Введение

В синхронизированной задаче отслеживания мультисенсора-мультитаргета обнаружение с нескольких пассивных датчиков собирается синхронно и используется для оценки следующего:

Этот пример демонстрирует использование архитектуры Static Fusion Before Tracking [1] для отслеживания с помощью пассивных измерений. Часть архитектуры Static Fusion нацелена на триангуляцию наиболее вероятного набора обнаружений и вывод сплавленных обнаружений, содержащих предполагаемые положения целей. Поскольку измерения должны быть объединены вместе статическим слиянием, датчики должны сообщать о измерениях синхронно.

При измерениях, содержащих только информацию о линии видимости (LOS), для поиска положения необходимо не менее 2 датчиков. Однако с 2 датчиками проблема призрака (пересечения в точках без целей) возникает, когда несколько целей лежат в одной плоскости. С 2 целями и 2 датчиками невозможно идентифицировать правильную пару из одной системы измерений, как показано на рисунке ниже:

Поэтому необходимо использовать 3 или более датчиков, чтобы уменьшить проблему призрака. Из-за наличия измерительного шума и ложных измерений трудно полностью устранить проблему призрака. Триангуляции призраков, возвращенные статической ассоциацией, вероятно, будут отброшены блоками динамической ассоциации, когда геометрия целей и датчиков изменяется во время сценария.

Определение сценария

Относительное размещение датчиков и целей в используемом здесь сценарии взято из примера в [1]. Сценарий состоит из пяти равномерно расположенных целей, наблюдаемых тремя-пятью пассивными датчиками. Пассивные обнаружения моделируются с помощью radarEmitter и radarSensor с DetectionMode установлено на ESM. The HasNoise свойство датчиков установлено в false для генерации обнаружений без шума вместе с ложными предупреждениями. Шум к измерениям добавляется в этом примере через управляемую пользователем переменную. Это для моделирования эффекта шума датчика на статическое слияние. Каждый датчик имеет поле зрения 180 степеней по азимуту и FalseAlarmRate 1e-3 на камеру азимутального разрешения. Это приводит к 2-3 ложным предупреждениям на скан. Определение сценария переносится внутрь вспомогательной функции helperGenerateFusionScenarioData.

[detectionBuffer,truthLog,theaterDisplay] = helperGenerateStaticFusionScenarioData;
showScenario(theaterDisplay);

showGrabs(theaterDisplay,[]);

Трек с тремя датчиками

В этом разделе рассматриваются только измерения от внутренних трех датчиков и ковариация шума измерения для каждого датчика устанавливается на 0,01 степени в квадрате.

Обнаружения от каждого датчика передаются в staticDetectionFuser. The MeasurementFusionFcn для пассивной триангуляции задается как triangulateLOS. The MeasurementFusionFcn позволяет задать функцию для сплавления заданной комбинации обнаружений (самое большее одно обнаружение от каждого датчика) и возврата сросшегося положения и его ковариационной ошибки. Параметры FalseAlarmRate, Volume и DetectionProbability заданы для отражения параметров датчиков, моделируемых в этом сценарии. Эти параметры используются, чтобы вычислить вероятность допустимых ассоциаций. The UseParallel свойство, если установлено в true, позволяет fuser оценить допустимые ассоциации с помощью параллельных процессоров.

Отслеживание выполняется ассоциацией данных GNN при помощи trackerGNN.

Отслеживающая эффективность оценивается с помощью trackAssignmentMetrics и trackErrorMetrics.

Setup

% Number of sensors
numSensors = 3;

% Create a detection fuser using triangulateLOS function as the
% MeasurementFusionFcn and specify parameters of sensors.
fuser = staticDetectionFuser('MeasurementFusionFcn',@triangulateLOS,...
    'MaxNumSensors',numSensors,...
    'UseParallel',true,...
    'FalseAlarmRate',1e-3,...
    'Volume',0.0716,...
    'DetectionProbability',0.99);

% Tracking using a GNN tracker
tracker = trackerGNN('AssignmentThreshold',50,...
    'ConfirmationThreshold',[3 5],'DeletionThreshold',[4 5]);

% Use assignment and error metrics to compute accuracy.
trackingMetrics = trackAssignmentMetrics('DistanceFunctionFormat','custom',...
    'AssignmentDistanceFcn',@trueAssignment,'DivergenceDistanceFcn',@trueAssignment);
errorMetrics = trackErrorMetrics;

Запустите симуляцию с тремя датчиками

% Measurement noise
measNoise = 0.01;

time = 0;
dT = 1; % 1 Hz update rate of scenario.

% Loop through detections and track targets
for iter = 1:numel(detectionBuffer)
    % Truth information
    sensorPlatPoses = truthLog{iter}(1:numSensors);
    targetPlatPoses = truthLog{iter}(6:end);
    groundTruth = [sensorPlatPoses;targetPlatPoses];

    % Generate noisy detections using recorded detections
    thisBuffer = detectionBuffer{iter};
    availableDetections = vertcat(thisBuffer{1:numSensors});
    noiseDetections = addNoise(availableDetections,measNoise);

    % Fuse noisy detections using fuser
    fusedDetections = fuser(noiseDetections);

    % Run a tracker on fused detections
    confTracks = tracker(fusedDetections,time);

    % Update track and assignment metrics
    trackingMetrics(confTracks,targetPlatPoses);
    [trackIDs,truthIDs] = currentAssignment(trackingMetrics);
    errorMetrics(confTracks,trackIDs,targetPlatPoses,truthIDs);

    % Update theater display
    detsToPlot = [noiseDetections(:);fusedDetections(:)];
    theaterDisplay(confTracks,detsToPlot,groundTruth);

    % Update time
    time = time + dT;
end
axes(theaterDisplay.TheaterPlot.Parent);

ylim([0 1.5]);

Результаты отслеживания с использованием трех датчиков с 0,01 градусами в квадрате шумовой ковариации могут быть суммированы с помощью метрик присвоения. Обратите внимание, что все треки были присвоены правильным истинам и никакие ложные треки не были подтверждены трекером. Эти результаты указывают на хорошую точность статической связи.

assignmentTable = trackMetricsTable(trackingMetrics);
assignmentTable(:,{'TrackID','AssignedTruthID','TotalLength','FalseTrackStatus'})

ans =

  5×4 table

    TrackID    AssignedTruthID    TotalLength    FalseTrackStatus
    _______    _______________    ___________    ________________

       1             10               59              false      
       2              9               59              false      
       3              8               59              false      
       4              7               59              false      
       5              6               59              false      

Ошибка в оцененном положении и скорости целевых объектов может быть суммирована с помощью метрики ошибки. Ошибки в положении и скорости находятся в пределах 7 метров и 2 метра/с соответственно для всех целей, а нормализованные ошибки близки к 1. Метрики ошибки указывают на хорошую динамическую ассоциацию и эффективность отслеживания.

disp(cumulativeTrackMetrics(errorMetrics));

    TrackID    posRMS    velRMS    posANEES    velANEES
    _______    ______    ______    ________    ________

       1       5.8143    1.5379     1.7273     0.61788 
       2       4.0385    1.2251     1.7547     0.66935 
       3       4.1647    1.2866     1.7555     0.64513 
       4       3.6861    1.3207     1.3389     0.44256 
       5        5.364    1.2745     1.6521     0.52297 

Эффект точности измерений

Слияние пассивных обнаружений для устранения призрака сильно зависит от точности пассивных измерений. Когда шум измерения увеличивается, различие между ассоциациями призраков и истинными ассоциациями становится менее заметным, что приводит к значительному снижению точности статической ассоциации. При близко расположенных мишенях может также происходить неправильная связь сплавленных обнаружений с треками. В следующем разделе функция helper helperRunStaticFusionSimulation используются для повторного запуска сценария с ковариацией шума измерения 2 степени в квадрате.

Запустите сценарий снова с высоким шумом измерения

numSensors = 3;
measNoise = 2; %standard deviation of sqrt(2) degrees
[trackingMetrics,errorMetrics] = helperRunStaticFusionSimulation(detectionBuffer,truthLog,numSensors,measNoise,theaterDisplay,false);
axes(theaterDisplay.TheaterPlot.Parent);

ylim([0 1.5]);

Обратите внимание, что большое количество треков было подтверждено, а затем сброшено в этой симуляции. Плохая точность статической ассоциации приводит к триангуляциям призрачных целей чаще, что приводит к удалению трекером этих треков из-за нескольких промахов.

assignmentTable = trackMetricsTable(trackingMetrics);
assignmentTable(:,{'TrackID','AssignedTruthID','TotalLength','FalseTrackStatus'})

ans =

  11×4 table

    TrackID    AssignedTruthID    TotalLength    FalseTrackStatus
    _______    _______________    ___________    ________________

       1               9              58              false      
       4             NaN               6              true       
       5               7              59              false      
       6               6              58              false      
       7              10              58              false      
       8             NaN              13              true       
       9             NaN              12              false      
      15               8              52              false      
      16             NaN               4              true       
      20             NaN               4              true       
      28             NaN               3              true       

Предполагаемая ошибка для каждой истинности выше. Заметьте, что дорожка скачет в кинотеатре, показанном выше.

disp(cumulativeTruthMetrics(errorMetrics));

    TruthID    posRMS    velRMS    posANEES    velANEES
    _______    ______    ______    ________    ________

       6       517.05    4.5871     109.74      1.0434 
       7         51.5    3.8501      3.281     0.83398 
       8       59.893    3.0373     3.1765     0.63048 
       9       105.88    17.459      6.821      9.9861 
      10       68.313    4.7792       2.42     0.90618 

Точность ассоциации может быть улучшена путем увеличения количества датчиков. Однако вычислительные требования увеличиваются экспоненциально с сложением каждого датчика. Статический алгоритм слияния проводит большую часть времени, вычисляя допустимость каждой триангуляции. Эта часть алгоритма параллельна, когда UseParallel свойство staticDetectionFuser установлено в true, что обеспечивает линейную скорость, пропорциональную количеству процессоров. Для дальнейшего ускорения выполнения можно также сгенерировать код C/C + +, который также будет выполняться параллельно на нескольких процессорах. Основам генерации кода можно научиться с помощью Coder™ MATLAB ® в Запуск with MATLAB Coder (MATLAB Coder).

Ускорение кода MATLAB посредством параллелизации и генерации кода

Чтобы ускорить КОД MATLAB для симуляции, алгоритм должен быть реструктурирован как функция MATLAB, которая может быть скомпилирована в файл MEX или общую библиотеку. Для этой цели статический алгоритм слияния перестраивается в функцию. Чтобы сохранить состояние фузера между несколькими вызовами, это определяется как persistent переменная.

type('mexFuser');

function [superDets,info] = mexFuser(detections)

%#codegen
persistent fuser

if isempty(fuser)
    fuser = staticDetectionFuser('MeasurementFusionFcn',@triangulateLOS,...
        'MaxNumSensors',5,...
        'UseParallel',true,...
        'FalseAlarmRate',1e-3,...
        'Volume',0.0716,...
        'DetectionProbability',0.99);
end

[superDets,info] = fuser(detections);

MATLAB ® Coder™ требует определения свойств всех входных параметров. Легкий способ сделать это - определить входные свойства по примеру в командной строке с помощью -args опция. Для получения дополнительной информации смотрите Задать входные свойства по примеру в командной строке (MATLAB Coder). Чтобы разрешить переменное количество обнаружений, вы будете использовать coder.typeof функция для распределения типов данных и размеров для входов.

% Get a sample detection from the stored buffer
sampleDetection = detectionBuffer{1}{1}{1};

% Use the coder.typeof function to allow variable-size inputs for
% detections.
maxNumDets = 500;
inputDets = coder.typeof({sampleDetection},[maxNumDets,1],[1 0]);

h = msgbox({'Generating code for function. This may take a few minutes...';...
    'This message box will close when done.'},'Codegen Message');

% Use the codegen command to generate code by specifying input arguments
% via example by using the |-args| option.
codegen mexFuser -args {inputDets};

close(h);

Code generation successful.

Можно проверить скорость, достигнутую генерацией кода, сравнив время, затрачиваемое ими на плавление одной системы координат обнаружений

testDetections = addNoise(vertcat(detectionBuffer{1}{1:5}),1);
tic;mexFuser(testDetections);t_ML = toc;
tic;mexFuser_mex(testDetections);t_Mex = toc;
disp(['MATLAB Code Execution time = ',num2str(t_ML)]);
disp(['MEX Code Execution time = ',num2str(t_Mex)]);

MATLAB Code Execution time = 27.0929
MEX Code Execution time = 0.3682

Трек с пятью датчиками

В этом разделе для отслеживания используются обнаружения от всех пяти датчиков и используется шум измерения 2 степени в квадрате.

measNoise = 2; % Same noise as 3 sensors
numSensors = 5;
[trackingMetrics,errorMetrics] = helperRunStaticFusionSimulation(detectionBuffer,truthLog,numSensors,measNoise,theaterDisplay,true);
axes(theaterDisplay.TheaterPlot.Parent);

ylim([0 1.5]);

Результаты присвоения от отслеживания с помощью пяти датчиков показывают, что всем истинам был назначен трек в течение всей симуляции. Также не было падений дорожки в симуляции по сравнению с 6 падениями дорожки в низкоточной симуляции трех датчиков.

assignmentTable = trackMetricsTable(trackingMetrics);
assignmentTable(:,{'TrackID','AssignedTruthID','TotalLength','FalseTrackStatus'})

ans =

  5×4 table

    TrackID    AssignedTruthID    TotalLength    FalseTrackStatus
    _______    _______________    ___________    ________________

       1             10               59              false      
       2              9               59              false      
       3              8               59              false      
       4              7               59              false      
       5              6               59              false      

Предполагаемые ошибки для позиций намного ниже для каждой истинной цели по сравнению с симуляцией трех датчиков. Заметьте, что результаты оценки положения и скорости действительно ухудшаются по сравнению с тремя датчиками с высокоточными измерениями.

disp(cumulativeTruthMetrics(errorMetrics))

    TruthID    posRMS    velRMS    posANEES    velANEES
    _______    ______    ______    ________    ________

       6       22.362    3.2363     1.5848     0.58334 
       7       15.024    2.6634      1.613     0.60255 
       8       22.632    2.7984     2.5508     0.82252 
       9       24.555    3.4442     2.6984     0.98232 
      10       24.388    2.7997     1.7192     0.57244 

Сводные данные

Этот пример показал, как отслеживать объекты с помощью сети распределенных пассивных датчиков. Вы научились использовать staticDetectionFuser статически ассоциировать и взрывать обнаружения от нескольких датчиков. Пример, продемонстрированный как эта архитектура зависит от параметров, таких как количество датчиков в сети и точность измерений датчика. Пример также показал, как ускорить эффективность с помощью параллельных вычислений и автоматической генерации кода С из кода MATLAB.

Вспомогательные функции

trueAssignment Используйте ObjectAttributes of track, чтобы назначить его правильной истине.

function distance = trueAssignment(track,truth)
tIDs = [track.ObjectAttributes.TargetIndex];
tIDs = tIDs(tIDs > 0);
if numel(tIDs) > 1 && all(tIDs == truth.PlatformID)
    distance = 0;
else
    distance = inf;
end
end

addNoise Добавьте шум к обнаружениям

function dets = addNoise(dets,measNoise)
for i = 1:numel(dets)
    dets{i}.Measurement(1) = dets{i}.Measurement(1) + sqrt(measNoise)*randn;
    dets{i}.MeasurementNoise(1) = measNoise;
end
end

Ссылки

[1] Бар-Шалом, Яаков, Питер К. Виллетт и Синь Тянь. «Отслеживание и слияние данных: справочник алгоритмов». (2011).