Присвоение и ошибочные метрики

Общий рабочий процесс для оценки мультиобъектного средства отслеживания в присутствии основной истины может быть разделен на 2 основных шага. Во-первых, дорожки присвоены истинам с помощью алгоритма присвоения. Во-вторых, с помощью вычисленного присвоения в качестве входа, точность оценки состояния для каждой дорожки вычисляется. На каждом шаге могут быть получены некоторые ключевые метрики для эффективности средства отслеживания. В Sensor Fusion and Tracking Toolbox™ метрики, соответствующие этим двум шагам, называют как метрики присвоения и ошибочные метрики соответственно.

Метрики присвоения оценивают характеристики средства отслеживания, заканчивающегося из-за неправильного присвоения данных о датчике к дорожкам из-за неоднозначности, пропущенных целей или присутствия ложных предупреждений. Неправильное присвоение данных о датчике может привести к событиям как свопинг дорожек между целями, созданием избыточных дорожек для цели, отбрасывания истинной целевой дорожки и создания ложной дорожки. С другой стороны, ошибочные метрики обеспечивают оценку оценки состояния или точности уровня объектов средства отслеживания. Даже когда средство отслеживания делает хорошее задание в присвоении, погрешности на уровне дорожки могут произойти из-за шума в измерениях, а также погрешностей в моделировании модели движения цели и модели измерения датчика.

Дорожки и определение истин

Метрики присвоения используют закрытый жадный подход ближайшего соседа, который позволяет присвоения дорожки many-one, что означает, что несколько дорожек могут быть присвоены той же истине. На каждом шаге метрики стремятся присваивать дорожки истинам при составлении их присвоения в предыдущем временном шаге. Это помогает метрикам присвоения классифицировать дорожки в определенные категории на основе текущих, а также предыдущих присвоений. Категории, используемые метриками присвоения для дорожек, описаны в изображениях ниже.

Метрики присвоений также представляют истины как различные категории "целей" с точки зрения средства отслеживания. Это помогает метрикам присвоения записать события, такие как установление дорожки и целевой пропуск. Установление и события пропуска показывают в изображении ниже.

Путем классификации дорожек и истин в несколько категорий, метрики присвоения выводят совокупный анализ эффективности средства отслеживания. Метрики также предоставляют подробную информацию об информации о присвоении для каждой истины и дорожки. Кроме того, результаты присвоения на каждом шаге от метрик присвоения могут также использоваться, чтобы оценить ошибочные метрики. Ошибочные метрики выводят совокупный анализ точности средства отслеживания в оценке состояния. Подобно метрикам присвоения ошибочные метрики также предоставляют подробную информацию для каждой дорожки и истины.

Затем вы изучите, как использовать присвоение и ошибочные метрики в MATLAB.

Вычислите и анализируйте метрики

Чтобы использовать метрики присвоения, вы создаете trackAssignmentMetric Система object™. Вы также задаете свойства объекта с помощью пар "имя-значение", чтобы сконфигурировать метрику для различных приложений. В этом примере вы задаете расстояние присвоения и расхождения как абсолютную погрешность в положении между дорожкой и истиной. Вы также задаете пороги расстояния для присвоения и расхождения дорожки.

assignmentMetrics = trackAssignmentMetrics(...
    'AssignmentDistance','posabserr',...
    'DivergenceDistance','posabserr',...
    'DivergenceThreshold',1,...
    'AssignmentThreshold',0.85)

assignmentMetrics = 
  trackAssignmentMetrics with properties:

    DistanceFunctionFormat: 'built-in'
               MotionModel: 'constvel'
       AssignmentThreshold: 0.8500
       DivergenceThreshold: 1
        AssignmentDistance: 'posabserr'
        DivergenceDistance: 'posabserr'

Чтобы использовать ошибочные метрики, вы создаете trackErrorMetrics Системный объект. Поскольку никакие пары "имя-значение" не обеспечиваются, значения по умолчанию используются. В этом примере цели приняты, чтобы быть прослеженными с помощью модели постоянной скорости.

errorMetrics = trackErrorMetrics

errorMetrics = 
  trackErrorMetrics with properties:

    ErrorFunctionFormat: 'built-in'
            MotionModel: 'constvel'

Присвоение и ошибочные метрики управляются симулированными дорожками и истинами при помощи класса помощника, helperMetricEvaluationScenarios. Объект этого класса выводит список дорожек и истин на каждом временном шаге.

trackTruthSimulator = helperMetricEvaluationScenarios;

Вы также визуализируете результаты присвоения и ошибочных метрик с помощью класса помощника под названием helperMetricEvaluationDisplay. Эти классы помощника включены с примером в той же рабочей папке как этот скрипт.

display = helperMetricEvaluationDisplay(...
    'PlotTrackClassification',true,...
    'PlotTruthClassification',true,...
    'PlotTrackErrors',false,...
    'PlotTruthErrors',false,...
    'PlotAssignments',true,...
    'RecordGIF',true,...
    'ErrorToPlot','posRMS');

Вы генерируете список дорожек и истин каждый раз и запускаете присвоение и ошибочные метрики с помощью следующего рабочего процесса.

% Time stamps at which the metrics are updated
timeStamps = 0:0.1:10;
n = numel(timeStamps);

% Initialization of recorded variables
posRMSE = zeros(n,1);
velRMSE = zeros(n,1);
posANEES = zeros(n,1);
velANEES = zeros(n,1);
truthError = cell(n,1);
trackError = cell(n,1);

% Loop over time stamps
for i = 1 : n
    % Current time
    time = timeStamps(i);
    
    % Generate tracks and truths using simulation
    [tracks, truths] = trackTruthSimulator(time);
    
    % You provide the tracks and truths as input to the assignment metrics.
    % This outputs a cumulative summary from all the tracks and the truths.
    [trackAssignmentSummary(i), truthAssignmentSummary(i)] = assignmentMetrics(tracks, truths); %#ok<SAGROW> 
    
    % For detailed assignment information about each track, you use the
    % trackMetricsTable method.
    trackTable = trackMetricsTable(assignmentMetrics);
    
    % Similarly, for detailed assignment information about each truth, you
    % use the truthMetricsTable method.
    truthTable = truthMetricsTable(assignmentMetrics);
    
    % For running error metrics, you obtain the current assignment of
    % tracks to truths using the currentAssignment method.
    [assignedTrackIDs, assignedTruthIDs] = currentAssignment(assignmentMetrics);
    
    % The current assignment information as well as the list of tracks and
    % truths at the current time can then be passed as an input to the
    % error metrics.
    [posRMSE(i),velRMSE(i),posANEES(i),velANEES(i)] = errorMetrics(tracks, assignedTrackIDs, truths, assignedTruthIDs);
    
    % For detailed error information about each record truth and track, you
    % use the cumulative metric methods on the error metrics.
    trackError{i} = cumulativeTrackMetrics(errorMetrics);
    truthError{i} = cumulativeTruthMetrics(errorMetrics);
    
    display(tracks, truths, assignedTrackIDs, assignedTruthIDs, trackTable, truthTable);
end

Анализируйте метрики присвоения

Анимация ниже показов визуальное представление метрик присвоения. В начале и P1 и P2 не имели никаких связанных дорожек из-за задержки установления. Поэтому они были оба категоризированы как пропущенные цели. Приблизительно X = 5 метров, P1 не был прослежен для нескольких временных шагов. Заметьте, что метрики присвоения выходные параметры P2 как пропущенная цель в это время. Когда дорожки подкачали между P1 и P2, они были первоначально объявлены расходящиеся, когда они переместились из порогов расхождения. После нескольких временных шагов дорожки достигли логического элемента присвоения новых истин и стали связанными к новой истине.

Визуализация метрики для каждой дорожки и истины может помочь в более легком понимании различных событий. Однако это может стать подавляющим для большого количества дорожек и истин. Альтернативный подход должен использовать итоговый выход метрик присвоения. Эти выходные параметры предоставляют полные сводные данные метрик присвоения до шага текущего времени. Поля и значения метрических сводных данных присвоения в конце симуляции показывают ниже.

disp(trackAssignmentSummary(end));

           TotalNumTracks: 5
           NumFalseTracks: 1
             MaxSwapCount: 1
           TotalSwapCount: 2
       MaxDivergenceCount: 1
     TotalDivergenceCount: 3
      MaxDivergenceLength: 7
    TotalDivergenceLength: 17
       MaxRedundancyCount: 1
     TotalRedundancyCount: 1
      MaxRedundancyLength: 34
    TotalRedundancyLength: 34

disp(truthAssignmentSummary(end));

              TotalNumTruths: 2
            NumMissingTruths: 0
      MaxEstablishmentLength: 5
    TotalEstablishmentLength: 10
               MaxBreakCount: 2
             TotalBreakCount: 4
              MaxBreakLength: 9
            TotalBreakLength: 9

Путем получения сводных данных присвоения на каждом шаге можно также построить совокупный анализ. Следующие графики показывают подмножество полей и для дорожки и для сводных данных присвоения истины.

helperPlotStructArray(display,trackAssignmentSummary);

helperPlotStructArray(display,truthAssignmentSummary);

Анализируйте ошибочные метрики

Подобно метрикам присвоения ошибочные метрики могут также вычисляться и визуализироваться на дорожку и истину. Поля ошибки расчета для каждой дорожки и истины в конце симуляции показывают ниже. Каждое из этих полей представляет совокупную ошибку по каждой дорожке и истине.

Ошибка расчета для каждой дорожки

disp(trackError{end});

    TrackID    posRMS      velRMS     posANEES    velANEES 
    _______    _______    ________    ________    _________

       1       0.72278     0.87884     0.52241      0.77236
       2       0.16032    0.083823    0.025702    0.0070263
       3       0.52898      1.3192     0.27982       1.7403
       4       0.74411       2.112     0.55369       4.4604

Ошибка расчета для каждой истины

disp(truthError{end});

    TruthID    posRMS     velRMS    posANEES    velANEES
    _______    _______    ______    ________    ________

       1       0.52259    1.3918     0.2731      1.9372 
       2       0.58988     1.259    0.34795      1.5851 

Путем записи ошибок в каждый такт можно также построить ошибку по сравнению со временем для каждой дорожки и истины. Следующие графики показывают ошибку RMS в положении для каждой дорожки и истины. После того, как дорожка удалена, ошибка в ее оценке остается постоянной. Заметьте, что в первой половине симуляции, ошибка в оценке T3 выше, чем тот из T4, потому что траектория T3 не совпадала с траекторией P2 отлично. Также заметьте отбрасывание по ошибке для оценки T3 в первой половине, когда это медленно сходилось к истинной позиции. Во время события подкачки дорожки. ошибка в оценке и T3 и T4, увеличенного до их переключенных присвоений.

% A utility to plot the table array. 'posRMS' is the field to plot
helperPlotTableArray(display,trackError,'posRMS');

Ошибка в оценке каждой истины является просто накоплением ошибки расчета всех дорожек, присвоенных ему. Когда P2 был присвоен избыточная дорожка около 8-го такта симуляции, ее ошибка расчета перешла. Как избыточная дорожка P2, к которому приближаются, ошибочные уменьшения, но снова увеличивается когда ее связанная отличенная дорожка.

helperPlotTableArray(display,truthError,'posRMS');

Для большого количества дорожек и истин, можно также использовать совокупные ошибочные метрики для всех присвоенных дорожек в течение их жизненного цикла. Заметьте увеличение по ошибке, когда дорожки подкачали (около 80-го шага). Также заметьте меньший пик вокруг 25-го временного шага, когда T1, отклоненный от его присвоенной истины P2 и, настигла избыточная дорожка T3.

f = figure('Units','normalized','Position',[0.1 0.1 0.6 0.6]);
ax = axes(f);

subplot(2,2,1)
plot(posRMSE,'LineWidth',2);
xlabel('Time step');
ylabel('RMS Error in Position (m)');
grid('on');

subplot(2,2,2)
plot(velRMSE,'LineWidth',2);
xlabel('Time step');
ylabel('RMS Error in Velocity (m/s)');
grid('on');

subplot(2,2,3)
plot(posANEES,'LineWidth',2);
xlabel('Time step');
ylabel('Average Normalized Error in Position');
grid('on');

subplot(2,2,4)
plot(velANEES,'LineWidth',2);
xlabel('Time step');
ylabel('Average Normalized Error in Velocity');
grid('on');

sgtitle('Cumulative errors for all tracks','FontWeight','bold');

Суммирование метрик как баллы

Общий пример использования для оценки эффективности мультиобъектного средства отслеживания должен настроить свои параметры. Это обычно делается путем объединения метрик в одну величину затрат, которая может служить функцией для алгоритма оптимизации. Присвоение и ошибочные метрики обеспечивают несколько различных мер эффективности (MoEs) и могут быть объединены первым выбором самых соответствующих метрик и затем выполнением взвешенной комбинации в зависимости от приложения. Выбор правильного MoEs, а также их комбинации в один счет может быть сложным. Как альтернатива этому подходу, можно использовать Оптимальное Присвоение SubPattern (OSPA) [1] метрика и Обобщенное Оптимальное Присвоение SubPattern (GOSPA) [2] метрика. И OSPA и метрика GOSPA оценивают эффективность мультиобъектного средства отслеживания путем объединения обоих присвоений, а также точности оценки состояния в одну величину затрат. Затем вы будете учиться о OSPA и метрике GOSPA и рабочем процессе вычислять эти метрики в MATLAB.

Метрика OSPA

Метрика OSPA может быть рассмотрена как статистическое расстояние между несколькими дорожками и истинами. Чтобы вычислить метрику OSPA, алгоритм сначала присваивает существующие дорожки и истины друг другу использующему алгоритм Глобального самого близкого соседа (GNN). Если присвоение вычисляется, метрика делит общее расстояние на два субкомпонента - локализация и несоответствие кардинальности. Компонент локализации фиксирует ошибки, следующие из точности оценки состояния, в то время как компонент несоответствия кардинальности получает эффект избыточных дорожек, ложных дорожек и пропущенных истин. Традиционная метрика OSPA не учитывает временную историю дорожек i.e. присвоения от предыдущего шага не влияют на метрику на текущем шаге. Поэтому эффекты как переключатели дорожки не получены в традиционной метрике OSPA. Чтобы обойти это, новый субкомпонент был введен для OSPA, названного компонентом "маркировки" [3]. Комбинация традиционного OSPA с "маркировкой" компонента иногда упоминается как "OSPA для Дорожек" (OSPA-T) или Помечена-OSPA (LOSPA) [4].

Чтобы использовать метрику OSPA в MATLAB, вы используете trackOSPAMetric Системный объект. Можно переключиться от OSPA до Помеченного-OSPA путем обеспечения ненулевого ценного LabelingError свойство. Чтобы изучить, как каждый субкомпонент вычисляется, обратитесь к разделу "Algorithms" trackOSPAMetric.

ospaMetric = trackOSPAMetric('Distance','posabserr',...
    'CutoffDistance',1,...
    'LabelingError',0.25);

Затем вы запускаете тот же сценарий и вычисляете метрику OSPA на каждом временном шаге.

timeStamps = 0:0.1:10;
n = numel(timeStamps);

% Scene simulation
trackTruthSimulator = helperMetricEvaluationScenarios;

% Initialize variables
ospa = zeros(n,1);
locComponent = zeros(n,1);
cardComponent = zeros(n,1);
labelingComponent = zeros(n,1);

% Loop over time stamps
for i = 1:numel(timeStamps)
    time = timeStamps(i);
    
    % Track and truth
    [tracks, truths] = trackTruthSimulator(time);
    
    % Call the System object as a function and record OSPA and all 3 components
    [ospa(i),locComponent(i),cardComponent(i),labelingComponent(i)] = ospaMetric(tracks, truths);
end

Анализируйте метрику OSPA

figure('Units','normalized','Position',[0.1 0.1 0.6 0.6]);

subplot(2,1,1);
plot(ospa,'LineWidth',2);
xlabel('Time step');
ylabel('Cost');
title('OSPA');
grid('on');

subplot(2,1,2);
plot([locComponent cardComponent labelingComponent],'LineWidth',2);
xlabel('Time step');
ylabel('Component Cost');
title('OSPA Components');
legend('Localization','Cardinality-mismatch','Labeling');
grid('on');

Заметьте корреляцию между метрическими и различными событиями OSPA в сценарии. OSPA высок первоначально из-за задержки установления. После установления OSPA остается все еще относительно высоким из-за присутствия избыточной дорожки. После того, как избыточная дорожка была удалена, OSPA спал до нижнего значения. Вокруг 50-го временного шага OSPA получил значение как истину, P1 был пропущен. Заметьте, что, в то время как метрика OSPA получает все эти события правильно путем введения более высокого значения, она не предоставляет более прекрасную подробную информацию о каждой истине и дорожке и точности в их оценке. Единственная информация, доступная от OSPA, через ее компоненты. Более высокий компонент локализации указывает, что присвоенные дорожки не оценивают состояние истин правильно. Этот компонент локализации вычисляется с помощью того же типа расстояния как присвоение. Более высокий компонент кардинальности указывает на присутствие пропущенных целей и ложных или избыточных дорожек. Более высокая ошибка маркировки указывает, что дорожки не помечены правильно, который указывает, что дорожки сопоставлены к их самым близким доступным истинам.

Метрика GOSPA

Использованный для расчета GOSPA подхода похож на метрику OSPA. Используя немного отличающуюся математическую формулировку, метрика GOSPA дополнительно вычисляет субкомпоненты, такие как "пропущенный целевой компонент", и "ложь отслеживает компонент". Подобно традиционному OSPA GOSPA также не учитывает временную историю дорожек. Однако метрика, похожая на Помеченный-OSPA, может быть достигнута путем добавления переключающегося компонента [5]. Переключающийся компонент получает эффект переключающихся присвоений между истинами. Каждое изменение присвоения для истины оштрафовано, будучи категоризированным как полупереключатель или полный переключатель. Полупереключатель относится к событию, когда истина переключает присвоение от дорожки до того, чтобы быть неприсвоенным или наоборот. Полный переключатель относится к событию, когда истина переключает присвоение от одной дорожки до другого.

Чтобы использовать метрику GOSPA в MATLAB, вы создаете trackGOSPAMetric Системный объект. С учетом переключения дорожки вы вводите положительное значение для SwitchingPenalty.

gospaMetric = trackGOSPAMetric('Distance','posabserr',...
    'CutoffDistance',1,...
    'SwitchingPenalty',0.25);

Затем вы запускаете тот же сценарий и вычисляете метрику GOSPA на каждом временном шаге.

timeStamps = 0:0.1:10;
n = numel(timeStamps);
trackTruthSimulator = helperMetricEvaluationScenarios;

% Initialize variables
labeledGospa = zeros(n,1);
traditionalGospa = zeros(n,1);
locComponent = zeros(n,1);
missedTargetComponent = zeros(n,1);
falseTrackComponent = zeros(n,1);
switchingComponent = zeros(n,1);

% Loop over time stamps
for i = 1:numel(timeStamps)
    time = timeStamps(i);
    
    % Track and truth
    [tracks, truths] = trackTruthSimulator(time);
    
    % Call the System object as a function and get all 4 components
    [labeledGospa(i),traditionalGospa(i),switchingComponent(i),locComponent(i),missedTargetComponent(i),falseTrackComponent(i)] = gospaMetric(tracks, truths);
end

Анализ результатов

figure('Units','normalized','Position',[0.1 0.1 0.6 0.6]);

subplot(2,1,1);
plot(labeledGospa,'LineWidth',2);
xlabel('Time step');
ylabel('Cost');
title('GOSPA');
grid('on');

subplot(2,1,2);
plot([locComponent missedTargetComponent falseTrackComponent switchingComponent],'LineWidth',2);
xlabel('Time step');
ylabel('Component Cost');
title('GOSPA Components');
legend('Localization','Missed Target','False Track','Switching');
grid('on');

Заметьте, что метрика GOSPA также получает эффект различных событий во время сценария, похожего на метрику OSPA. В отличие от OSPA, это также предоставляет информацию, если метрика происходит выше из-за ложных дорожек или пропущенных целей. Заметьте, что пик пропущен целевой компонент вокруг 50-го временного шага. Этот пик обозначает событие, когда P1 был пропущен для нескольких шагов. Пик около 80-го такта в пропущенном целевом компоненте обозначает событие, когда дорожки подкачали. Задержка между расхождением и переназначением привела к пропущенным целям, а также ложной дорожке компоненты.

Peaks в компоненте переключения дорожки обозначает различные события. Первый пик составляет истины, переключающиеся от неприсвоенного до присвоенного. Второй пик составляет переключение дорожек на P2. Третий и четвертый пик получает ту истину, P1 был неприсвоенным и затем присвоен другой дорожке соответственно. Последние два peaks составляют неприсвоение истины и затем переназначение.

Подобно OSPA GOSPA также не предоставляет подробную информацию о каждой дорожке и истине. Информация от GOSPA доступна через ее компоненты. Как имя утверждает, более высокий пропущенный целевой компонент обозначает, что цели не прослеживаются, и более высокий ложный компонент дорожки обозначает присутствие ложных дорожек. Более высокий штраф переключения обозначает события как установление, подкачки дорожки и пропущенные дорожки. Подразделение компонентов, чтобы включать пропущенные цели и ложные дорожки помогает в изменении правильного параметра средства отслеживания. Например, если ложные дорожки создаются, стандартное решение должно попытаться увеличить порог для подтверждения дорожки.

Сводные данные

В этом примере вы изучили приблизительно три различных инструмента, чтобы анализировать эффективность мультисистемы наблюдения за объектами. Вы также учились о рабочем процессе в MATLAB использовать эти метрики. Вы также склонились о типе информации, которую они предоставляют и как это может анализироваться. Инструменты, описанные в этом примере, гибки и могут быть настроены для различных приложений и примеров использования. Существуют "встроенные" опции, доступные на всех инструментах, чтобы задать различные типы расстояний, которые будут использоваться для метрики. Например, абсолютная погрешность в положении или скорости или нормированной ошибке в положении или скорости. Можно также задать три различных модели движения для дорожек: постоянная скорость, постоянная угловая скорость вращения и постоянное ускорение. Эти "встроенные" функциональности поддерживают дорожки в форме objectTrack и истины, сгенерированные симуляциями сценария с помощью trackingScenario. Если формат дорожек и истин для вашего приложения отличается, можно предварительно обработать их, чтобы преобразовать их. Это позволяет вам использовать всю "встроенную" функциональность метрик. В качестве альтернативы можно задать пользовательскую функцию расстояния между дорожкой и истиной. Это позволяет вам управлять расстоянием, а также форматом каждой дорожки и истины. Чтобы переключиться между пользовательской и встроенной функциональностью для OSPA и метрикой GOSPA, задайте Distance как 'custom'. Чтобы переключиться между пользовательской и встроенной функциональностью для присвоения и ошибочными метриками, измените DistanceFunctionFormat и ErrorFunctionFormat к 'custom'для присвоения и ошибочных метрик соответственно.

Ссылки

[1] Schuhmacher, Доминик, Ba-Tuong Vo и Ba-Ngu Vo. "Сопоставимая метрика для оценки результатов деятельности мультиобъектных фильтров". Транзакции IEEE на обработке сигналов 56.8 (2008): 3447-3457.

[2] Rahmathullah, Абу Сэджана, Анхель Ф. Гарсия-Фернандес и Леннарт Свенсон. "Обобщенная оптимальная метрика присвоения подшаблона". 2 017 20-х Международных конференций по вопросам информационного Fusion (Fusion). IEEE, 2017.

[3] Ristic, Бранко, и др. "Метрика для оценки результатов деятельности мультицелевых алгоритмов отслеживания". Транзакции IEEE на Обработке сигналов 59.7 (2011): 3452-3457.

[4] Малер, Рональд ПС. Усовершенствования в статистическом мультицелевом мультиисточником информационном сплаве. Дом Artech, 2014.

[5] Rahmathullah, Абу Сэджана, Анхель Ф. Гарсия-Фернандес и Леннарт Свенсон. "Метрика на пробеле конечных множеств траекторий для оценки мультицелевых алгоритмов отслеживания". arXiv предварительно распечатывают arXiv:1605.01177 (2016).