Отследите цели точки в плотной помехе Используя средство отслеживания GM-PHD в Simulink

Этот пример использует:

Радары обычно получают эхо от всех поверхностей в пути прохождения сигнала. Эти нежелательные рассеянные спиной сигналы или эхо, сгенерированное от физических объектов, называются помехой. В плотно нарушенной среде пропущенные обнаружения и ложные предупреждения делают объекты отслеживания сложной задачей. Этот пример показывает вам, как отследить цели точек в плотной помехе с помощью Гауссовой плотности гипотезы вероятности смеси (GM-PHD) средство отслеживания с постоянной скоростной моделью в Simulink. Пример сопровождает Цели Точки Дорожки в Плотной Помехе Используя пример GM-PHD Tracker MATLAB®.

Обзор модели

load_system('TrackPointTargetsInDenseClutterSimulinkExample');
set_param('TrackPointTargetsInDenseClutterSimulinkExample','SimulationCommand','update');
open_system('TrackPointTargetsInDenseClutterSimulinkExample');

Обнаружение и читатель основной истины

Данные моделирования, используемые в этом примере, получены из сценария, описанного в Целях Точки Дорожки в Плотной Помехе Используя пример GM-PHD Tracker MATLAB®. Блоки Читателя Генератора и Основной истины Обнаружения реализованы с помощью блока MATLAB System (Simulink). Код для этих блоков задан в классах помощника HelperDetLogReader и HelperTruthLogReader, соответственно. Оба блока считывают зарегистрированные данные и генерируют обнаружения, время и данные об истине.

Блоки выводят обнаружения и информацию об истине как Simulink.Bus (Simulink) объекты.

Отслеживание алгоритма

Обычные средства отслеживания, такие как Глобальный самый близкий сосед (GNN) и Объединенная вероятностная ассоциация данных (JPDA) принимают, что датчики возвращают самое большее одно обнаружение на объект на скан. Поэтому традиционные средства отслеживания страдают с пропавшими без вести целей и ложных предупреждений в нарушенной среде. В такой среде средство отслеживания PHD обеспечивает лучшую оценку объектов, когда это обрабатывает кластеризацию и ассоциацию данных одновременно.

В этом примере вы используете средство отслеживания точечного объекта GM-PHD, чтобы отследить цели. Первый шаг к конфигурированию средства отслеживания PHD должен задать настройку датчика. В этом примере вы задаете настройку датчика в PreLoadFcn 'callback'. Смотрите Коллбэки Модели (Simulink) для получения дополнительной информации о функциях обратного вызова. В настройке датчика, ее FilterInitializationFcn поле задано как initcvgmphd представление постоянной скорости фильтр GM-PHD. Можно установить другие параметры средства отслеживания от маски блока.

Анализ эффективности с метрикой GOSPA

Чтобы оценить эффективность средства отслеживания, вы используете Обобщенное Оптимальное Присвоение Подшаблона (GOSPA) метрика. Метрика GOSPA стремится оценивать эффективность средства отслеживания с помощью одной величины затрат. Метрика GOSPA может быть вычислена следующим уравнением

$GOSPA = [\sum_{i=0}^{m}(min(d_{b},c))^{p} + \frac{c^{p}}{\alpha} (n-m)]^{1/p}$

Где m является количеством основных истин и $n(n>=m)$ является количеством предполагаемых дорожек. $c$ порог расстояния сокращения и $d_{b}$ основное расстояние между дорожкой и истиной, вычисленной функцией расстояния, заданной в Distance свойство. $p$ порядок метрики и $\alpha$ альфа-параметр метрики, заданной от маски блока.

Понизьтесь стоимость GOSPA представляет лучшую эффективность отслеживания. Значение нуля представляет совершенное отслеживание. Можно также вывести различные компоненты GOSPA путем выбора соответствующих опций из маски блока.

Визуализация

В этом примере метрика GOSPA визуализируется с помощью блока scope, и сценарий визуализируется с помощью блока Scenario Visualization. Блок Scenario Visualization реализован с помощью блока MATLAB System (Simulink). Код для этого блока задан в классе помощника helperClutterTrackingDisplayBlock. Блок использует RunTimeObject параметр блоков, чтобы отобразить их выводы. Смотрите доступ к Данным о Блоке В процессе моделирования (Simulink) для получения дополнительной информации о том, как получить доступ, блокируют выходные параметры в процессе моделирования.

Заметьте, что метрические уменьшения GOSPA после нескольких шагов. Начальное значение метрики GOSPA происходит выше из-за задержки установления каждой дорожки. Метрические результаты GOSPA показывают, что средство отслеживания GM-PHD, выполняемое хорошо в плотно нарушенном сценарии с нулевыми ложными предупреждениями и, обнуляет пропущенные дорожки.

close_system('TrackPointTargetsInDenseClutterSimulinkExample');

Сводные данные

В этом примере вы изучили, как использовать средство отслеживания GM-PHD, чтобы отследить точечные объекты в плотной помехе в Simulink. Вы также изучили, как оценить эффективность алгоритма отслеживания с помощью метрики GOSPA и ее связанных компонентов. Результаты симуляции показывают, что средство отслеживания GM-PHD не пропускает цели или создает ложные предупреждения. Более низкий полный счет GOSPA также указывает на желательную эффективность отслеживания.

Документация