Совместный вероятностный трекер ассоциации данных
The trackerJPDA Системный object™ является трекером, способным обрабатывать обнаружения нескольких целей с нескольких датчиков. Трекер использует совместную вероятностную ассоциацию данных, чтобы назначить обнаружения каждой дорожке. Трекер применяет мягкое назначение, где несколько обнаружений могут способствовать каждой дорожке. Трекер инициализирует, подтверждает, исправляет, предсказывает (выполняет покатывание) и удаляет треки. Входами к трекеру являются отчеты об обнаружении, сгенерированные objectDetection, fusionRadarSensor, irSensor, или sonarSensor объекты. Трекер оценивает вектор состояния и оценивает состояние ковариационной матрицы ошибки для каждой дорожки. Каждое обнаружение назначается, по меньшей мере, одной дорожке. Если обнаружение не может быть назначено какому-либо существующему треку, трекер создает новый трек.
Любой новый трек запускается в предварительном состоянии. Если предварительному дорожке назначено достаточное количество обнаружений, его статус изменяется на подтвержденный (см. ConfirmationThreshold свойство). Если обнаружение уже имеет известную классификацию (т.е. ObjectClassID поле возвращаемой дорожки ненулевое), что соответствующая дорожка немедленно подтверждается. Когда дорожка подтверждена, трекер рассматривает дорожку как представление физического объекта. Если обнаружение не назначено дорожке в пределах заданного количества обновлений, дорожка удаляется.
Чтобы отслеживать цели, использующие этот объект:
Создайте trackerJPDA Объекту и установите его свойства.
Вызывайте объект с аргументами, как будто это 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 мультиобъект трекер, который использует постоянную скорость, сигма-точечный фильтр Калмана и допускает максимум 100 треков. Заключайте каждое имя свойства в кавычки.
Для обработки обнаружений и обновления треков вызовите трекер с аргументами, как если бы это была функция (описанная здесь).
confirmedTracks = tracker(detections,time)time.
confirmedTracks = tracker(detections,time,costMatrix)
Чтобы включить этот синтаксис, установите HasCostMatrixInput свойство к true.
confirmedTracks = tracker(___,detectableTrackIDs)detectableTrackIDs. Этот аргумент может использоваться с любым из предыдущих входных синтаксисов.
Чтобы включить этот синтаксис, установите HasDetectableTrackIDsInput свойство к true.
[ также возвращает список предварительных треков и список всех треков. Можно использовать любой из входных параметров в предыдущих синтаксисах.confirmedTracks,tentativeTracks,allTracks] = tracker(___)
[ также возвращает информацию анализа, которая может использоваться для анализа трека. Можно использовать любой из входных параметров в предыдущих синтаксисах.confirmedTracks,tentativeTracks,allTracks,analysisInformation] = tracker(___)
Чтобы использовать функцию объекта, задайте системный объект в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:
release(obj)
Создайте объект trackerJPDA с постоянной скоростью по умолчанию Extended Kalman Filter и логикой трека 'History'. Установите значение 100 AssignmentThreshold, чтобы разрешить совместную связь между треками.
tracker = trackerJPDA('TrackLogic','History', 'AssignmentThreshold',100,... 'ConfirmationThreshold', [4 5], ... 'DeletionThreshold', [10 10]);
Задайте 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];
Создайте график театра, чтобы визуализировать дорожки и обнаружения.
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]
Обновите трекер с обнаружениями, отобразите стоимость и предельную вероятность информации об ассоциации, и визуализируйте треки 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 любым из существующих треков. Если трекер поддерживает только одну дорожку, назначение может быть выполнено путем оценки логического элемента валидации вокруг предсказанного измерения и принятия решения о том, попадает ли измерение в ворота валидации. В пространстве измерений затвор валидации является пространственным контуром, такой как 2-D эллипс или 3-D эллипсоид, с центром в предсказанном измерении. Логический элемент валидации определяется с помощью информации вероятности (оценка состояния и ковариация, для примера) существующей дорожки, так что правильные или идеальные обнаружения имеют высокую вероятность (97% вероятность, для примера) попадания в эту логическую матрицу валидации.
Однако, если трекер поддерживает несколько треков, процесс ассоциации данных становится более сложным, потому что одно обнаружение может попадать в ворота валидации нескольких треков. Например, на следующем рисунке треки T 1 и T 2 активно поддерживаются в трекере, и у каждого из них есть свои ворота валидации. Поскольку D 2 обнаружения находится в пересечении ворот валидации обоих T 1 и T 2, две дорожки (T 1 и T 2) соединяются и образуют кластер. Кластер является набором связанных дорожек и связанных с ними обнаружений.
Для представления связи связи в кластере обычно используется матрица валидации. Каждая строка матрицы валидации соответствует обнаружению, в то время как каждый столбец соответствует дорожке. Для расчета вероятности того, что каждое обнаружение является загроможденным, добавляется первый столбец, который обычно упоминается как «Track 0» или T 0. Если D обнаружения i находится внутри врата валидации дорожки D j, то запись (j, i + 1) матрицы валидации 1. В противном случае он равен нулю. Для кластера, показанного на рисунке, матрица валидации
Обратите внимание на то, что все элементы в первом столбце И равны 1, потому что любое обнаружение может быть загромождением или ложным предупреждением. Одним из важных шагов в логике совместной вероятностной ассоциации данных (JPDA) является получение всех допустимых независимых совместных событий в кластере. Два предположения для допустимых совместных событий:
Обнаружение не может быть вызвано несколькими дорожками.
Дорожка не может быть обнаружена более одного раза датчиком во время одного скана.
На основе этих двух предположений могут быть сформулированы возможные совместные события (FJE). Каждый FJE сопоставлен с матрицей A p FJE из исходной матрицы А валидации. Для примера с матрицей валидации
Как прямое следствие этих двух предположений, у Ωp матриц есть точно одно «1» значение за строку. Кроме того, за исключением первого столбца, который сопоставляется с загромождением, может быть не более одного «1» на столбец. Когда количество подключенных дорожек растет в кластере, количество FJE быстро увеличивается. jpdaEvents функция использует эффективный алгоритм поиска глубины первый, чтобы сгенерировать все допустимые совместные матрицы событий.
[1] Фортманн, Т., Я. Бар-Шалом, и М. Шеффе. Sonar Tracking of Multiple Targets Using Joint Probabilistic Data Association (неопр.) (недоступная ссылка). IEEE Journal of Ocean Engineering. Том 8, № 3, 1983, с. 173-184.
[2] Мусицки, Д. и Р. Эванс. Joint Integrated Probabilistic Data Association: JIPDA (неопр.) (недоступная ссылка). Транзакции IEEE по аэрокосмическим и электронным системам. Том 40, № 3, 2004, стр. 1093-1099.