اخبار و اعلانات
آمار
| تعداد نشریات | 35 |
| تعداد شماره‌ها | 1,285 |
| تعداد مقالات | 9,288 |
| تعداد مشاهده مقاله | 8,611,080 |
| تعداد دریافت فایل اصل مقاله | 5,278,255 |
بهبود الگوریتم تخصیص دادة احتمالی توام برای ردیابی هدف چندگانه در حضور کلاتر با کمک یادگیری تقلیدی | ||
| رادار | ||
| مقاله 12، دوره 10، شماره 2 - شماره پیاپی 28، دی 1401، صفحه 123-135 اصل مقاله (1.52 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمدمهدی امیرلو جماعت1؛ سید محمد مهدی دهقان بنادکی* 2؛ رضا فاطمی مفرد2 | ||
| 1کارشناسی ارشد، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| 2دانشیار، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| تاریخ دریافت: 28 مهر 1401، تاریخ بازنگری: 17 آذر 1401، تاریخ پذیرش: 11 دی 1401 | ||
| چکیده | ||
| ورودی یک سیستم ردیابی چندهدفه، داده‌های آشکارسازی شده توسط حسگر هستند که شامل مشاهدات صحیح مربوط به اهداف و همچنین کلاتر موجود در فضای ردیابی است. در این شرایط، یافتن مشاهدة مناسب برای هر رد ، نیازمند الگوریتم مناسبی برای تخصیص داده‌های حسگر است. وجود اهداف متعدد همراه با افزایش مشاهدات نویزی، حجم محاسبات الگوریتم تخصیص را افزایش داده و صحت ردیابی را کاهش می‌دهد. الگوریتم تخصیص داده احتمالی توأم (JPDA ) روشی کارآمد برای تخصیص هم‌زمان چندین مشاهده به اهداف متعدد با تولید همة فرضیه‌های ممکن است. در حالت کلی، فرضیه به معنای تخصیص حداکثر یک مشاهده به هر رد است، به‌گونه‌ای که هیچ‌کدام از مشاهدات داخل فرضیه بیش از یکبار به یک رد اختصاص داده نشده باشند. باوجود عملکرد مطلوب الگوریتم JPDA، افزایش مشاهدات نویزی و تداخل ردها سبب افزایش تولید فرضیه‌های تخصیص، کاهش صحت، کندشدن و حتی توقف فرایند ردیابی می‌شود. الگوریتم پیشنهادی در این مقاله با بهره‌گیری از الگوریتم یادگیری تقلیدی و فرایند آموزش زمان - حقیقی و حذف مرحلة تولید فرضیه در زمانی که احتمال وجود انفجار ابعاد در الگوریتم JPDA وجود دارد، ضمن حفظ تقریبی صحت ردیابی حالات هر هدف، فرایند تخصیص را با سرعت بالایی در حضور مشاهدات نویزی و کلاتر انجام می‌دهد. در این الگوریتم، یادگیری تقلیدی برای تخصیص مشاهدات حسگر استفاده شده و نیاز به تولید فرضیه را به‌طورکلی مرتفع می‌نماید. نتایج شبیه‌سازی در ردیابی چند هدف نشان‌دهندة آن است که الگوریتم پیشنهادی ضمن حفظ تقریبی صحت ردیابی در مقایسه با JPDA، از حجم محاسبات کمتری نسبت به این الگوریتم برخوردار است و در شرایطی که JPDA به دلیل همپوشانی مشاهدات اهداف یا تعداد کلاترها با مشکل انفجار ابعاد محاسباتی روبه‌رو شود، روش پیشنهادی تحت عنوان RtIL-JPDA ، با بهره‌گیری از دانش مدل یادگیری تقلیدی عملکرد مناسبی از خود نشان داده و از انفجار ابعاد محاسباتی جلوگیری می‌نماید. | ||
| کلیدواژه‌ها | ||
| ردیابی چندهدفه؛ کلاتر؛ تخصیص دادة حسگر؛ یادگیری تقلیدی | ||
| عنوان مقاله [English] | ||
| Improved Joint Probabilistic Data Association for multiple target tracking in clutter based on Imitation learning | ||
| نویسندگان [English] | ||
| mohamadmahdi amirloo1؛ Seyyed M. Mehdi Dehghan2؛ Reza Fatemi Mofrad2 | ||
| 1Master's degree, Malek Ashtar University of Technology, Tehran, Iran | ||
| 2Associate Professor, Malek Ashtar University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| The input of a multi-target tracking system is the data detected by the sensor, which includes observations of the correct target and clutter fromthe tracking space. In order to find the appropriate observation for each track, it is necessary to associate the sensor data. The presence of multiple targets along with the increase of noisy observations increases the order of the calculations and reduces the tracking accuracy. The Joint Probabilistic Data Association Algorithm (JPDA) is an effective algorithm for solving the problem of simultaneously associating multiple observations to multiple targets by generating all possible hypotheses. In general, hypothesis means assigning a maximum of one observation to each track in such a way that none of the observations inside the hypothesis are assigned to track more than once. Despite the optimal performance of the JPDA algorithm, the increase in noisy observations and the intersectionof the tracks generatestoo manyassignment hypotheses, decrease in accuracy, and slow down and even stop the tracking process. The algorithm proposed in this article by using the imitation learning algorithm with the real-time training process and removing the hypothesis generation step when there is a possibility of explosion of dimensions in the JPDA algorithm, alongmaintaining the approximate accuracy of estimating the states of each target, increase the speed of the assignment in the presence of noise and clutter observations. In this algorithm, the Imitation learning model has been mediated in order to extract the required information from the sensor observations and has eliminated the need for hypothesis generation in general. The simulation results show that the proposed algorithm, while maintaining the tracking accuracy in comparison to JPDA, has a lower calculation than the JPDA algorithm. In the situation in whichthe JPDA faces the problem of computational dimension explosion due to the overlap of target observations or the number of clutters, the proposed approachusing the learned model shows a suitable performance and prevent the dimension explosion. | ||
| کلیدواژه‌ها [English] | ||
| Multiple target tracking, clutter, Data Association, JPDA, Imitation learning | ||
| مراجع | ||
[2] Y. Bar-Shalom, W. D. Blair, “Multitargte-Multisensor Tracking Application and Advances Volume III”, Artech House, 2000. [3] ChengzhiQu , Yan Zhang * , Xin Zhang and Yang Yang Reinforcement Learning-Based Data Association for Multiple Target Tracking in Clutter Received: 23 September 2020; Accepted: 17 November 2020; Published: 18 November 2020 [4] Turkmen, I.; Guney, K. Cheap Joint Probabilistic Data Association with Adaptive Neuro-Fuzzy Inference System State Filter for Tracking Multiple Targets in Cluttered Environment. AEU Int. J. Electron. Commun. 2004, 58, 349–357. [5] Song, T.L.; Lee, D.G. A probabilistic nearest neighbor filter algorithm form validated measurements. IEEE Trans. Signal Process. 2006, 54, 2797–2802. [6] Wang, J.; Su, X.; Zhao, L.; Zhang, J. Deep Reinforcement Learning for Data Association in Cell Tracking.Front. Bioeng. Biotechnol. 2020, 8, 298.1 [7] Gruyer, D.; Demmel, S.; Magnier, V.; Belaroussi, R. Multi Hypotheses Tracking using the Dempster-Shafer Theory. pplication to ambiguous road context. Inf. Fusion 2016, 29, 40–56 [8] S. Chen and Y. Xu, “A new Joint Possibility Data Association Algorithm Avoiding Track Coalescence”International Journal ofIntelligent Systems and Applications, Vol. 3,No. 2, pp. 45-51, 2011. [9] B. Hebtemariam, R. Tharmarasa, T.Thayaparan, M. Mallick, and T. Kirubarajan, “A Multiple-Detection Joint Probabilistic Data Association Filter” IEEE Journal of Selected Topics in Signal Processing,Vol. 7,No.3, pp. 461-471, June 2013. [10] E. M. Saad, EL. Bardawiny, H. I. ALI and N. M. Shawky, “Filtered Gate Structure Applied to Joint Probabilistic Data Association for Multi-Target Tracking in Dense Clutter Environment ” IJCSI InternationalJournal of Computer Science Issues, Vol. 8, Issue 2, March 2011. [11] Sinha, A.; Ding, Z.; Kirubarajan, T.; Farooq, M. Track Quality Based Multitarget Tracking Approach forGlobal Nearest-eighbor Association. IEEE Trans. Aerosp. Electron. Syst. 2012, 8, 179–1191. [12] He, S.; Shin, H.S.; Tsourdos, A. Multi-sensor multi-target tracking using domain knowledge and clustering.IEEE Sens. J. 2018, 18, 8074–8084. [13] Liangqun, L.;Weixin, X. Intuitionistic fuzzy joint probabilistic data association filter and its application tomultitarget tracking. Signal Process. 2014, 96, 433–444. [14] Sathyan, T.; Chin, T.J.; Arulampalam, S.; Suter, D. A multiple hypothesis tracker for multitarget tracking with multiple simultaneous measurements. IEEE J. Sel. Top. Signal Process. 2013, 7, 448–460. [15] Gnane, S.S.; Pathipati, S. Soft and evolutionary computation based data association approaches for tracking multiple targets in the presence of ECM. Expert Syst. Appl. 2017, 77, 83–104. [16] Li Zhang; Yuan Li; RamakantNevatiamultiple.Global data association for multi-object tracking using network flows2008 IEEE Conference on Computer Vision and Pattern Recognition [17] Songhwai Oh; Stuart Russell; Shankar Sastry. GlobMarkov Chain Monte Carlo Data Association for Multi-Target TrackingIEEE Transactions on Automatic Control ( Volume: 54, Issue: 3, March 2009) [18] R. Karlsson; F. Gustafsson;Monte Carlo data association for multiple target trackingIEEE Target Tracking: Algorithms and Applications (Ref. No. 2001/174) [19] Zheng Wu; AshwinThangali; Stan Sclaroff; MargritBetke;Coupling detection and data association for multiple object tracking. 2012 IEEE Conference on Computer Vision and Pattern RecognitionIEEE Target Tracking: Algorithms and Applications (Ref. No. 2001/174) [20] D. Sengupta; R.A. Iltis;Neural solution to the multitarget tracking data association problem IEEE Transactions on Aerospace and Electronic Systems ( Volume: 25, Issue: 1, January 1989)
| ||
|
آمار تعداد مشاهده مقاله: 85 تعداد دریافت فایل اصل مقاله: 1 |
||