Совместный вероятностный трекер ассоциации данных
trackerJPDA Система object™ представляет собой трекер, способный обрабатывать обнаружения множества целей от множества датчиков. Трекер использует совместную вероятностную ассоциацию данных для назначения обнаружений каждой дорожке. Трекер применяет мягкое назначение, где множественные обнаружения могут способствовать каждой дорожке. Трекер инициализирует, подтверждает, корректирует, прогнозирует (выполняет накрутку) и удаляет дорожки. Входами в трекер являются отчеты об обнаружении, генерируемые objectDetection, fusionRadarSensor, irSensor, или sonarSensor объекты. Трекер оценивает вектор состояния и ковариационную матрицу ошибки оценки состояния для каждой дорожки. Каждое обнаружение назначается, по меньшей мере, одной дорожке. Если обнаружение не может быть назначено какой-либо существующей дорожке, трекер создает новую дорожку.
Любой новый трек начинается в предварительном состоянии. Если предварительной дорожке назначено достаточно обнаружений, ее статус изменяется на подтвержденный (см. ConfirmationThreshold свойство). Если обнаружение уже имеет известную классификацию (т.е. ObjectClassID поле возвращаемой дорожки ненулевое), что соответствующая дорожка подтверждается немедленно. Когда дорожка подтверждена, трекер считает, что дорожка представляет физический объект. Если обнаружения не назначены дорожке в пределах заданного количества обновлений, дорожка удаляется.
Для отслеживания целей с помощью этого объекта:
Создать trackerJPDA и задайте его свойства.
Вызовите объект с аргументами, как если бы это была функция.
Дополнительные сведения о работе системных объектов см. в разделе Что такое системные объекты?.
tracker = trackerJPDAtrackerJPDA Системный объект со значениями свойств по умолчанию.
tracker = trackerJPDA(Name,Value)trackerJPDA('FilterInitializationFcn',@initcvukf,'MaxNumTracks',100) создает многообъектный трекер, использующий фильтр Калмана с постоянной скоростью и допускающий максимум 100 дорожек. Заключите каждое имя свойства в кавычки.
Для обработки обнаружений и обновления треков вызовите трекер с аргументами, как если бы это была функция (описана здесь).
confirmedTracks = tracker(detections,time)time.
confirmedTracks = tracker(detections,time,costMatrix)
Чтобы включить этот синтаксис, установите HasCostMatrixInput свойство для true.
confirmedTracks = tracker(___,detectableTrackIDs)detectableTrackIDs. Этот аргумент можно использовать с любым из предыдущих входных синтаксисов.
Чтобы включить этот синтаксис, установите HasDetectableTrackIDsInput свойство для true.
[ также возвращает список предварительных дорожек и список всех дорожек. Можно использовать любой из входных аргументов в предыдущих синтаксисах.confirmedTracks,tentativeTracks,allTracks] = tracker(___)
[ также возвращает информацию анализа, которая может использоваться для анализа дорожек. Можно использовать любой из входных аргументов в предыдущих синтаксисах.confirmedTracks,tentativeTracks,allTracks,analysisInformation] = tracker(___)
Чтобы использовать функцию объекта, укажите объект System в качестве первого входного аргумента. Например, для освобождения системных ресурсов объекта System с именем obj, используйте следующий синтаксис:
release(obj)
Создайте объект trackerJPDA с постоянной скоростью по умолчанию Расширенный фильтр Калмана и логика отслеживания «История». Установите значение AssignureThreshold равным 100, чтобы разрешить совместное связывание дорожек.
tracker = trackerJPDA('TrackLogic','History', 'AssignmentThreshold',100,... 'ConfirmationThreshold', [4 5], ... 'DeletionThreshold', [10 10]);
Укажите истинные начальные положения и скорости двух объектов.
pos_true = [0 0 ; 40 -40 ; 0 0]; V_true = 5*[cosd(-30) cosd(30) ; sind(-30) sind(30) ;0 0];
Создание графика кинотеатра для визуализации дорожек и обнаружений.
tp = theaterPlot('XLimits',[-1 150],'YLimits',[-50 50]); trackP = trackPlotter(tp,'DisplayName','Tracks','MarkerFaceColor','g','HistoryDepth',0); detectionP = detectionPlotter(tp,'DisplayName','Detections','MarkerFaceColor','r');
Чтобы получить положение и скорость, создайте селекторы положения и скорости.
positionSelector = [1 0 0 0 0 0; 0 0 1 0 0 0; 0 0 0 0 0 0]; % [x, y, 0] velocitySelector = [0 1 0 0 0 0; 0 0 0 1 0 0; 0 0 0 0 0 0 ]; % [vx, vy, 0]
Обновление трекера с обнаружением, отображением стоимости и предельной вероятности информации о связях, а также визуализация дорожек с обнаружениями.
dt = 0.2; for time = 0:dt:30 % Update the true positions of objects. pos_true = pos_true + V_true*dt; % Create detections of the two objects with noise. detection(1) = objectDetection(time,pos_true(:,1)+1*randn(3,1)); detection(2) = objectDetection(time,pos_true(:,2)+1*randn(3,1)); % Step the tracker through time with the detections. [confirmed,tentative,alltracks,info] = tracker(detection,time); % Extract position, velocity and label info. [pos,cov] = getTrackPositions(confirmed,positionSelector); vel = getTrackVelocities(confirmed,velocitySelector); meas = cat(2,detection.Measurement); measCov = cat(3,detection.MeasurementNoise); % Update the plot if there are any tracks. if numel(confirmed)>0 labels = arrayfun(@(x)num2str([x.TrackID]),confirmed,'UniformOutput',false); trackP.plotTrack(pos,vel,cov,labels); end detectionP.plotDetection(meas',measCov); drawnow; % Display the cost and marginal probability of distribution every eight % seconds. if time>0 && mod(time,8) == 0 disp(['At time t = ' num2str(time) ' seconds,']); disp('The cost of assignment was: ') disp(info.CostMatrix); disp(['Number of clusters: ' num2str(numel(info.Clusters))]); if numel(info.Clusters) == 1 disp('The two tracks were in the same cluster.') disp('Marginal probabilities of association:') disp(info.Clusters{1}.MarginalProbabilities) end disp('-----------------------------') end end
At time t = 8 seconds,
The cost of assignment was:
1.0e+03 *
0.0020 1.1523
1.2277 0.0053
Number of clusters: 2
-----------------------------
At time t = 16 seconds,
The cost of assignment was:
1.3968 4.5123
2.0747 1.9558
Number of clusters: 1
The two tracks were in the same cluster.
Marginal probabilities of association:
0.8344 0.1656
0.1656 0.8344
0.0000 0.0000
-----------------------------
At time t = 24 seconds,
The cost of assignment was:
1.0e+03 *
0.0018 1.2962
1.2664 0.0013
Number of clusters: 2
-----------------------------
В типичном рабочем процессе для системы отслеживания трекер должен определить, может ли обнаружение быть связано с какой-либо из существующих дорожек. Если трекер поддерживает только одну дорожку, назначение может быть выполнено путем оценки проверочного затвора вокруг предсказанного измерения и принятия решения о том, попадает ли измерение в проверочный затвор. В пространстве измерения проверочный затвор представляет собой пространственную границу, такую как эллипс 2-D или эллипсоид 3-D, центрированный при прогнозируемом измерении. Проверочный вентиль определяется с использованием информации о вероятности (оценка состояния и ковариация, например) существующей дорожки, так что правильные или идеальные обнаружения имеют высокую вероятность (97% вероятность, например) попадания в этот проверочный вентиль.
Однако, если трекер поддерживает множество дорожек, процесс ассоциации данных становится более сложным, поскольку одно обнаружение может попасть в вентили проверки достоверности множества дорожек. Например, на следующем рисунке дорожки T1 и T2 активно поддерживаются в трекере, и каждая из них имеет свой вентиль проверки. Поскольку D2 обнаружения находится на пересечении вентилей проверки достоверности как T1, так и T2, две дорожки (T1 и T2) соединены и образуют кластер. Кластер - это набор подключенных дорожек и связанных с ними обнаружений.
Для представления отношения связи в кластере обычно используется матрица проверки. Каждая строка матрицы проверки соответствует обнаружению, в то время как каждый столбец соответствует дорожке. Для учета вероятности того, что каждое обнаружение будет загромождаться, добавляется первый столбец, который обычно называют «дорожкой 0» или T0. Если детектор Di находится внутри проверочного вентиля дорожки Dj, то (j, i + 1) запись проверочной матрицы равна 1. В противном случае он равен нулю. Для кластера, показанного на рисунке, проверочная матрица
Обратите внимание на то, что все элементы в первом столбце Λ равны 1, поскольку любое обнаружение может быть загроможденным или ложным. Важным шагом в логике ассоциации совместных вероятностных данных (JPDA) является получение всех возможных независимых совместных событий в кластере. Двумя предположениями для возможных совместных мероприятий являются:
Обнаружение не может быть выдано несколькими дорожками.
Во время одного сканирования датчик не может обнаружить дорожку более одного раза.
На основе этих двух предположений могут быть сформулированы возможные совместные события (FJE). Каждый FJE отображается на FJE-матрицу Startp из начальной проверочной матрицы Λ. Например, с помощью проверочной матрицы Λ можно получить восемь матриц FJE:
Как прямое следствие этих двух предположений, matrices Startp имеет ровно одно значение «1» на строку. Кроме того, за исключением первого столбца, отображаемого для загромождения, может быть не более одного «1» на столбец. Когда количество соединенных дорожек растет в кластере, количество FJE быстро увеличивается. jpdaEvents функция использует эффективный алгоритм поиска по глубине для генерации всех возможных матриц совместных событий.
[1] Фортманн, Т., Я. Бар-Шалом и М. Шеффе. «Сонарное отслеживание нескольких целей с использованием совместной вероятностной ассоциации данных». IEEE Journal of Ocean Engineering. Том 8, номер 3, 1983, стр. 173-184.
[2] Мусицки, Д. и Р. Эванс. «Совместная ассоциация комплексных вероятностных данных: JIPDA». Сделки IEEE по аэрокосмическим и электронным системам. Том 40, номер 3, 2004, стр. 1093-1099.