Отследите цели точки в плотной помехе Используя средство отслеживания GM-PHD в Simulink

Этот пример использует:

Радары обычно получают эхо от всех поверхностей в пути прохождения сигнала. Эти нежелательные рассеянные спиной сигналы или эхо, сгенерированное от физических объектов, называются помехой. В плотно нарушенной среде пропущенные обнаружения и ложные предупреждения делают объекты отслеживания сложной задачей для обычных средств отслеживания, таких как средство отслеживания Глобальной переменной, ближайшего соседа (GNN). В такой среде средство отслеживания PHD обеспечивает лучшую оценку объектов, когда это может обработать несколько обнаружений на объект на датчик, не кластеризируя их сначала. Этот пример показывает вам, как отследить цели точек в плотной помехе с помощью Гауссовой плотности гипотезы вероятности смеси (GM-PHD) средство отслеживания с постоянной скоростной моделью в Simulink. Пример сопровождает Цели Точки Дорожки в Плотной Помехе Используя пример GM-PHD Tracker MATLAB®.

Обзор модели

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

Модель состоит из четырех разделов, каждый реализующий часть рабочего процесса:

Сценарий и симуляция датчика
Отслеживание алгоритма
Анализ эффективности
Визуализация

Сценарий и симуляция датчика

В этом примере сценарий создается с помощью trackingScenario. Сценарий состоит из пяти целей точки, перемещающихся в постоянную скорость. Вы используете fusionRadarSensor симулировать радарные обнаружения в сценарии. Цели перемещаются в поле зрения датчика. Вы используете FalseAlarmRate свойство датчика управлять плотностью помехи. Значение FalseAlarmRate свойство представляет вероятность генерации ложного предупреждения в одной ячейке разрешения датчика. На основе ложного сигнального уровня 1e-3 и разрешение датчика, заданного в этом примере, существует приблизительно 53 ложных предупреждения, сгенерированные на шаг. Сценарий для этого примера задан в файле помощника helperCreateClutterTrackingScenario. Вы используете блок Tracking Scenario Reader, чтобы считать объект сценария из рабочей области. Вы конфигурируете блок, чтобы вывести обнаружения наряду с положениями платформы и временем симуляции. Блок вывел положения платформы и обнаружения как Simulink.Bus (Simulink) объекты.

Отслеживание алгоритма

В этом примере вы используете блок Probability Hypothesis Density (PHD) Tracker с gmphd отфильтруйте, чтобы отследить цели. Первый шаг к конфигурированию средства отслеживания PHD должен задать настройку датчика. Вы задаете настройку датчика как структуру с полями то же самое как trackingSensorConfiguration. Вы устанавливаете SensorIndex из настройки к 1, чтобы совпадать с индексом симулированного датчика. Когда датчик является датчиком точечного объекта, что выходные параметры самое большее одно обнаружение на объект на скан, вы устанавливаете MaxNumDetsPerObject поле настройки как 1. Вы принимаете, что все дорожки обнаруживаемы, поэтому, SensorTransformFcn задан как @(x,params)x и SensorLimits заданы как [-inf inf] для всех состояний. Вы задаете ClutterDensity поле в настройке, которая относится к ложному сигнальному уровню на единичный объем от датчика. Вы устанавливаете FilterInitializationFcn к initcvgmphd, который создает постоянную скорость фильтр GM-PHD. Вы задаете уровень рождаемости новых целей от маски блока, чтобы задать ожидаемое количество целей, появляющихся в поле зрения в единицу времени. Код для создания настройки датчика задан в функции помощника helperCreateSensorConfig. Вы вызываете эту функцию в PreLoadFcn 'callback'. Смотрите Коллбэки Модели (Simulink) для получения дополнительной информации о функциях обратного вызова.

Анализ эффективности

Чтобы оценить эффективность средства отслеживания, вы используете блок Generalized Optimal Subpattern Assignment Metric. Метрика GOSPA стремится оценивать эффективность средства отслеживания с помощью одного объединенного счета к ошибкам в присвоении и расстоянии. 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 $n(n>=m)$ является количеством предполагаемых дорожек. $c$ порог расстояния сокращения и $d_{b}$ основное расстояние между дорожкой и истиной, вычисленной функцией расстояния, заданной в Distance свойство. $p$ порядок метрики и $\alpha$ альфа-параметр метрики, заданной от маски блока.

Ниже стоимость GOSPA представляет лучшую эффективность отслеживания. Значение нуля представляет совершенное отслеживание. Вы включаете пропущенную целевую ошибку и Ложные компоненты дефекта записи метрики GOSPA как блок выходные параметры и визуализируете их. Прежде, чем передать информацию об истине метрическому блоку GOSPA вы удаляете платформу датчика из информации об истине. Для этого вы используете блок помощника Платформы Датчика Фильтра Помощника, реализованный блок MATLAB Function (Simulink) использования.

Визуализация

В этом примере метрика GOSPA визуализируется с помощью блока scope, и сценарий визуализируется с помощью блока Scenario Visualization. Блок Scenario Visualization реализован с помощью блока MATLAB System (Simulink). Код для этого блока задан в классе помощника helperClutterTrackingDisplayBlock. Блок использует RunTimeObject параметр блоков, чтобы отобразить их выводы. Смотрите доступ к Данным о Блоке В процессе моделирования (Simulink) для получения дополнительной информации о том, как получить доступ, блокируют выходные параметры в процессе моделирования.

Заметьте, что метрические уменьшения GOSPA после нескольких шагов. Начальное значение метрики GOSPA происходит выше из-за задержки установления каждой дорожки. Метрические результаты GOSPA показывают, что средство отслеживания GM-PHD, выполняемое хорошо в плотно нарушенном сценарии с нулевыми ложными предупреждениями и, обнуляет пропущенные дорожки.

close_system('TrackPointTargetsInDenseClutterSimulinkExample');

Сводные данные

В этом примере вы изучили, как использовать средство отслеживания PHD, чтобы отследить точечные объекты в плотной помехе в Simulink. Вы также изучили, как оценить эффективность алгоритма отслеживания с помощью метрики GOSPA и ее связанных компонентов. Результаты симуляции показывают, что средство отслеживания GM-PHD не пропускает цели или создает ложные предупреждения. Более низкий полный счет GOSPA также указывает на желательную эффективность отслеживания.

Документация