افزایش راندمان gm_phd به کمک تخمین بایاس به منظور ردیابی چند هدف استراتژیک

در این مقاله مشکلات ردیابی چند هدفه و چند سنسور با استفاده از قاعده مجموعه ذرات تصادفی مورد بررسی قرار می گیرد. قضیه چگالی احتمال (PHD) بازگشتی به صورت دینامیکی اجرا می شود که این حالت دینامیکی به وسیله تلفیق مقدار بایاس انتقالی با تابع شدت انجام می گردد. در اینجا به دنبال انتخاب بایاس مناسب ازنظر سرعت پاسخ دهی و میزان دقت در ردیابی چند هدف، به وسیله دریافت داده ها از چند سنسور در مختصات ۲ بعدی با کمک فیلتر PHD هستیم. مشکل تخمین زدن اندازه بایاس ناشناخته موردتوجه بسیاری قرار گرفته است. اگر تخمین زدن مقدار بایاس به طور صحیح امکان پذیر باشد، اندازه گیری چند سنسور را می توان در قالب مختصات مشترک به کار برد. الگوریتم پیشنهادی اول متشکل از ترکیب چند الگوریتم شناخته شده در پردازش سنسور می باشد. جبران سازی حرکتی اولین مرحله این روش است که به وسیله الگوریتم های GM-PHD صورت می گیرد. پس ازآن در مرحله دوم مرزهای اهداف چندگانه حاصل شده بهبود یافته و دقت آشکارسازی افزایش می یابد. در مرحله نهایی این روش، مشخصه کاملی از اهداف متحرک سنسور حاصل می شود. همچنین در این مرحله اعمال عملگرهایی روی سنسور باعث می شود که کیفیت سنسور نهایی افزایش یابد. در ادامه به معرفی تمام مراحل و توضیح کامل هرکدام از آن ها خواهیم پرداخت. الگوریتم پیشنهادی دوم با توجه به ماهیت مسئله اصلی و شرایط خاصی که در دنباله فریم ها وجود دارد، به نظر استفاده از روش های مبتنی بر تطبیق اجتناب ناپذیر می رسد. به همین دلیل در روش اول از الگوریتم های GM-PHD استفاده شده است. در این مقاله، فیلتر GM-PHD برای ردیابی تعداد ناشناخته و زمان های متغیر اهداف با سنسورهای مختلف مورد استفاده قرار گرفت، همچنین سنسور را دارای یک خطای ثابت (بایاس) در نظر گرفتیم و سپس مقدار بایاس سنسورها را تخمین زدیم. برای استخراج فرم جدا شده از تخمین هدف و تخمین بایاس در مرحله بروز رسانی شدت قبلی، از فیلتر دومرحله ای کالمن استفاده شد. علاوه بر این فیلتر پیشنهادی توسعه یافته برای ردیابی اهداف مانوری که از مدل سوییچ مارکوف پیروی می کنند، مورد استفاده قرار گرفت. نتایج شبیه سازی نشان می دهد که فیلتر پیشنهادی نسبت به فیلتر GM-PHD بدون تخمین بایاس دارای عملکرد بهتری می باشد. میانگین OSPA برای ردیابی هدف در دو مدل درهم ریختگی تقریبا مشابه می باشد. این موضوع نشان می دهد که تفاوت مدل درهم ریختگی در ردیابی به وسیله فیلتر پیشنهادی تاثیر زیادی در تخمین نمی گذارد.

Keywords:

فیلتر , سنسور , ذرات تصادفی , ردیابی چند هدفه , فیلتر دومرحله ای کالمن , بایاس