jpdaEvents

Выполнимые объединенные события для trackerJPDA

Синтаксис

FJE = jpdaEvents(validationMatrix)

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

Описание

FJE = jpdaEvents(validationMatrix) возвращает выполнимые объединенные события, FJE, на основе матрицы валидации. Матрица валидации описывает возможные ассоциации между обнаружениями и дорожками, тогда как выполнимое объединенное событие для мультиобъектного отслеживания является одной реализацией ассоциаций между обнаружениями и дорожками.

пример

[FJE,FJEProbs] = jpdaEvents(likelihoodMatrix,k) генерирует k- лучше всего выполнимые объединенные матрицы события, FJE, соответствуя следующей матрице вероятности, likelihoodMatrix. likelihoodMatrix задает следующую вероятность соединения обнаружений с дорожками.

Примеры

свернуть все

Сгенерируйте выполнимые объединенные События

Скрипт Open Live Script

Задайте произвольную матрицу валидации для пяти измерений и шести дорожек.

  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 выполнимые объединенные события и считайте общее количество.

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

Отобразите несколько выполнимых объединенных 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

Получите выполнимые объединенные События из матрицы вероятности

Скрипт Open Live Script

Создайте матрицу вероятности принятие четырех обнаружений и двух дорожек.

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 самых 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 (n +1) матрица

Матрица валидации в виде m (n +1) матрица, где m является количеством обнаружений в кластере скана датчика и n, является количеством дорожек, обеспеченных в средстве отслеживания. Матрица валидации использует первый столбец с учетом возможности, что каждое обнаружение является помехой или ложным предупреждением, которое обычно упоминается как "Дорожка 0" или T ₀. Матрица валидации является бинарной матрицей, перечисляющей все возможные ассоциации обнаружений к дорожке. Если возможно присвоить, отслеживают T _i к обнаружению D _j, то (j, i +1) запись матрицы валидации равняется 1. В противном случае запись 0.

Типы данных: логический

`likelihoodMatrix` — Матрица вероятности
(m +1) (n +1) матрица

Матрица вероятности в виде (m +1) (n +1) матрица, где m является количеством обнаружений в кластере скана датчика и n, является количеством дорожек, обеспеченных в средстве отслеживания. Матрица вероятности использует первый столбец с учетом возможности, что каждое обнаружение является помехой или ложным предупреждением, которое обычно упоминается как "Дорожка 0" или T ₀. Матрица использует первую строку с учетом возможности, что каждая дорожка не присвоена никакому обнаружению, которое может упоминаться как "Обнаружение 0" или D ₀. (j +1, i +1) элемент матрицы представляет вероятность, чтобы присвоить, отслеживают T _i к обнаружению D _j.

Типы данных: логический

`k` — Количество объединенных вероятностных событий
положительное целое число

Количество объединенных вероятностных событий в виде положительного целого числа.

Типы данных: логический

Выходные аргументы

свернуть все

`FJE` — Выполнимые объединенные события
m (n +1)-by-p массив

Выполнимые объединенные события в виде m (n +1)-by-p массив, где m является количеством обнаружений в кластере скана датчика, n, являются количеством дорожек, обеспеченных в средстве отслеживания, и p является общим количеством выполнимых объединенных событий. Каждая страница (m (n +1) матрица) FJE соответствует одной возможной ассоциации между всеми дорожками и обнаружениями. Выполнимая объединенная матрица события на каждой странице удовлетворяет:

Матрица имеет точно один "1" значение на строку.
За исключением первого столбца, который сопоставляет с помехой, может быть самое большее один "1" для каждого столбца.

Для получения дополнительной информации о выполнимых объединенных событиях смотрите Выполнимые Объединенные События.

Типы данных: логический

`FJEProbs` — Вероятности выполнимых объединенных событий
p-by-1 вектор из неотрицательных скаляров

Вероятности выполнимых объединенных событий, возвращенных как p-by-1 вектор из неотрицательных скаляров. Суммирование этих скаляров равно 1. k-th элемент представляет вероятность k-ых объединенных событий (заданный в FJE выходной аргумент) нормированный по p выполнимые объединенные события.

Типы данных: логический

Больше о

свернуть все

Выполнимые объединенные События

В типичном рабочем процессе для системы слежения средство отслеживания должно определить, может ли обнаружение быть сопоставлено с какой-либо из существующих дорожек. Если средство отслеживания только обеспечивает одну дорожку, присвоение может быть сделано путем оценки логического элемента валидации вокруг предсказанного измерения и решения, находится ли измерение в пределах логического элемента валидации. На пробеле измерения логический элемент валидации является пространственным контуром, таким как 2D эллипс или 3-D эллипсоид, сосредоточенный при предсказанном измерении. Логический элемент валидации задан с помощью информации о вероятности (оценка состояния и ковариация, например) существующей дорожки, такой, что правильные или идеальные обнаружения имеют высокую вероятность (97%-я вероятность, например) нахожения в пределах этого логического элемента валидации.

Однако, если средство отслеживания обеспечивает несколько дорожек, процесс ассоциации данных становится более сложным, потому что одно обнаружение может находиться в пределах логических элементов валидации нескольких дорожек. Например, в следующем рисунке, T дорожек ₁ и T ₂ активно обеспечен в средстве отслеживания, и у каждого из них есть свой собственный логический элемент валидации. Начиная с обнаружения D ₂ находится в пересечении логических элементов валидации и T ₁ и T ₂, две дорожки (T ₁ и T ₂) соединяются и формируют кластер. Кластер является набором связанных дорожек и их связанных обнаружений.

Чтобы представлять отношение ассоциации в кластере, матрица валидации обычно используется. Каждая строка матрицы валидации соответствует обнаружению, в то время как каждый столбец соответствует дорожке. С учетом возможности каждого обнаружения, являющегося помехой, первый столбец добавляется и обычно называемый "Дорожкой 0" или T ₀. Если обнаружение D_{, i} - в логическом элементе валидации дорожки D _j, то (j, i +1) запись матрицы валидации равняется 1. В противном случае это - нуль. Для показанного на рисунке кластера матрица валидации Ω

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

Обратите внимание на то, что все элементы в первом столбце Ω равняются 1, потому что любое обнаружение может быть помехой или ложным предупреждением. Один важный шаг в логике объединенной вероятностной ассоциации данных (JPDA) должен получить все выполнимые независимые объединенные события в кластере. Два предположения для выполнимых объединенных событий:

Обнаружение не может быть испущено больше чем одной дорожкой.
Дорожка не может быть обнаружена несколько раз датчиком во время одного скана.

На основе этих двух предположений могут быть сформулированы выполнимые объединенные события (FJEs). Каждый FJE сопоставлен с матрицей FJE Ω_p из начальной матрицы валидации Ω. Например, с матрицей валидации Ω, восемь матриц FJE могут быть получены:

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

Как прямое следствие этих двух предположений, _Ωp матрицы имеют точно одно "1" значение на строку. Кроме того, за исключением первого столбца, который сопоставляет с помехой, может быть самое большее один "1" для каждого столбца. Когда количество связанных дорожек растет в кластере, количестве увеличений FJE быстро. jpdaEvents функционируйте использует эффективный алгоритм поиска в глубину, чтобы сгенерировать все выполнимые объединенные матрицы события.

Ссылки

[1] Чжоу, Интервал и Н. К. Боз. "Мультицелевое отслеживание в помехе: Алгоритмы FAST для ассоциации данных". Транзакции IEEE на космических и электронных системах 29, № 2 (1993): 352-363.

[2] Фишер, Джеймс Л. и Давид П. Казазан. "Быстрая мультицель JPDA отслеживание алгоритма". Прикладная оптика 28, № 2 (1989): 371-376.

Расширенные возможности

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

Указания и ограничения по применению:

Когда динамическое выделение памяти отключено в сгенерированном коде, порядок событий с той же вероятностью может отличаться от результатов в MATLAB.

Смотрите также

trackerJPDA

Введенный в R2019a

Документация

jpdaEvents

Синтаксис

Описание

Примеры

Сгенерируйте выполнимые объединенные События

Получите выполнимые объединенные События из матрицы вероятности

Входные параметры

`validationMatrix` — Матрица валидации
m (n +1) матрица

`likelihoodMatrix` — Матрица вероятности
(m +1) (n +1) матрица

`k` — Количество объединенных вероятностных событий
положительное целое число

Выходные аргументы

`FJE` — Выполнимые объединенные события
m (n +1)-by-p массив

`FJEProbs` — Вероятности выполнимых объединенных событий
p-by-1 вектор из неотрицательных скаляров

Больше о

Выполнимые объединенные События

Ссылки

Расширенные возможности

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

Смотрите также

Документация Sensor Fusion and Tracking Toolbox

Поддержка

Документация

jpdaEvents

Синтаксис

Описание

Примеры

Сгенерируйте выполнимые объединенные События

Получите выполнимые объединенные События из матрицы вероятности

Входные параметры

validationMatrix — Матрица валидации m (n +1) матрица

likelihoodMatrix — Матрица вероятности (m +1) (n +1) матрица

k — Количество объединенных вероятностных событий положительное целое число

Выходные аргументы

FJE — Выполнимые объединенные события m (n +1)-by-p массив

FJEProbs — Вероятности выполнимых объединенных событий p-by-1 вектор из неотрицательных скаляров

Больше о

Выполнимые объединенные События

Ссылки

Расширенные возможности

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

Смотрите также

Документация Sensor Fusion and Tracking Toolbox

Поддержка

`validationMatrix` — Матрица валидации
m (n +1) матрица

`likelihoodMatrix` — Матрица вероятности
(m +1) (n +1) матрица

`k` — Количество объединенных вероятностных событий
положительное целое число

`FJE` — Выполнимые объединенные события
m (n +1)-by-p массив

`FJEProbs` — Вероятности выполнимых объединенных событий
p-by-1 вектор из неотрицательных скаляров

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