logo资料库

（多目标假设跟踪）MHt.doc

发布时间：2022-06-13 发布人：admin 分类：说明书 资料大小：1.52M 资料格式：doc 举报 版权申诉
第1页 / 共17页
第2页 / 共17页
第3页 / 共17页
第4页 / 共17页
第5页 / 共17页
第6页 / 共17页
第7页 / 共17页
第8页 / 共17页
资料共17页，剩余部分请下载后查看
    1.1 MHT算法的介绍
    1.2关键术语及技术介绍
    1.3MHT算法的基本流程
    1.4面向航迹的MHT算法
    1.5 MHT的简化算法
    2.1对分散多传感器平台系统MHT算法的研究
    2.2三种结构的优缺点对比：
    2.3三种结构及其特点：
    1 MHT 算法及其在多传感器跟踪方面的问题 1.1 MHT 算法的介绍 多假设跟踪算法（MHT）是一种在数据关联发生冲突时，形成多种假设以 延迟做决定的逻辑。与 PDA 合并多种假设的做法不同，MHT 算法把多个假设继 续传递，让后续的观测数据解决这种不确定性。举个例子，PDA 对所有假设以 对应的概率进行加权平均，然后再对航迹进行更新。因此，如果有 10 个假设， PDA 会将这 10 个假设有效的合并只留下一个假设。而另一方面，MHT 却是保 持这 10 个假设的子集并延迟决定，这样可以利用之后的观测数据解决当前扫描 帧的不确定性问题。 1.2 关键术语及技术介绍 由于数据关联要保留所有可能的 hypothesis,所以 MHT 的计算量会大大增加 （如潜在的 tracks 和 hypothesis 数目），为了保证计算量的可行性，我们使用一 些技术来保证 MHT 算法实现的合理性。如聚类 clustering, hypothesis 和 track 的剪枝（N-scan pruning），以及轨迹的合并(track merging)等。 这里先结合图 1 对 MHT 中的一些关键术语及技术进行介绍。 1）Track：在图 1 中圆圈表示一个观测点，圆圈内序号就表示该观测关联上的 track 号，当序号改变时就说明新起始了一条 track。 2）Hypothesis：hypothesis 是指一些兼容的 tracks 的集合；而兼容 tracks 定义互 相没有共享观测点的 tracks 集合。这里一个分支就是一个 hypothesis。 3）Target：图 1 中由于 F1 中的 tracks 至少共有一个节点（根节点），所以这些 tracks 都不兼容，所以最多代表一个目标 target，即 F1 为一个 target。 4）Cluster：所有共享观测的 hypothesis 的集合 5）N-scan 剪枝：在当前帧（scan=K）找出每个 target 中可能性最大的 hypothesis （即probability 最大的分支）。在图 1 中，假设 track2 是可能性最大的 hypothesis。 然后我们就从 scan=K 的 track2 开始回溯进行 N-scan 剪枝（这里取 N=2）以建 立 新的根节点（New Root Node）。对于那些没有包含 New Root Node 节点的 分枝进行剪枝，如图中所示，以合理的减少下一次数据关联时的计算量。 6）score 函数：为了对形成的 track 进行初步的评价，删除不稳定的 track 以减少 运算量，我们引入 track score 函数对 track 的质量进行评价。 LR= 1 p H )p(D | H ) （ 0 1 p H )p(D | H ) （ 0 0 0  p p T F 其中 Tp ， Fp 分别代表目标发现和虚警概率 在此基础上，我们可以给出一个航迹分数递归的计算公式： L(k) L(k 1)    L(k) 
    2  L(k) Ln(1 P ) D  当帧 k 没有航迹更新时   L(k)   L (k) U 当帧 k 有航迹更新时 增量 UL (k)  的具体表达式可参见参考[2] 7）probability 函数： 将 score 分数转化成 track 或是 target 的 probability，以进行必要的 pruning 剪 枝。 P ( t r a c k ) i  1 e x p ( s c o r e ) i J e x p ( s c o r e ) j   i  1 图 1 1.3MHT 算法的基本流程 MHT 的流程可以大体分为两个步骤：数据关联以及航迹维护，流程图见图 2。数据关联是将读入的扇扫数据按照其所处的波门和已有的 Track 进行关联。 要求把所有落在波门内的扇扫数据和相应的 Track 都关联起来，暂时不考虑 Track 的质量。 需要注意，某个数据和其对应得 Track 关联起来，并不等于说该数据就是这 个 Track 中目标的新观测，有可能该数据是虚警，也有可能该数据是一个新目标 的起始，这些问题的最终确定需要等到航迹维护时进行。这反映了 MHT 的基本
    3 思想：把困难的数据关联操作推后，等到获取更多的观测数据后再进行。 如果扇扫数据没有落在任何一个波门内，则该数据直接产生一个新的 Track。 另一方面，如果在 Track 的波门内没有观测数据，则利用预测技术将 Track 外推， 并形成新的波门。 航迹维护的作用是把数据关联步骤中形成的粗略关联细化，消除其中的冗余 和不确定性，形成质量良好的航迹。如同上图中虚框所示，航迹维护包括几个顺 序执行的部分。 1） 首先对每一个 Track 计算 Track Score，Track Score 是局部特征，仅依赖 于该 Track 上的观测点。然后把 Track Score 比较低的 Track 删除。 2） 其次把有共同节点（观测）的 Track 合并成一个 Cluster，这一步通常递 推完成，即考察前一次扫描得到的 Cluster，把其中有共同观测点的 Cluster 合并 为一个新的更大的 Cluster。 3） 随后在每一个 Cluster 内形成若干个假设，每一个假设包含相容（没有共 同观测点）的若干条 Track。形成假设的时候可以保留所有可能的假设，也可以 保留概率比较高的若干个假设。 4） 假设形成之后，计算每一个假设的概率，把概率比较低的假设删除。这 一步可以和上一步合在一起，利用较短的时间，产生出概率较高的假设。 5） 计算每一条 Track 的概率（该 Track 所属的各个假设概率之和），把概率 比较低的假设删除。 这一步要进行 N 次扫描回溯，考虑当前 track 中最有可能的一个，找到 N 个周期前这个 track 上的观测，保留以这个观测为 root node 的整棵树，而删除掉 原树上的其他分支。 6） 将剩下的 Track 进行滤波和预测，得到新的预测点和波门。 7） 将每一个 Target 所对应的各条 Track 按照其概率做加权平均 图 2
    4 在 实 际 中 MHT 有 两 种 实 现 ： 一 个 是 最 早 由 Reid 提 出 的 面 向 假 设 （hypothesis-oriented）的 MHT 算法,其特点是连续的保持每帧的假设结构，并在 新的观测数据到来时对假设进行扩充或删除。另一种是面向航迹（track-oriented） 的 MHT 算法，它并不连续保存假设，而是在每帧中对形成的航迹进行更新，并 且对生存下来的航迹预测下一帧的位置，如此反复进行。 使用第二种面向航迹的 MHT 算法，在形成假设前进行航迹的初始化，更新 和使用分数函数对其进行质量评价。这样，可能性小的航迹就在下一个阶段形成 假设前被删除。由于结构化分支理论的成功，面向航迹的 MHT 算法同比面向假 设的 MHT 算法在实际中更为可行，详见参考文件[1]的第 16 章。所以下面我们 主要介绍下面向航迹的 MHT 算法的优点及其实现。 1.4 面向航迹的 MHT 算法 如图 3 所示，下面将详细介绍各个过程。 1 波门的产生： 图 3 在处理中将存在的目标和最新的观测关联的区域叫做波门。每个航迹都会有 一个自己的预测波门，并且处理落在这个波门内的观测数据。决定波门的矩阵由 下面的式子给出。 S H P H k k k  T k   (k)R T  2 k (k) 2 其中， kP 是预测方差矩阵， kR 是观测方差矩阵， kH 是观测矩阵， 2(k)  是 干扰矩阵。
    5 观测向量必须满足下面的式子： (Z k, j  Z( )) S (Z   1 1  k  Z( )) d   k, j 其中 d 是参数，Z( ) 是波门中心，它的大小可根据目标的状态变量由下面的 等式确定。 2 航迹和类的产生 产生的航迹包括已经存在的目标和新起始的目标。如果在时间帧 k-1t 如果 存在 n 个目标即目标 1T ， 2T …. nT ,当在观测帧 kt 观测向量 k,1Z ， k,2Z …… k,mZ 落 入到 1T 波门中时，就产生了下面的事件。 {T ,z }(z k,1 1 k,1 T是目标 的观测） 1 {T ,z }(z k,2 1 {T ,z }(z k,3 1 T是目标 的观测） 1 k,2 T是目标 的观测）…………………. 1 k,3 3 航迹的更新和合并： 对于那些经过剪枝的航迹去除了可能性小的航迹后，就对其进行状态向量和 方差的估计，之后我们才能进行航迹的合并。 合并的逻辑就是决定那些航迹是同一个目标的多余表示。合并的原则是对拥 有相同历史观测和相似状态向量的航迹进行合并。一旦两个航迹被认为相似，可 能性高的航迹就被保留而把可能性小的航迹删除。因此，一个单一的航迹就代表 了原来代表相同目标的两条相似航迹。我们就要对保留的航迹分数进行增加以补 偿删除的航迹的影响。合并是最后执行的逻辑用以减少存在的航迹数目。对通过 删除和合并的航迹向前推广到下一帧的观测数据，如此不断进行。 4 MHT 数据的显示： 由于在 MHT 算法内部经常频繁的对航迹进行合并和删除，所以给用户的系 统显示可能很难用 MHT 的直接输出表示，为了给用户提供较为连续和稳定的航 迹输出，我们必须采用一些逻辑来解决这个问题。第一种是使用类的信息而不是 航迹来表示；第二种，我们使用连续的航迹来表示，尽管 MHT 内在的航迹号在 不断变化，但是输出给用户的对于特定的航迹文件始终保持唯一，这个航迹文件 叫做通用航迹文件（universal track）。下面我们主要对方法 2 进行解释。 1） 建立主要航迹和连续性 主要航迹就是那些当前能最佳表示目标数 TN 的航迹。一种寻找最佳航迹的 方法就是从可能性最大的假设中可是寻找，如果这个假设中的航迹数目 HMN 和需 要的主要航迹数目相等，则就将可能性最大的假设中的航迹全部作为主要航迹输 N ，则从可能性最大的假设选出可能性最大的 TN 输出；如果 出；如果 HM N T N
    6 假设中所有的航迹一起作为主要航迹输出。 由于在 MHT 处理的过程中，要不断地进行航迹的分支和合并，这就意味着 最接代表一个特定目标的航迹号可能会变化。但是，由于我们采用的是面向航迹 的 MHT 算法，所以对于一个树形结构，一个给定的 family 内的所有分支只代表 一个特定的目标。所以一旦通用的航迹号形成，相应的 family 号就作为一个通用 的文件保存下来，而且只有这个 family 中的主要航迹(primary track)可以用来更 新这个通用航迹(universal track)。这样就较好的解决了给用户输出的航迹号不连 续的问题。详见参考[1]的 14 章。 2）通用航迹（universal track）文件逻辑 在每一帧数据处理后，最可能确定的航迹就是之前谈到的主要航迹。这些主 要航迹最好的代表了目前目标的数目。下面我们就需要建立一个从本次观测得主 要航迹到上一次观测的通用航迹的连接，这一点可以通过树状结构说明。如果一 个通用航迹连接到一个 family 结构，而这个 family 又在本次观测有主要航迹， 则将这个主要航迹分配给通用航迹。 没有分配出去的主要航迹可以新起始通用航迹，而分配的主要航迹就用来代 替原来通用航迹，所以这种算法不需要任何的航迹间的关联算法。通用的航迹可 以在没有主要航迹对其进行更新下自动进行 3-4 帧的外推，之后如果还没有更新 我们就将这个通用航迹删除，认为这个目标消失。 对于多传感器的航迹跟踪，除了保持主要的航迹外，我们还应该保存更多的 航迹文件。一个典型的多传感器航迹跟踪的方法就是对每一个本地传感器，建立 只用本地观测形成的本地航迹，下面为了完成多个传感器跟踪，所有传感器的航 迹都必须进行关联，这主要通过对比这些航迹过去的观测历史来确定。如果我们 在传感器级别上使用 MHT 算法，我们在进行多传感器融合时就应该考虑所有可 能的本地合理航迹输出。所以除了要传输主要航迹以外，第二航迹也要从传感器 级别传输到中央级别以进行航迹间的关联。 虽然第二航迹不是当前通用航迹中的组成部分，但是第二航迹的子航迹却可 能变成主要航迹。所以，保存第二航迹的目的就是建立中央级别航迹关联历史以 处理未来可能出现的航迹合并。 1.5 MHT 的简化算法 虽然 MHT 是目前在多目标杂波环境下最为有效的一种算法，但在它提出的早 期，其复杂的计算量成为它在实际系统中采用的瓶颈，随着计算机运算能力的大 幅度提高和一些简化计算量的简化技术的采用，MHT 成为现代复杂跟踪系统的 主力，下面我们介绍一些简化 MHT 运算的技术。 1 改进的波门和滤波 在 MHT 中，我们采用两重波门技术，即先采用一个粗略的网格滤波（bining） 滤波，对未落入此网格的观测就不进行下一步的波门匹配，下面再进行常规的波 门匹配，这样可以在常规的波门匹配前排除大部分不匹配的观测点与航迹的配 对，减小计算量。 由于 MHT 算法同比 GNN，PDA 算法会产生更多的航迹，所以提高滤波的效 率就显得尤为重要，我们必须在航迹删除后再进行航迹滤波，而且航迹滤波只对 高概率的航迹使用。这样，我们可以在进行航迹合并或是删除前去掉大多数置信 度不高的航迹。
    7 另外，我们对分数不高（low score）的航迹减小波门的大小，这样，我们可以保 证低于删除门限的航迹分支不会形成而会被立即删除。 2 航迹分支的限制和删除 分数低的航迹（低于给定的门限），航迹形成的概率过低的假设进行删除， 将 track 的 score 转化为 track 的 probability 和 target 的 probability。对于 probability< 门限或是回溯 N-scan 不属于 maxtpNobs 节点的 track 进行删除。 同时测量的 SNR 也可以作为限制航迹数目的制约因素，具体可参看文献[1]的 16 章。 3 并行处理 MHT 算法在实际中可以采用并行处理来提高效率。可能最为简单的 MHT 并行处理就是将场景分割，使用独立的处理器对每个段单独处理。每个段产生自 己独立的通用航迹文件（universal file），用以表示在特定的段中目标的个数。这 些段必须互相间有重叠以保证航迹在各个段间的连续性。因此，我们就需要一种 逻辑来对相邻区域的通用航迹进行航迹关联，接着，一个包含有各个段通用航迹 的主航迹（master track）就成为了整个系统的输出。 采用这种场景分段，我们就可以在每个段中进行独立的 MHT 跟踪。当有一 个目标从一个段移动到另一个段时，会现在这两个段的重叠区域形成临时航迹， 当目标完全从一个段移动到另一个段时，一个确定的航迹就在新的段中形成。详 见参考文献[1-4]。 2.1 对分散多传感器平台系统 MHT 算法的研究 前面已经介绍过多传感器平台 MHT 算法的好处，接着我们主要就实现中出 现的问题加以讨论，并且给出有一些比较合适的解决方法。 在实际中，考虑到之前谈到的输出一致的航迹文件的问题，我们必须保证一个连 续 MHT 通用文件，即在平台 1 上的航迹 1 代表目标 1，平台 2 上的航迹 1 也代 表目标 1，为了达到这一目并同时考虑到计算量的可行性，我们在每个平台上单 独的进行航迹处理，之后将通过航迹剪枝和删除的良好航迹(primary track)传输到 中央级别的处理器上，在此产生通用的航迹文件(universal tracking file)显示给用 户。为了保持 SIAP（single integrated air picture）,在所有平台上的通用航迹 (universal track)都必须连到同一个 family 上。 在实际中，由于传输的错误或是延迟，所有平台上的通用航迹可能不同，所 以必须采用一种逻辑来保证上所有平台上的航迹基本一致。另一个基本原则是平 台必须对自己的观测负责，这一点反映到使用这个平台的观测对航迹的初始，删 除，确定逻辑上来。 为了在不同平台上保持一个连续的通用航迹，对航迹的删除，确定和升级为 通用航迹的最终决定必须由一个传感器平台做出。通常的做法是对负责跟定航迹 起始的平台另外添加一个标记，删除 family 和宣布主要航迹(primary track)都由 这个带有 FR 的平台做出。一旦一个新的航迹或是 family 形成（带有 FR 标示）， 这个新起始航迹的信息就会发布到其他的传感器平台上，这样所有的传感器平台 （包括带有 FR 的平台）都在他们进行 MHT 处理前建立了新的 family。这样， 理想化的角度，所有传感器上的航迹和 family 都一样，但是由于通信延迟和错误 的原因，数据关联的逻辑可能可发生偏差。所以带有 FR 的平台必须传输另外的 附加信息来保证在每一个平台上都有连续一致的通用航迹（universal track）。
    8 虽然所有的观测都要处理，但是只有产生观测本身的平台可以用来起始新航 迹和建立平台自己的 FR 信息。虽然可以用平台 N 上得到观测在平台 M 建立新 航迹，但是只允许平台 N 决定下一帧这个观测是否用来起始新航迹。因此，如 果在平台 N 上用自身的观测新起始了一个航迹并且也通过了航迹删除，这时， 才会有信息传递到别的平台。 最终 family 删除都是由带有 FR 的平台做出的，但是，考虑到计算的可行性 和通信中可能出现的错误，每个平台还是要进行标准的基于概率和 N-scan 回溯 的航迹删除。但是，整个 family 的删除一定要等到带有 FR 的平台发布删除消息 才能进行。一旦发布，所有平台都将删除对应的 family 并且对应的 family 号可 以重新使用。 当带有 FR 标示的平台上的 family 满足一定的准则后，就可以定义主要航迹 (primary track)并且可以在所有的平台上建立一个新的通用航迹(new universal track)。因此带有 FR 的平台先是建立自己的航迹文件，接着向其他平台传输一下 信息： 1）family 号 2）FR 平台上通用航迹号 3）确定所用的时间（confirmation time） 4）主要航迹的状态预测和方差（从 IMM 滤波器中得到）以及主要航迹的最后 N 帧观测数据。 一旦在一个给定的平台 M 上根据平台 N 传输的信息建立了一个通用航迹， 这个航迹就一直维持直到平台 N 发出删除它的信息。现在，我们一般只允许带 有 FR 的平台删除通用航迹。但是，我们还是要对一直没有观测数据对其进行更 新的航迹在没有得到 FR 信息的情况下进行删除以减小系统的计算量。 在多目标的机动系统中，使用多传感器有许多优点。如可以将多个传感器的 信息融合，以得到更广泛的数据覆盖面和目标状态估计和 ID 决策的更准确信息， 这样可以降低错误跟踪的可能性，而且可以降低系统对环境的敏感程度，提高系 统的稳定性。 例如，利用 IRST 的精确角度测量和分辨力可以补偿测速和测距雷达角度测 量和角度分辨力差的缺点。相似的，被动 IRST 雷达也可以用于大规模的搜索以 跟踪一个 laser 雷达用于航迹的确定。跟踪的准确度同样可以通过多种相似雷达 的使用得到提高。 虽然多传感器跟踪理论上十分优越，但是，许多实际问题的存在使得这种 技术比较难以实现。第一个也可能是最基础的一个问题就是跟踪结构的选择问 题。同时，一系列的实际问题也需要解决：如时间的同步问题，测量和航迹的分 配问题，不同传感器间不同的测量精度和分辨力的问题。 下面我们通过图 4 来了解多传感器跟踪中所涉及的滤波，数据关联和目标特 性估计的问题。如图所示。层次 1 的主要输出是目标的动态和 ID 特性。下一个 层次就是利用层次 1 的输出对目标群的个体性能和整体状态进行更高水平的提 取。这些信息以后会被用来对传感器的资源分配提供依据。但是，由于层次 1 的输出是整个后续逻辑决定的基石，因此更高水平的数据关联的设计同时也需要 对层次 1 的性能和限制有充分的了解，因为这些都是我们后续合理逻辑的输入。
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料