Geri Dön

Kalman filtresi ve olasılıksal veri ilişkilendirme yöntemlerini kullanan çoklu hedef izleme algoritmaları

Multi-target tracking algorithms employing both kalman filtering and probabilistic data association

  1. Tez No: 101363
  2. Yazar: ADNAN LANA
  3. Danışmanlar: PROF.DR. İ. CEM GÖKNAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2001
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

KALMAN FİLTRESİ VE OLASILIKSAL VERİ İLİŞKİLENDİRME YÖNTEMLERİNİ KULLANAN ÇOKLU HEDEF İZLEME ALGORİTMALARI ÖZET Çoklu hedef izleme gözetleme radar sistemlerinin vazgeçilmez bir parçasıdır. Hem askeri hem de sivil uygulamalarda gün geçtikçe daha da önem kazanan bir araştırma konusu haline gelmektedir. Teknolojik gelişmeler ile birlikte artan işlemci hızları hedef izleme algoritmalarının gerçek zamanda koşturulmasını sağlamıştır. Hedef izleme, gürültülü algılayıcı ölçümlerini kullanarak gözetleme bölgesi içerisindeki hedef (uçak, gemi, vb...) dinamiklerinin (konum, hız, ivme) doğru olarak kestirilmesi işlemi olarak tanımlanabilir. Hedef izlemede en yaygın kullanılan kestirici türü Kalman Filtresidir (KF). Tercih edilmesinin başlıca nedeni yeni durum kestirimleri için sadece bir önceki durum kestirimi ile yeni ölçüm değerini kullanmasıdır. KF ölçüm değerlerini hızlı işlemesinin yam sıra filtre içinde kullanılan hedef dinamik modeli ile gerçek hedef hareketi uyum içinde olduğu sürece, durum kestirimi ile gerçek hedef dinamikleri arasındaki hatanın karesinin mutlak değerini minimum yapar. Hedef manevra yapmaya başlayınca filtre modeli ile sistem modeli arasında bir uyumsuzluk belirecektir. Filtre ve sistem modeli arasındaki fark ne kadar büyük olursa izleme algoritmasının performansı da o derece düşecektir. Bu uyumsuzluğu gidermek için çeşitli yaklaşımlar önerilmiştir. Manevra dedektörü kullanmak ve filtre parametrelerini manevra miktarı ile uyumlu hale getirmek önceleri sunulan bir çözümdür. Fakat hızlı manevraların tespit edilmesine kadar olan gecikme, bazı durumlarda hedef izlerinin kaçırılması ile sonuçlanabilmektedir. Diğer yaklaşım ise birden çok filtrenin bir arada kullanımıdır. Bazdan, kullanılan filtreler içinde hedef hareketine en uygun modele sahip olam kullanmayı önermiştir. Ama son dönemde manevra yapan hedefleri izlemek için revaçta olan etkili ve hızlı bir yaklaşım, Etkileşimli Çoklu Model (IMM) yöntemidir. Burada kullanılan her bir filtre modeli için, kestirim değerinin gerçek hedef hareketi ile uyuştuğu oranda bir filtre olasılık değeri hesap edilir. IMM algoritmasının koşturulduğu her tarama anında filtre olasılıkları otomatik olarak güncellenir. Filtre olasılık değerleri ve kestirimleri kullanılarak bileşke kestirime ulaşılır. Gözetleme bölgesinde kargaşa ve birden çok hedef bulunduğu durumlarda izleme filtrelerini kullanıp hedef dinamiklerini güncellemeden önce radardan gelen yeni gözlemlerin hangi izlerden kaynaklandığına ya da yeni iz başlangıcı olup olmadığına karar vermek gereklidir. îzler ve gözlemler arasındaki bu ilişkilerin kurulması veri ilişkilendirme olarak bilinir. Veri ilişkilendirme sonucunda satır ve sütunları sırasıyla gözlemleri ve izleri temsil eden bir matris oluşturulur. Eğer bir gözlemin bir izden kaynaklanabileceği düşünülüyorsa, iz-gözlem matrisindeki bu izle ilişkili matris elemanı 1 yapıla-. Aksi taktirde matris elemanları 0 değerini alır. Veri ilişkilendirme ve izleme başlatma özellikle kargaşanın çok yoğun olduğu ve birbirine yakın seyreden manevralı hedefler durumunda çok önemlidir. Bu amaçla ıxgenellikle olasılıksal veri ilişkilendirme yöntemleri kullanılır. Tek hedef ve çok hedef durumları için önerilen PDA ve JPDA sırasıyla Olasılıksal Veri îlişkilendirme ve Ortak Olasılıksal Veri İlişkilendirme yöntemleridir. JPDA algoritması hedef tespit olasılığının 1 ya da 1' e çok yakın olduğu durumlarda çok iyi sonuçlar vermektedir. Günümüzde mevcut radar gözetleme sistemlerinde en sık karşılaşılan En Yalan Komşuluk (NN) yöntemidir. Burada izler, son hedef tahminine en yalan olan gözlem kullanılarak güncellenir. İz ile ilişkilendirilen diğer gözlemler yanlış gözlem olarak kabul edilir. Çoklu Varsayım İzleme (MHT) teorik olarak en doğru sonuç veren ve işlemsel açıdan gerçek zamanda gerçeklenmesi en zor veri ilişkilendirme yöntemidir. Veri ilişkilendirme için genellikle son gözleme ait ölçümler kullanılmasına karşın, geçmişe ait ölçümleri kullanmak da mümkündür. Bu durumda daha doğru ilişkiler ve dolayısıyla doğru kestirimler elde edilirken karar vermek için gereken süre uzamakta ve gereken işlem sayısı artmaktadır. Karar süresinin uzaması algoritmanın gerçek zamanda uygulanabilirliğini engellemektedir. Tez içerisinde yapılan analizler ile, çoklu hedef izleme problemi için sunulan çözüm önerilerinin karşılaştırılması amaçlanmıştır. Öncelikle çoklu hedef izleme probleminin tamım yapılmış ve nedenleri üzerinde durulmuştur. Hedef durum kestirimlerini güncellemek için filtreleme uygulanmıştır. Bu amaçla Kalman filtresi tercih edilmiştir. Kalman filtresi kullandığı dinamik modelden farklı davranışlar gösteren hedefleri izlemekte yeterince başarılı olamadığı görülmüştür. Hedefleri bu manevraları süresince de doğru izleyebilmek için Uyumlu Kalman Filtresi ve Etkileşimli Çoklu Model yöntemleri önerilmiştir. Ayrıca gözetleme bölgesinde birden çok hedef ve yoğun kargaşa bulunduğu durumlarda iz gözlem ilişkilerinin doğru kurulmasına dair çözüm önerileri incelenmiştir. Son olarak gerçek zamanda koşturulabilecek bir çoklu hedef izleme algoritması olarak Etkileşimli Çoklu Model filtresini kullanan Ortak Olasılıksal Veri İlişkilendirme (TMMJPDA) yöntemi benimsenmiştir.

Özet (Çeviri)

MULTI-TARGET TRACKING ALGORITHMS EMPLOYING BOTH KALMAN FILTERING AND PROBABILISTIC DATA ASSOCIATION SUMMARY Multi-Target Tracking (MTT) is an essential requirement of surveillance systems employing one or more sensors to evaluate an environment that includes both true targets and false alarms. The case of employing multi-sensor is out of the scope of this thesis, since it requires so much study on data fusion which can probably be another graduate-level research area. The increasing sophistication of surveillance systems has generated a big interest in the research area of multi-target tracking. The objective of multi-target tracking is to partition the sensor data into sets of observations (tracks) produced by the same source. Both civilian and military applications of target tracking are numerous ranging from air trafic control (ATC) systems, image processing, targetting and control of weapons to air and ocean surveillance systems. Once tracks are formed and confirmed, their state estimations (dynamics) can be updated using noisy sensor measurements at each scan of radar system. The increasing processor speed has enabled the MTT algorithms to be run in real-time. False alarm means that either a true target is missed or a radar detection does not belong to a true target. There can be lots of clutter sources such as sea, small islands, the climate and birds in the observed area. To obtain better measurement results and to leave no unobserved place within the area of interest, the use of more than one sensor is sometime beneficial and required as well. In this case sensor fusion has to be employed with different sensor measurements. The most common filtering method in target tracking is Kalman filter (KF) which has time variable tracking coefficients, since it is computationally efficient and requires only the last estimate of target states and new radar observations in order to update the state estimates. In addition to fast processing of observations, It also gives the optimum state estimate as long as the filter dynamic model covers the true target motion. It recursively tries to minimize the mean squared error. Any behaviour of the target motion that is unpredictable by the algorithm is considered as a maneuver. A maneuver causes a mismatch between actual target motion and the filter motion model, which leads to bad estimation. The higher the level of mismatches, the worse the performance of the tracking filter. To overcome these mismatches some approaches have been suggested such as adaptive Kalman filtering and multiple model methods. A maneuver detector is required to adaptively modify the filter parameters when performance degrades. On the other hand it causes a time lag between the initiation and the detection of acceleration. The Interacting Multiple Model (IMM) method, another approach to deal with maneuvering targets, is considered to be one of the most effective and computational efficient among the XImultiple model approaches. This method updates a model probability for each filter, which are used to calculate the resulting estimate of IMM. In multiple target tracking applications a data association scheme has to be employed to extract the information from the specific target of interest and clutter measurements. This information implies which ones of new set of radar observations are originated from current targets. As a result of data association, a matrix is built up to show the relations between existing tracks and new observations. Data association is the most important part of a multi-target tracker, especially in case there exists many closely spaced maneuvering targets and an environment of dense clutter. The most common multi-target tracking algorithm seen in practical radar systems combines Kalman filtering and Nearest Neighbor (NN) corelation. It has poor performance in the presence of false alarms and closely spaced targets: on the other hand it has moderate computational requirements. To ensure track continuity under critical contidional mentioned above, more advanced tracking algorithms for both filtering and associaiton are required. They are Multiple Hypothesis Tracking (MHT) and Interacting Multiple Model Joint Probabilistic Data Association (IMMJPDA) which were previously considered to be unaffordable because of their computational requirements. IMMJPDA which is strongly dependent on the probability of detection, has intermediate performance compared to MHT. It seems that IMMJPDA can be a reasonable solution to the problem of interest to run real time applications, in case it is coded with a fast programming language just like C. On the other hand MHT is known as the best approach to multi-target tracking, yet it requires considerable amount of computation and memory which is basicly because of the depth of backscan (using the previous observations). A practical MHT implementation can be obtained by limiting the depth of multi scan correlation and several other techniques. Analizing and applying different solutions of multi-target tracking problem to some study cases is aimed in this thesis. First of all the problem of multi-target tracking is defined and then its reasons are studied. Following that, filtering and association (correlation) procedures are successively given in details. Consequently the results of this study are submitted to encourage future works in this subject. xu

Benzer Tezler

  1. Tez No

    350523

    3D simultaneous localization and mapping methods in outdoor and large-scale environments for autonomous robot navigation

    Otonom robot navigasyonu için dış ve geniş-ölçekli ortamlarda 3D eş zamanlı konumlama ve haritalama yöntemleri

    CİHAN ULAŞ

    Doktora

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  2. Tez No

    467958

    Uygulama problemlerinde hedef takibi

    Target tracking with implementation problems

    AYKUT GÖRKEM GELEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Ana Bilim Dalı

    DOÇ. DR. AYTEN ATASOY

  3. Tez No

    832098

    Hareketli hedefleri takip etmek için yer konuşlu platformlarda kullanılan izleme algoritmalarının karşılaştırmalı analizi

    A comparative analysis of tracking algorithms used on the ground based platform to monitor moving targets

    KÜBRA PAPUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Savunma Teknolojileri ve Sistemleri Ana Bilim Dalı

    PROF. DR. ÖMER FARUK ELALDI

    DR. ÖĞR. ÜYESİ NEBİ GÜL

  4. Tez No

    170018

    Çoklu hedef takibinde adaptif yaklaşımlarla iz yönetimi

    Track management with adaptive approaches in target tracking

    GÖKHAN SOYSAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Elektrik ve Elektronik MühendisliğiAnkara Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    Y.DOÇ.DR. MURAT EFE

  5. Tez No

    650277

    Active slam with informative path planning for heterogeneous robot teams

    Heterojen robot takımları için bilgilendirici yol planlamalı aktif EZKH

    MEHMET CANER AKAY

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

Geri Dön