jpdaEvents

Допустимые совместные события для trackerJPDA

Синтаксис

FJE = jpdaEvents(validationMatrix)

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

Описание

FJE = jpdaEvents(validationMatrix) возвращает допустимые события соединений, FJE, на основе матрицы валидации. Матрица валидации описывает возможные связи между обнаружениями и треками, в то время как допустимое совместное событие для мультиобъекта является одной реализацией связей между обнаружениями и треками.

пример

[FJE,FJEProbs] = jpdaEvents(likelihoodMatrix,k) генерирует k- наиболее допустимые матрицы совместных событий, FJE, соответствующий апостериорной матрице правдоподобия, likelihoodMatrix. likelihoodMatrix задает апостериорную вероятность связи обнаружений с треками.

Примеры

свернуть все

Сгенерируйте допустимые совместные события

Открыть Live Script

Задайте произвольную матрицу валидации для пяти измерений и шести треков.

  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 допустимые совместные события и подсчитайте общее количество.

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

Отображение нескольких допустимых совместных 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

Получение допустимых совместных событий из матрицы правдоподобия

Открыть Live Script

Создайте матрицу правдоподобия, предполагающую четыре обнаружения и две дорожки.

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 наиболее 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

`validationMatrix` - Матрица валидации
m -by- (n + 1) матрица

Матрица валидации, заданная как m-бай- (n + 1) матрица, где m - количество обнаружений в кластере сенсорного скана, и n - количество треков, поддерживаемых в трекере. Матрица валидации использует первый столбец, чтобы учесть вероятность того, что каждое обнаружение является загромождением или ложным предупреждением, которое обычно упоминается как «Track 0» _или T 0. Матрица валидации является двоичной матрицей, в которой перечислены все возможные связи обнаружения и отслеживания. Если возможно назначить T i дорожки обнаружению D j, то запись (j, i + 1) матрицы валидации 1. В противном случае значение равно 0.

Типы данных: logical

`likelihoodMatrix` - Матрица правдоподобия
(m + 1) -by- (n + 1)

матрица

Матрица правдоподобия, заданная как (m + 1) -by- (n + 1) матрица, где m - количество обнаружений в кластере сенсорного скана, а n - количество треков, поддерживаемых в трекере. Матрица правдоподобия использует первый столбец, чтобы учесть вероятность того, что каждое обнаружение является загроможденным или ложным предупреждением, которое обычно упоминается как «Track 0_» или T 0. Матрица использует первую строку, чтобы принять во внимание вероятность того, что каждая дорожка не назначена никакому обнаружению, которое может называться «₀ обнаружения» или D 0. Элемент (j + 1, i + 1) матрицы представляет вероятность присвоения T i дорожки обнаружению D j.

Типы данных: logical

`k` - Количество совместных вероятностных событий
положительное целое число

Количество вероятностных событий в соединениях, заданное как положительное целое число.

Типы данных: logical

Выходные аргументы

свернуть все

`FJE` - Допустимые совместные мероприятия
m -by- (n + 1) -by- p

массив

Допустимые совместные события, заданные как m -by- (n + 1) -by- p массив, где m - количество обнаружений в кластере сенсорного скана, n - количество треков, поддерживаемых в трекере, и p - общее количество допустимых совместных событий. Каждая страница (матрица m -by- (n + 1)) FJE соответствует одной возможной связи между всеми дорожками и обнаружениями. Допустимая матрица совместных событий на каждой странице удовлетворяет:

Матрица имеет ровно одно значение «1» на строку.
За исключением первого столбца, который сопоставляется с загромождением, может быть не более одного «1» на столбец.

Для получения дополнительной информации о допустимых совместных событиях смотрите Допустимые совместные события.

Типы данных: logical

`FJEProbs` - Вероятности допустимых совместных событий
p вектор -by-1 неотрицательных скаляров

Вероятности допустимых событий в соединениях, возвращенные как p-на-1 вектор неотрицательных скаляров. Суммирование этих скаляров равно 1. k-й элемент представляет вероятность k-ых событий в соединениях (заданные в FJE выходной аргумент) нормирована по p допустимых совместных событий.

Типы данных: logical

Подробнее о

свернуть все

Допустимые совместные события

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

$Ω = [\begin{matrix} 1 & 1 & 0 \\ 1 & 1 & 1 \\ 1 & 0 & 1 \end{matrix}]$

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, могут быть получены восемь матриц FJE:

$\begin{array}{l} Ω_{1} = [\begin{matrix} 1 & 0 & 0 \\ 1 & 0 & 0 \\ 1 & 0 & 0 \end{matrix}], Ω_{2} = [\begin{matrix} 0 & 1 & 0 \\ 1 & 0 & 0 \\ 1 & 0 & 0 \end{matrix}], Ω_{3} = [\begin{matrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 1 & 0 & 0 \end{matrix}], Ω_{4} = [\begin{matrix} 1 & 0 & 0 \\ 0 & 0 & 1 \\ 1 & 0 & 0 \end{matrix}] \\ Ω_{5} = [\begin{matrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 1 & 0 & 0 \end{matrix}], Ω_{6} = [\begin{matrix} 1 & 0 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{matrix}], Ω_{7} = [\begin{matrix} 0 & 1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{matrix}], Ω_{8} = [\begin{matrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{matrix}] \end{array}$

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.

Ссылки

[1] Чжоу, Интервал и Н. К. Бос. «Отслеживание Multitarget в загромождении: быстрые алгоритмы для ассоциации данных». Сделки по аэрокосмическим и электронным системам 29, № 2 (1993 год): 352-363.

[2] Фишер, Джеймс Л. и Дэвид П. Касасент. Fast JPDA multitarget tracking algorithm (неопр.) (недоступная ссылка). Прикладная оптика 28, № 2 (1989): 371-376.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

Эта функция поддерживает только генерацию кода двойной точности.

См. также

trackerJPDA

Введенный в R2019a

Документация

jpdaEvents

Синтаксис

Описание

Примеры

Сгенерируйте допустимые совместные события

Получение допустимых совместных событий из матрицы правдоподобия

Входные параметры

`validationMatrix` - Матрица валидации
m -by- (n + 1) матрица

`likelihoodMatrix` - Матрица правдоподобия
(m + 1) -by- (n + 1)

`k` - Количество совместных вероятностных событий
положительное целое число

Выходные аргументы

`FJE` - Допустимые совместные мероприятия
m -by- (n + 1) -by- p

`FJEProbs` - Вероятности допустимых совместных событий
p вектор -by-1 неотрицательных скаляров

Подробнее о

Допустимые совместные события

Ссылки

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Документация по Sensor Fusion and Tracking Toolbox

Поддержка

Документация

jpdaEvents

Синтаксис

Описание

Примеры

Сгенерируйте допустимые совместные события

Получение допустимых совместных событий из матрицы правдоподобия

Входные параметры

validationMatrix - Матрица валидации m -by- (n + 1) матрица

likelihoodMatrix - Матрица правдоподобия (m + 1) -by- (n + 1)

k - Количество совместных вероятностных событий положительное целое число

Выходные аргументы

FJE - Допустимые совместные мероприятия m -by- (n + 1) -by- p

FJEProbs - Вероятности допустимых совместных событий p вектор -by-1 неотрицательных скаляров

Подробнее о

Допустимые совместные события

Ссылки

Расширенные возможности

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Документация по Sensor Fusion and Tracking Toolbox

Поддержка

`validationMatrix` - Матрица валидации
m -by- (n + 1) матрица

`likelihoodMatrix` - Матрица правдоподобия
(m + 1) -by- (n + 1)

`k` - Количество совместных вероятностных событий
положительное целое число

`FJE` - Допустимые совместные мероприятия
m -by- (n + 1) -by- p

`FJEProbs` - Вероятности допустимых совместных событий
p вектор -by-1 неотрицательных скаляров

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®