Track Point Targets in Dense Clutter с использованием GM-PHD Tracker in Simulink

В этом примере используются:

Радары обычно принимают эхо-сигналы от всех поверхностей сигнального тракта. Эти нежелательные сигналы обратного рассеяния или эхо, генерируемые физическими объектами, называются загромождением. В плотно загроможденной среде пропущенные обнаружения и ложные сигналы тревоги делают отслеживание объектов сложной задачей. В этом примере показано, как отслеживать целевые точки в плотном нагромождении с помощью GM-PHD-трекера плотности вероятностей гауссовой смеси с моделью постоянной скорости в Simulink. Пример близко следует примеру Track Point Targets in Dense Clutter Using GM-PHD Tracker MATLAB ®.

Обзор модели

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

Устройство обнаружения и определения истины

Данные моделирования, используемые в этом примере, получены из сценария, описанного в примере «Цели точки слежения в плотном беспорядке с использованием GM-PHD Tracker MATLAB ®». Блоки генератора обнаружения и устройства считывания истинности земли реализуются с использованием блока системы MATLAB (Simulink). Код для этих блоков определен в классах помощникаHelperDetLogReader и HelperTruthLogReaderсоответственно. Оба блока считывают записанные данные и генерируют данные об обнаружениях, времени и истинности.

Блоки выводят информацию об обнаружениях и истинности в виде Simulink.Bus (Simulink) объекты.

Алгоритм отслеживания

Обычные трекеры, такие как Global Nearest Neighbor (GNN) и Joint Probabilistic Data Association (JPDA), предполагают, что датчики возвращают максимум одно обнаружение на объект на сканирование. Поэтому традиционные трекеры страдают от недостающих целей и ложных тревог в загроможденной среде. В такой среде PHD-трекер обеспечивает лучшую оценку объектов, поскольку он обрабатывает кластеризацию и ассоциацию данных одновременно.

В этом примере для отслеживания целей используется трекер объектов точек GM-PHD. Первым шагом к конфигурированию PHD-трекера является определение конфигурации датчика. В этом примере конфигурация датчика указывается в PreLoadFcn обратный вызов. Дополнительные сведения о функциях обратного вызова см. в разделе Обратные вызовы модели (Simulink). В конфигурации датчика, его FilterInitializationFcn поле указано как initcvgmphd представление фильтра GM-PHD с постоянной скоростью. Можно задать другие параметры трекера из маски блока.

Анализ производительности с помощью показателя GOSPA

Для оценки производительности трекера используется показатель Обобщенное назначение оптимального податтерна (GOSPA). Показатель GOSPA предназначен для оценки производительности трекера с использованием одного стоимостного значения. Метрика GOSPA может быть вычислена по следующему уравнению

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

Где m - количество наземных истин и $n(n>=m)$ количество предполагаемых дорожек. $c$ является порогом расстояния отсечки и $d_{b}$ базовым расстоянием между дорожкой и истинностью, вычисляемым функцией расстояния, указанной в Distance собственность. $p$ является порядком метрики и $\alpha$ является альфа-параметром метрики, определяемым из маски блока.

Более низкая стоимость GOSPA обеспечивает более высокую производительность отслеживания. Нулевое значение представляет собой идеальное отслеживание. Можно также вывести различные компоненты GOSPA, выбрав соответствующие параметры из маски блока.

Визуализация

В этом примере метрика GOSPA визуализируется с помощью блока области действия, а сценарий визуализируется с помощью блока визуализации сценария. Блок визуализации сценариев реализуется с использованием блока MATLAB System (Simulink). Код для этого блока определен в классе помощника helperClutterTrackingDisplayBlock. Блок использует RunTimeObject параметр блоков для отображения их выходов. Дополнительные сведения о доступе к выводам блоков во время моделирования см. в разделе Доступ к данным блоков во время моделирования (Simulink).

Обратите внимание, что метрика GOSPA уменьшается через несколько шагов. Начальное значение показателя GOSPA выше из-за задержки установления для каждой дорожки. Результаты по метрике GOSPA показывают, что трекер GM-PHD хорошо работал в плотно загроможденном сценарии с нулевыми ложными сигналами тревоги и нулевыми пропущенными дорожками.

close_system('TrackPointTargetsInDenseClutterSimulinkExample');

Резюме

В этом примере вы научились использовать GM-PHD трекер для отслеживания точечных объектов в плотном нагромождении в Simulink. Вы также научились оценивать производительность алгоритма отслеживания с помощью метрики GOSPA и связанных с ней компонентов. Результаты моделирования показывают, что трекер GM-PHD не пропускает цели и не создает ложные аварийные сигналы. Более низкий общий показатель GOSPA также указывает на желательные характеристики отслеживания.

Документация