Отследите цели точек в плотном загромождении с помощью GM-PHD Tracker в Simulink

Этот пример использует:

Радары обычно получают эхо-сигналы со всех поверхностей в пути сигнала. Эти нежелательные обратные рассеянные сигналы или эхо-сигналы, сгенерированные физическими объектами, называются загромождением. В плотно загроможденном окружении пропущенные обнаружения и ложные предупреждения делают объекты слежения сложной задачей. Этот пример показывает, как отслеживать точки цели в плотном загромождении с помощью Гауссова гипотезы вероятности (GM-PHD) трекера с постоянной скоростной моделью в Simulink. Пример внимательно следует примеру Track Point Targets в плотном загромождении с использованием GM-PHD Tracker MATLAB ®.

Обзор модели

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

Обнаружение и основная истина

Данные моделирования, используемые в этом примере, получаются из сценария, описанного в примере Track Point Targets in Dense Clutter Using GM-PHD Tracker MATLAB ®. Блоки Detection Generator и Основная Истина Reader реализованы с помощью блока MATLAB System (Simulink). Код для этих блоков задан в классах helper HelperDetLogReader и HelperTruthLogReader, соответственно. Оба блока считывают записанные данные и генерируют обнаружения, время и данные истинности.

Блоки выводят обнаружения и информацию о правде как Simulink.Bus (Simulink) объекты.

Алгоритм отслеживания

Обычные трекеры, такие как Global Nearest Neighbor (GNN) и Joint Probabilistic Data Association (JPDA), предполагают, что датчики возвращают самое большее одно обнаружение на объект за скан. Поэтому традиционные трекеры страдают с недостающими целями и ложными тревогами в загроможденном окружении. В таком окружении PHD-трекер обеспечивает лучшую оценку объектов, когда он обрабатывает кластеризацию и ассоциацию данных одновременно.

В этом примере вы используете трекер объектов точек GM-PHD для отслеживания целей. Первым шагом к настройке PHD-трекера является определение строения датчика. В этом примере вы задаете строение датчика в PreLoadFcn коллбэк. Смотрите Model Callbacks (Simulink) для получения дополнительной информации о функциях обратного вызова. В строении датчика его FilterInitializationFcn поле задается как initcvgmphd представляющий фильтр GM-PHD с постоянной скоростью. Можно задать другие параметры трекера из маски блока.

Анализ эффективности с помощью GOSPA Metric

Чтобы оценить эффективность трекера, вы используете метрику Обобщённого Оптимального Подшаблона Назначения (GOSPA). Metric GOSPA направлен на оценку эффективности трекера с помощью единого значения стоимости. 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 - количество основных истин и $n(n>=m)$ количество предполагаемых треков. $c$ является порогом расстояния отсечения и $d_{b}$ является базовым расстоянием между дорожкой и истиной, вычисленным функцией расстояния, заданной в Distance свойство. $p$ является порядком метрики и $\alpha$ является альфа- параметр метрики, заданной из маски блока.

Более низкая стоимость GOSPA обеспечивает более высокую эффективность отслеживания. Значение нуля представляет собой идеальное отслеживание. Можно также вывести различные компоненты GOSPA, выбрав соответствующие опции из маски блока.

Визуализация

В этом примере метрика GOSPA визуализируется с помощью блока scope, а сценарий визуализируется с помощью блока Scenario Visualization. Блок визуализации сценария реализован с помощью блока MATLAB System (Simulink). Код для этого блока задан в классе helper helperClutterTrackingDisplayBlock. Блок использует RunTimeObject параметр блоков для отображения их выходов. Смотрите Доступ к Блочным Данным во Время Симуляции (Simulink) для получения дополнительной информации о том, как получить доступ к выходам блоков во время симуляции.

Заметьте, что метрика GOSPA уменьшается через несколько шагов. Начальное значение метрики GOSPA выше из-за задержки установления для каждой дорожки. Результаты метрики GOSPA показывают, что трекер GM-PHD хорошо проявил себя в густо загроможденном сценарии с нулем ложных предупреждений и нулями пропущенных треков.

close_system('TrackPointTargetsInDenseClutterSimulinkExample');

Сводные данные

В этом примере вы научились использовать GM-PHD трекер для отслеживания точечных объектов в плотном загромождении в Simulink. Вы также научились оценивать эффективность алгоритма отслеживания с помощью метрики GOSPA и связанных с ней компонентов. Результаты симуляции показывают, что трекер GM-PHD не пропускает цели и не создает ложных предупреждений. Более низкий общий счет GOSPA также указывает на желательную эффективность отслеживания.

Документация