基于自适应滑动窗均值OSPA航迹关联算法

多目标航迹发生合并和分叉情况在实际工程中比较常见,给航迹关联造成很大困难.本文提出基于自适应滑动窗均值OSPA(Optimal Sub-Pattern Assignment)距离航迹关联方法,给出自适应航迹关联方法的关联矩阵.该方法可以自适应地给出历史航迹对当前航迹的作用影响,进而达到有效且准确地判断多目标航迹合并和分叉情况.最后仿真结果给出了两个传感器和两个目标形成的航迹关联,本文所提自适应关联方法和传统关联方法的关联比较,证明了本文所提方法的有效性,特别是在航迹合并和分叉情况下同样有效.

多目标跟踪性能评估方法综述

客观有效的多目标跟踪性能评估方法是众多多目标跟踪算法性能对比的重要依据,是推动多目标跟踪算法理论发展和工程应用的有力保障。在广泛调研相关文献的基础上,对现有的多目标跟踪性能评估方法进行分类,阐述其基本原理及优缺点,并对其发展趋势进行展望。

基于指标融合的跟踪算法性能评估度量标准

为了全面评估目标跟踪算法的性能,该文提出一种融合性能指标的新度量标准。在分析最优子模式分配度量标准基础上,新度量标准定义目标扩展状态包含跟踪算法的计算量信息,并在扩展状态的基本距离中引入了计算量距离概念,将计算量指标融入新度量标准的最优子模式分配距离中。新度量标准有效融合目标跟踪算法的跟踪精度、集合势误差和计算量指标,反映了跟踪算法的全面性能。单目标和多目标环境下的仿真实验结果验证了该标准的正确性和有效性。

基于集合距离的信息优势度量方法

当前信息优势度量研究混淆了信息优势及其效能等概念,度量指标缺乏严格数学基础,存在操作性不强、解释力不足、适用范围有限等缺点。针对上述问题,提出了一种基于集合距离的信息优势度量方法,通过引入感知信息集合与客观信息集合的距离度量,重新定义信息质量、信息优势等重要概念。详细讨论了最优子模式分配等几种常用集合距离的选取,并利用基于Agent的同质化协同模型对最优子模式分配距离下的信息质量进行了初步验证。结果表明,该方法具备可操作性,可更好反映信息优势局部和动态特性,且在部分条件下可退化为传统方法,灵活性和兼容性更强。

基于GM-PHD的多目标跟踪算法仿真及影响因素

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础,可以同时完成目标数目及状态的估计,并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪,准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率ps、目标检测概率pd以及杂波密度λc等因素对跟踪效果的影响,为GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。

考虑形状差异的RFS多目标跟踪性能评估方法

在对随机有限集(Random Finite Set,RFS)多目标跟踪算法进行性能评估时,最优子模式分配距离(Optimal Sub-Pattern Assignment,OSPA)及改进形式是最常用的指标。分析了采用OSPA距离的评估方法存在不完备的情况,考虑到多目标运动过程中组成的几何形状信息,通过引入形状差异度量,提出了一种改进的OSPA距离,并基于傅里叶描述子给出了形状差异度量的计算公式。仿真结果表明,针对部分RFS多目标跟踪性能评估场景,所提的改进方法可以得到更加完备的评估结论。

基于序列趋势和集合距离的UAV态势相似性度量方法

在无人机(UAV)自主作战与智能决策的过程中,无人机获取的新态势与历史态势的相似性度量是态势评估与作战决策的重要环节,而现有的相似性度量方法主要处理离散时刻态势,采用的欧式距离等方法对数据敏感,不符合作战态势特性,且处理效率低下,针对该问题,提出基于序列趋势和集合距离的UAV态势相似性度量方法。该方法首先选取UAV作战态势要素并以时间序列形式表征数据;然后,使用经验模态分解方法提取历史态势与新态势的序列趋势以度量序列趋势的相似性;最后,对趋势相似的每条态势序列进行自组织映射聚类,得到若干聚类中心构成集合,利用最优子模式分配距离度量集合间的距离,提取集合距离较小的部分获得与新态势相似的历史经验态势。通过公用数据集的分类效果比对实验以及作战仿真态势的相似性度量实验,表明该方法能够有效度量两序列之间的相似性程度,度量效果好,分类实验中分类精度较传统方法最高提高18%,且方法简便,具有一定的实用价值。