多扩展目标跟踪中基于加权最优子模式分配距离的传感器管理方法

针对多扩展目标跟踪优化中的传感器管理问题,本文基于随机有限集(RFS)提出一种基于加权最优子模式分配(W-OSPA)距离的传感器管理方法.首先,在部分可观测马尔可夫决策过程(POMDP)理论框架下,给出基于逆威沙特椭圆分布假设的多扩展目标跟踪传感器管理的基本方法.其次,利用W-OSPA距离求解多扩展目标后验分布的离差,以离差最小化获得最优化的多扩展目标状态估计设计传感器管理策略.最后,通过推导给出的离差数值求解方法进行最优传感器管理方案的决策.仿真实验基于OSPA距离评价验证了所提传感器管理方法相对于其他算法对多扩展目标的质心运动状态和椭圆形状都有更好的估计效果.

多目标跟踪算法的最优子模式分配概率度量

针对最优子模式分配(OSPA)度量标准只能适应测量轨迹距离的缺点,提出最优子模式分配概率(OSPAP)度量标准。通过计算真实轨迹与预测轨迹之间的基本概率和标签错误的惩罚概率评价跟踪算法的性能。在现实的跟踪系统中,无法获得跟踪目标的真实轨迹,但是基于概率的多目标跟踪算法的概率较易获得。实验结果表明,采用该标准得到的度量数据与实际情况一致,能够在实际的跟踪系统中实时地反映概率跟踪算法的性能。

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。

估计融合算法的一类敏感指标研究

为了改善在复杂多变的环境下多源信息融合的准确性和鲁棒性,可在融合过程中进行算法管理,自适应配置算法的方法实现。在算法配置中反馈所需的条件采用算法敏感指标进行评价。在状态估计敏感指标OSPA距离测度基础上,提出估计融合中的敏感指标GOSPA距离测度,GOSPA距离将真实航迹和全局航迹之间的误差分离成航迹距离误差和航迹关联误差。通过对比实验表明,估计融合中的全局OSPA测度指标对航迹融合算法的性能评估是敏感的。

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。

基于不确定度的航迹融合算法评价指标HGOSPA

为了更精细地区分航迹融合算法的优劣,需要构造一种高区分度的航迹融合算法的评价指标。本文改善了航迹融合的指标全局最优子模式分配(GOSPA)距离测度,将不确定度的概念引入到GOSPA距离中关于航迹距离误差的计算中,得到新的指标HGOSPA。对比实验结果表明,在GOSPA距离无法区分算法精度时,由于考虑了不确定度,评价指标HGOSPA能更敏感地反映航迹融合算法的优劣。经实验验证,HGOSPA指标的评价结果与基于真实航迹误差的评价结果一致,即HGOSPA指标可在无真实航迹情况下提供不同航迹融合算法优劣的正确评价。

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。