اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,244 |
| تعداد مقالات | 9,010 |
| تعداد مشاهده مقاله | 7,871,165 |
| تعداد دریافت فایل اصل مقاله | 4,721,064 |
بهبود الگوریتم تخصیص داده‌ی 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 | ||
| 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 آشکارسازی‌شده توسط حسگر می‌باشند که شامل مشاهدات صحیح مربوط به اهداف وهمچنین کلاتر موجود در فضای ردیابی است. در این شرایط، یافتن مشاهده‌ی مناسب برای هر رد ، نیازمند الگوریتم مناسبی برای تخصیص داده‌های حسگر می‌باشد. 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 همه‌ی فرضیه‌های ممکن است. در حالت کلی، فرضیه به معنای تخصیص حداکثر یک مشاهده به هر رد است، به‌گونه‌ای که هیچ کدام از مشاهدات داخل فرضیه بیش از یکبار به یک رد اختصاص داده نشده باشند. با وجود عملکرد مطلوب الگوریتم JPDA، افزایش مشاهدات نویزی و تداخل ردها سبب افزایش تولید فرضیه‌های تخصیص، کاهش صحت، کند شدن و حتی توقف فرآیند ردیابی می‌شود. الگوریتم پیشنهادی در این مقاله با بهره‌گیری از الگوریتم یادگیری تقلیدی و فرآیند آموزش زمان-حقیقی و حذف مرحله‌ی تولید فرضیه در زمانی که احتمال وجود انفجار ابعاد در الگوریتم JPDA وجود دارد، ضمن حفظ تقریبی صحت ردیابی حالات هر هدف، فرآیند تخصیص را با سرعت بالایی درحضور مشاهدات نویزی و کلاتر انجام می‌دهد. در این الگوریتم، یادگیری تقلیدی برای تخصیص مشاهدات حسگر استفاده شده و نیاز به تولید فرضیه را به طور کلی مرتفع می‌نماید .نتایج شبیه‌سازی در ردیابی چند هدف نشان‌دهنده‌ی 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 چند هدفه؛ کلاتر؛ تخصیص داده‌ی 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, Malik Ashtar University of Technology, Tehran, Iran | ||
| 2Associate Professor, Malek Ashtar University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| in multi-target tracking system 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 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 intersection of the tracks generates too many assignment 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, along maintaining 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 which the JPDA faces the problem of computational dimension explosion due to the overlap of target observations or the number of clutters, the proposed approach using the learned model shows a suitable performance and prevent the dimension explosion. | ||
| کلیدواژه‌ها [English] | ||
| Multiple target tracking, clutter, Data Association, JPDA, Imitation learning | ||
| مراجع | ||
|
[1] Blackman, S.S. and R. Popoli, Design and analysis of modern tracking systems. 1999: Artech House Publishers.
[2] Y. Bar-Shalom, W.D.B., Multitargte-Multisensor Tracking Application and Advances. Artech House, 2000. III.
[3] C. Qu, Y. Zhang, X. Zhang, and Y. Yang, “Reinforcement Learning-Based Data Association for Multiple Target Tracking in Clutter,” Sensors, vol. 20, no. 22, p. 6595, Nov. 2020, doi: 10.3390/s20226595.
[4] Turkmen, I. and K. Guney, Cheap Joint Probabilistic Data Association with Adaptive Neuro-Fuzzy Inference System State Filter for Tracking Multiple Targets in Cluttered Environment. AEU - International Journal of Electronics and Communications, 2004. 58(5): p. 349-357.
[5] Song, T.L. and D. Lee, A probabilistic nearest neighbor filter algorithm for m validated measurements. Signal Processing, IEEE Transactions on, 2006. 54: p. 2797-2802.
[6] Wang, J., et al., Deep Reinforcement Learning for Data Association in Cell Tracking. Frontiers in Bioengineering and Biotechnology, 2020. 8. [7] Gruyer, D., et al., Multi-Hypotheses Tracking using the Dempster-Shafer Theory Application to ambiguous road context. Information Fusion, 2015. 29.
[8] Chen, S.-l. and Y.-b. Xu, A new joint possibility data association algorithm avoiding track coalescence. International Journal of Intelligent Systems and Applications, 2011. 3(2): p. 45-51. [9] Habtemariam, B., et al., A multiple-detection joint probabilistic data association filter. IEEE Journal of Selected Topics in Signal Processing, 2013. 7(3): p. 461-471.
[10] Saad, E., et al., Filtered Gate Structure Applied to Joint Probabilistic Data Association Algorithm for Multi-Target Tracking in Dense Clutter Environment. International Journal of Computer Science Issues (IJCSI), 2011. 8(2): p. 161.
[11] Sinha, A., et al., Track quality based multitarget tracking approach for global nearest-neighbor association. IEEE Transactions on Aerospace and Electronic Systems, 2012. 48(2): p. 1179-1191.
[12] He, S., H.-S. Shin, and A. Tsourdos, Multi-sensor multi-target tracking using domain knowledge and clustering. IEEE Sensors Journal, 2018. 18(19): p. 8074-8084.
[13] Liang-Qun, L. and X. Wei-Xin, Intuitionistic fuzzy joint probabilistic data association filter and its application to multitarget tracking. Signal Processing, 2014. 96: p. 433-444
[14] Sathyan, T., et al., A multiple hypothesis tracker for multitarget tracking with multiple simultaneous measurements. IEEE Journal of Selected Topics in Signal Processing, 2013. 7(3): p. 448-460.
[15] Satapathi, G.S. and P. Srihari, Soft and evolutionary computation based data association approaches for tracking multiple targets in the presence of ECM. Expert Systems with Applications, 2017. 77: p. 83-104.
[16] Zhang, L., Y. Li, and R. Nevatia. Global data association for multi-object tracking using network flows. in 2008 IEEE conference on computer vision and pattern recognition. 2008. IEEE. [17] Oh, S., S. Russell, and S. Sastry, Markov chain Monte Carlo data association for multi-target tracking. IEEE Transactions on Automatic Control, 2009. 54(3): p. 481-497. [18] Karlsson, R. and F. Gustafsson. Monte Carlo data association for multiple target tracking. in IEE Target Tracking: Algorithms and Applications (Ref. No. 2001/174). 2001. IET. [19] Wu, Z., et al., Coupling detection and data association for multiple object tracking. 2012. 1948-1955. | ||
|
آمار تعداد مشاهده مقاله: 45 |
||