Обнаружение не может быть испущено больше чем одной дорожкой.

  • Дорожка не может быть обнаружена несколько раз датчиком во время одного скана.

На основе этих двух предположений могут быть сформулированы выполнимые объединенные события (FJEs). Каждый FJE сопоставлен с матрицей FJE Ωp из начальной матрицы валидации Ω. Например, с матрицей валидации Ω, восемь матриц FJE могут быть получены:

Ω1=[100100100],   Ω2=[010100100],  Ω3=[100010100],  Ω4=[100001100]Ω5=[010001100],  Ω6=[100100001],  Ω7=[010100001],  Ω8=[100010001]

Как прямое следствие этих двух предположений, Ωp матрицы имеют точно одно "1" значение на строку. Кроме того, за исключением первого столбца, который сопоставляет с помехой, может быть самое большее один "1" для каждого столбца. Когда количество связанных дорожек растет в кластере, количестве увеличений FJE быстро. jpdaEvents функционируйте использует эффективный алгоритм поиска в глубину, чтобы сгенерировать все выполнимые объединенные матрицы события.

Ссылки

[1] Чжоу, Интервал и Н. К. Боз. "Мультицелевое отслеживание в помехе: Алгоритмы FAST для ассоциации данных". Транзакции IEEE на космических и электронных системах 29, № 2 (1993): 352-363.

[2] Фишер, Джеймс Л. и Давид П. Казазан. "Быстрая мультицель JPDA отслеживание алгоритма". Прикладная оптика 28, № 2 (1989): 371-376.

Расширенные возможности

Смотрите также

Введенный в R2019a

Документация Sensor Fusion and Tracking Toolbox

Поддержка