文摘

针对多目标跟踪问题的分布式传感器检测范围有限,一个分布式传感器测量互补高斯组件关联GCI融合跟踪方法的基础上,提出了概率假设密度滤波跟踪理论。首先,传感器感应范围是延长补充测量。在这种情况下,多目标密度产品用于分类测量是否属于交叉区域的检测范围。当地的十字路口地区仅补充一次降低计算成本。其次,每个传感器分别运行一个概率假设密度滤波和洪水过滤后与邻近的传感器,以便每个传感器获得的后信息邻近的传感器。随后,高斯组件是由距离相关部门和高斯组件对应于同一个目标关联到相同的子集。GCI融合在每个相关子集执行完成融合状态估计。仿真实验表明,该方法可以有效地执行分布式传感器网络中的多目标跟踪与传感范围有限。

1。介绍

多目标跟踪(MTT)技术的主要任务是检测目标杂波环境,估计运动参数实时(1,2]。在众多现有的多目标跟踪技术,最近邻(NN) [3],概率数据关联(PDA) [4,5[]、多假设跟踪(MHT)6),和随机有限集(RFS),多目标跟踪算法被称为主要方法。前三个方法已经广泛应用于多目标跟踪领域。他们使用一定距离判据将通过数据关联处理,观察组和多目标跟踪问题转化为多个独立打跟踪问题进行处理。对于相对复杂的多目标跟踪问题,容易出现相关错误,导致跟踪性能的退化。博士过滤(7基于随机有限集]方法提供了一种新的解决上述新问题的目标跟踪。严格的数学描述,比传统的多目标跟踪算法最大的优势是,它可以避免之间的数据关联计算观察和目标。的帮助下粒子滤波(PF)技术和高斯混合(GM)技术,研究小组由签证官已经成功地获得了两个近似实现形式的这些博士过滤器,即GM-PHD [8]和SMC-PHD [9]。博士过滤方法是基于一个坚实的数学基础,可以更好地反映目标跟踪问题的本质,可以避免传统方法中的数据关联问题,并减少计算复杂度在复杂多目标跟踪应用程序,所以它在越来越多的领域使用的应用程序(8- - - - - -19]。

多传感器信息融合技术有效融合多个传感器获得的信息,可以获得更准确的描述问题,而不是由单一传感器获得的信息。事实上,多传感器信息融合并不是一个新概念。广义上说,人类的认知过程通过各种感官,如视觉、听觉、嗅觉、味觉和触觉本质上是一个信息融合的过程。随着各种新型传感器的出现,信号处理技术的蓬勃发展和硬件计算性能的提高,实时数据融合处理可以更有效地执行,所以数据融合技术得到了广泛的应用。与单传感器系统相比,多传感器系统有几个优点:首先,融合的观察获得的几个传感器可以提高目标状态的估计。如果数据可以以最优的方式相结合,可以提高估计精度统计通过增加的数据量;第二,观察质量还可以提高通过使用传感器之间的相对运动。例如,两个传感器和目标形成一个三角形。如果相应的观察角度的两个传感器之间的关系相对于目标,目标可以由三角定位方法,广泛应用于商业导航和地质调查。第三,多传感器系统可以扩展时空覆盖率。 Because one sensor may detect places that other sensors cannot, a certain sensor may detect objects in a certain period of time that other sensors cannot detect in that period of time.

传感器融合技术能够提供更有效的信息在时间和空间的目标。多个传感器相互合作来有效地跟踪和估计的状态和数量的目标。在多传感器信息融合是一个关键的算法网络,和肝癌和分布式算法容错和灵活的优点是比集中式融合框架和最近得到太多的关注20.- - - - - -24]。广义协方差交叉(GCI) [25,26]融合理论是一种有效的方法来解决分布式多传感器麻省理工融合问题,也称为指数混合物密度(EMD) [27]。GCI融合计算的密度相当于当地后验信息收益的总和最小化Kullback-Leibler分歧(KLD) [28,29日),从而避免重复计算的问题,公共信息(30.]。方法也被成功地应用于多传感器博士过滤器融合(31日- - - - - -33],融合多传感器CPHD过滤器[34),和多传感器multi-Bernoulli过滤器融合35]。

事实上,GCI融合规则往往只保留轨迹出现在所有地方后验。这个缺陷是加剧当传感器有不同领域的观点(FoV)。目前,有很多方法来解决这个问题引起的有限视野传感器的广义协方差交叉融合的过程。基于GM-PHD过滤器,Battistelli等人提出了一个同时定位和地图的解决方案来解决这个问题,不同的传感器有不同的检测领域36]。Vasic等人模型的不确定性目标地区之间不能探索传感器,使用统一的强度在整个地区的概念来初始化所有本地博士(37]。同时,Vasic等人还提出使用每个高斯组件之间的距离值提高GCI融合算法(37),但这种方法高估了目标并造成假阳性的数量。凯等人提出的方法补充测量扩大视野(38]。最近,有很多新的改进算法,如GCI融合算法引入到标签随机有限集的多目标跟踪方法(39- - - - - -43),证明了该算法的可行性,但仍有许多问题需要解决,包括参数设置以及不一致的标签。传感器融合的问题不仅仅是对象跟踪,也可以应用于更广泛的空间,包括对象检测和估计。

在本文中,我们提出的原则补充测量补偿传感器的探测范围有限,不能让整个场景的测量信息。即测量传感器的探测范围之外辅以其他传感器,和多目标密度产品用于分类测量是否属于交叉区域的探测距离,测量,十字路口地区不属于补充,可避免重复互补的同一地区以减少计算量。直接GCI融合可能导致大型跟踪错误和计算复杂度不同的高斯组件代表不同的目标。距离相关性GCI融合方法,即。,the complementary measures are correlated by distance division to associate Gaussian components that may be the same target to the same subset. Subsequently, GCI fusion is performed on the different correlated subsets, and the fusion state estimation is completed. The performance of the fusion algorithm is verified by simulation scenarios.

下面的章节安排如下:部分2博士介绍了算法的背景,包括过滤、有限场传感器,和GCI融合规则;部分3GCI融合不匹配的原因分析;部分4介绍本文的解决方案,包括测量互补性和改进GCI基于距离阈值的融合方法;第五部分验证该算法的有效性在多目标跟踪环境中通过对比本文改进算法与一些传统的算法。缩写部分是这篇文章的缩写。

2。背景

2.1。博士过滤

多目标语句集合和测量设置为和 。 对应的密度函数多目标后验密度在时间 ,这是多目标的一阶矩近似后验密度,和通常被称为博士在目标跟踪理论基于随机有限集。

博士的预测方程(7] 在哪里 , 的博士是派生的目标,目标的生存概率,是一个目标的转移概率密度,然后呢的博士新生的目标。

更新博士过滤方程表示为(7] 在哪里 , 代表单个目标的观测似然函数,代表了杂波强度,代表了杂波空间分布,代表杂波随机集的博士,代表了探测概率 ,多目标密度的泊松采用以下形式: 在哪里是给定的区域。

2.2。传感器网络的视野

单一传感器检测的视野都是有限的。跟踪环境充满混乱时,多传感器融合算法需要收集每个传感器的测量有效地估计多个目标的状态和数量。假设传感器位置是已知的,和传感器有一个有限的 ,定义为

其中,代表传感器的探测概率在有限的视野。每个传感器通常有不同的视野因其类型、位置和方向。

图1显示了两个传感器的检测网络。各自有十字路口和non-intersections检测区域。阴影部分代表的交集区域检测,nonshaded部分代表他们non-intersection检测区域。传感器1的检测范围 在哪里代表了区域在整个多传感器检测网络。 和 。整个检测区域的多传感器检测网络可以表示为

考虑一个传感器组成的传感器网络有限的视野,在信息共享是必需的,因为传感器的视野有限的检测。表示由 ,的传感器集可以达到传感器后一步沟通。

2.3。GCI融合规则

多目标跟踪使用分布式传感器网络的关键技术是博士信息融合多传感器之间。最优博士不同传感器之间的融合是很难实现的,因为公共信息的传感器通常是未知的,特别是在大的多传感器网络。接下来,我们将介绍了广义协方差交叉融合算法。

现在,假设两个传感器的多目标后验概率密度函数和 ,条件测量获得的两个传感器检测区域的多传感器网络。当收集的测量两个传感器之间的相关性是未知的,进一步研究多目标后验概率密度这两个可以融合的帮助下GCI融合规则(21]。GCI规则下,融合后的概率密度函数 在哪里和是每个目标的相对重要性权重后验概率密度函数满足吗 。有两个重量计算方法和一个方法,可以保证融合融合(34]。另一种方法是选择的成本函数最小化目标权重根据优化过程(31日]。融合融合规则赋予的密度方程(7)是最小化加权和的kld融合的密度。 在哪里

配对多目标密度与相应的融合权重为一组,也就是说, ,GCI的散射被定义为(8] 在哪里

GCI系数满足 。

3所示。分析GCI融合问题

对于大多数单一传感器,由于限制传感器的性能,如检测功能,检测范围,和传输速率、现场数据传感器提供的信息是不完整的数据类型是单身。此外,它也容易受到复杂环境的影响,造成生产数据噪声和杂波干扰,不能提供准确的目标信息。为了弥补单一传感器的缺陷,使用多个传感器来检测场景中的目标同时,这场景中的目标最多只能生成一个每个传感器测量,然后完成相邻传感器之间的信息共享和数据通信。在融合中心融合估计执行。

然而,多传感器融合方法有时会导致贫穷融合匹配结果由于单个传感器的缺陷。它分析了早些时候,当GCI融合算法应用于多传感器网络,每个传感器探测视场有限,目标将会错误地报道的数量。本节将使用一个实际的仿真场景验证GCI融合算法。

多传感器网络中,传感器的数量设置为2,跟踪方法采用GM-PHD过滤目标生存的概率是0.99,传感器的探测范围内的检测概率为0.98,和探测概率是0之外的检测范围。观察区域 。为简单起见,设置两个目标做圆周运动。多传感器网络跟踪的原理图如图2。其中,代表了目标运动的起始位置,代表了目标运动的结束位置,目标1的视野FoV1的传感器1,目标2的的视野FoV2传感器2,和没有目标的交叉区域的视野。

如图估计数量的目标3。从数据可以看出2和3每个传感器只能检测到一个目标,GCI融合之后,它将直接导致所有两个目标丢失。原因在于,单个传感器的检测范围有限,所以单一传感器只能探测目标的检测区域内和失去目标以外的自己的检测区域。在融合过程中,因为这两个因素的权重,传感器高斯组件对应于同一个目标测量值也不同,融合算法失败和目标丢失。

从仿真结果,也可以知道传统的GCI融合算法可以有效地融合不同的传感器对应的高斯成分相同的目标只有当目标在多传感器网络检测区域的交集。如果只有一些传感器可以探测到的目标,一些传感器无法检测到目标,也就是说,当目标在多传感器non-intersection检测领域,传统的GCI融合算法将不可避免假阳性,这将导致损失的目标。必要的原因也是因为GCI融合算法融合高斯分量的权重相同的目标由每个传感器。如果一个传感器无法检测到目标,高斯组件重量值太小,这将影响到最终状态提取,导致的损失的目标。

从仿真,可以看出每个传感器只能生成相应的组测量在自己有限的探测范围内,不能检测到所有的目标。如果所有目标检测和信息是共享的,那么它是必要的,不同的传感器可以分享自己的检测信息。然而,假设所有的测量信息从一个传感器直接共享另一个传感器。在这种情况下,它可能会导致信息的重用在十字路口地区的两个传感器的探测范围,进而导致组合爆炸的问题。如图1之间的信息共享,如果传感器2和传感器1中的信息反复地区共享,导致增加十字路口地区测量的计算负担。

4所示。解决方案

4.1。互补的测量

为了实现单个传感器可以探测和跟踪整个跟踪场景,需要不同的传感器之间的信息共享,直接从一个传感器的测量信息传达到另一个传感器。然而,为了避免测量信息的重用,需要注意区分交叉和non-intersecting领域的传感器检测范围。

让测量的传感器是 ,生成的测量设置在哪里th传感器在其是 ,和测量的数量吗目前传感器 。当一个传感器来补充另一个传感器测量,需要补充交叉区域外的测量而不是分享所有测量另一个传感器,这将导致信息的重用和增加了计算负担。

因此,有必要分区博士函数的交点。假设两个传感器使用博士过滤器在各自领域的观点(相对应的状态空间区域和 ,分别),博士和分别获得。博士学位是一种常见的单个目标的函数因此还包含传感器的空间位置信息。自从博士过滤器没有定义为目标密度检测范围之外,它可以扩展,例如,

了一样获得

两个传感器的产品

假设每个传感器可以准确地获得博士函数属于自己的检测区域,

方程(15)表明,没有复杂的干扰的情况下,扩展two-sensor博士产品可以确定位于十字路口的两个传感器的探测范围如果它不是一个零值。这个属性可以用来把博士函数之间的交叉区域的传感器探测距离和交叉使用博士产品外的地区寻找共同的两个传感器的测量信息和区分它们。

因此,当传感器2是补充传感器1的测量值,该地区已补充

因此,该地区这不是传感器1的补充

从方程(16)和(17),可以获得该地区在传感器2不是互补的传感器1。可以分享的测量信息这个区域的传感器1。通过这种方式,信息的测量传感器1也共享传感器2以同样的方式,也就完成了互补的两个传感器的测量。然而,当两个传感器观测同一地区,两个传感器的噪声通常是不同的。因此,当补充传感器测量,噪音应该添加适当的方式来增加样本的随机性。当传感器的补充测量,传感器测量数据的集合是 在哪里代表了集中的和测量的传感器在时间 , 表示测量噪声服从高斯分布是测量噪声协方差矩阵的时间吗 。两个传感器完成后补充测量,最终的测量时间是 。

一旦测量是互补的,每个传感器包含所有测量的传感器网络,和测量位于传感器检测交叉区域不重用,也大大减少了计算负担。此外,补充测量,甚至新生儿目标函数在一个传感器可以检测到,因为测量共享有助于分享新生儿的传感器网络目标函数为每个传感器,有效提高整个传感器网络的跟踪性能。

4.2。高斯混合博士过滤GCI融合

GCI融合算法用于引信的博士学位和传感器的和传感器 ,和融合博士生成融合后,如下:

用指数形式表示公式,高斯混合项不能用指数形式表示,和一个近似方案可以用来表达出来,如下: 在哪里 , ,和均值、协方差和高斯组件的重量。然后,计算融合博士结果和参数值通过以下公式 在哪里

, ,和是手段、协方差和权重融合后的高斯组件,分别。

在文献[通信方法44- - - - - -46)可以收敛更快。它可以有效应对场景有限的视野并不完全重叠(47),因此该算法使用这种方法intersensor沟通由于单个传感器的探测视场有限和邻近的传感器之间的信息共享的必要性。

让sensor-to-sensor通信的迭代的数量 ,和表示一组相邻传感器的距离从传感器。后的传感器 迭代次,集后验概率密度传感器

当 , 。

当高斯所描述的组件 ,后迭代,它可以表示如下: 在哪里

沟通完成后,高斯混合概率假设密度GCI融合是每个传感器上执行。GCI融合权重计算公式为(25),我们可以看到大高斯组件之间的距离会导致小融合权重趋于0时的距离增加。摘要高斯组件相同的目标是相关子集后,相关高斯组件通信。然后GCI融合对每个相关子集执行使用方程(22)。高斯组件使用的距离相关相关法(43),计算了鞅高斯意味着之间的距离和高斯组件从不同的传感器 在传感器的沟通后 。 在哪里过程噪声协方差矩阵,和一个阈值将控制相关子集。如果距离 两个高斯组件之间,那么这两个高斯组件被认为是同一个目标,可以放入一个子集。的设置有一个明确的物理意义,这表明国家之间的距离和不超过标准偏差的概率(48)或下限的概率,计算 在哪里表示的目标状态和数量表示不完整的基数分布。

然后执行GCI融合相关的子集。假设传感器与子集,每个代表相同的目标和高斯组件对应于每个集群的数量 是 ,传感器的集合的所有子集中的高斯组件所在 ,和高斯组件被编写为子集 ,在哪里 。然后GCI融合为每个执行相关子集

跑后的数量目标博士过滤本地传感器估计(7] 在哪里和代表导出高斯组件和新生儿高斯组件的数量 ,分别。沟通后gci融合估计的数量

传感器融合后的所有相关的子集年代完成后,每个子集都是一个新的高斯组件表示为 ,然后对这个传感器提取和 ,和过滤更新高斯组件返回用于下一次迭代。

互补的分布式传感器测量高斯组件关联GCI融合跟踪方法概括为算法1:

提取是根据执行的状态 , 获得 ,并返回状态估计和过滤高斯组件。

输出:高斯组件和为每个传感器滤波后更新。

5。仿真和实验结果

5.1。仿真参数设置

多传感器网络中,每个传感器的检测领域是有限的,每个传感器的过滤算法GM-PHD过滤集。多传感器检测区域的网络设置 在检测区,共有6个目标就会出现。6时目标是不同的,从4和6目标可能出现不同的位置。当目标是满足变量条件下的数量,每个目标在匀速直线运动。在目标跟踪性能比较图,每个GM-PHD GCI-GM-PHD算法和传统算法相比,本文的改进算法。

目标状态由的位置和速度x设在的位置和速度y分别设在及其表达式 ,和过滤器过滤过程的状态方程

状态方程,设置采样间隔1,每个目标的总运动时间100年代,并设置过程噪声 ,新目标的高斯分量强度可以表示为下面的公式: 在哪里 , , , ,和新生的目标体重 。新生儿目标的过程噪声服从高斯分布,设置为零均值和协方差 。

在本节中,模拟蒙特卡罗模拟的频率设置为100。过滤器需要修剪和合并高斯组件状态提取之前,以获得最佳的估计效果,所以修剪的参数设置和合并是特别重要的。在这个仿真,舞台阈值和距离阈值的高斯组件,分别设置。阈值,提取阈值和合并阈值设置为状态 , ,0.5,10。最终,高斯组件的最大数量是100。跟踪误差值最后衡量OSPA距离,表示为

其中,目标状态值 ,分离参数 和 ,和 是距离敏感性参数,模拟中, 和 。如果OSPA距离较小,多目标状态估计的误差值会变小。

在传感器网络中,将两个传感器的位置和_,分别和两个传感器提供的测量值中的每个目标探测距离。单个传感器的检测范围有限,这与前面的描述是一致的。传感器的探测范围的半径设置为700,和滤波器的检测概率的目标是在这个检测范围设置为0.95,表达式如下:

每个传感器的测量目标的位置信息检测由一个传感器,所以测量方程在过滤过程中可以设置如下: 在测量噪声 。设置杂乱单位体积平均为90。

5.2。场景1:互补的多传感器测量数据的验证

来验证提出的改善跟踪性能互补的测量方法(CM-GM-PHD)相对于所有共享的方法测量(SM-GM-PHD)在本文中,过滤后的跟踪执行由一个传感器。这种多目标跟踪场景杂乱 ,一种生存概率 ,和一个探测概率 传感器的有效视野。图4显示目标的真实轨迹和有限的探测距离传感器,每一个都有相同的性能与传感半径700米。

图5说明了单一传感器跟踪效果没有测量共享,和数字5(一个)和5 (b)显示传感器的跟踪效果传感器1和2,分别。对应图3,由于检测视野有限,两个目标丢失传感器传感器1和2,分别导致戏剧性的跟踪性能退化。

数据6(一)和6 (b)显示测量后的跟踪测量的情节是互补和测量后的跟踪测量的情节都是共享的,分别。比较表明,单一传感器可以探测和跟踪目标互补或共享后测量,和跟踪性能大大改善。从图可以看出6 (b)所有测量的分享将会导致重用的交叉区域的测量传感器探测距离,还有太多的冗余测量中的高斯组件,其中包含很多杂物。修剪和合并后的步骤是由控制器、执行的混乱将有更大的概率被认为是真正的目标,所以假目标的数量也将增加,这也可以反映在随后的目标数估计模拟。

图7展示了跟踪误差比较图和目标数量估计比较图。从数据7(一)- - - - - -7 (c)可以看出,减少了跟踪误差。所有领域的目标视图可以被跟踪后,测量传感器之间共享,以及跟踪误差也大幅减少。跟踪性能得到了改进后的测量传感器之间是互补的。与图7 (d)我们可以知道数量估计是高估了由于重复测量的共享在十字路口地区共享造成的测量,测量时的效果更好是互补的。目标数估计更接近真实值。

很明显从图8测量互补方法的计算效率明显高于测量共享方法,因为测量的互补方法避免重复在十字路口地区信息共享。

5.3。场景2:视场互补高斯组件关联GCI融合性能分析

在有限的视野分布式多传感器网络,设置通讯迭代最大价值 ,阈值 ,在场景1和其他设置。以下仿真比较由不同的方法。第一个方法是measure-complementary高斯组件相关GCI融合方法(GCI-CM-GM-PHD),本文提出的算法。第二种方法是所有共享高斯组件的GCI融合方法测量(GCI-SM-GM-PHD)。第三个方法是直接GCI的多传感器信息融合估计没有测量共享。第四个方法是测量(CM-GM-PHD)互补的方法。

图9显示仿真结果的四个两两目标跟踪的方法。数据9(一个)- - - - - -9 (c)显示目标OSPA错误,OSPA位置误差,分别和基数估计错误。从数据9(一个)和9 (b)可以看出,GCI-CM-GM-PHD跟踪误差较低是由于GCI融合方法的使用,这就增加了容错的博士过滤和收敛的高斯成分相同的目标通过阈值,大大减少了跟踪误差。传统的GCI融合方法,另一方面,使跟踪目标丢失由于缺乏互补的测量,这是更大的错误的主要原因。然而,图9 (c)我们可以知道GCI-SM-GM-PHD的基数估计误差是高于GCI-CM-GM-PHD算法。然而,图9 (c)我们可以知道GCI-SM-GM-PHD的潜在估计误差是高于GCI-CM-GM-PHD算法,因为GCI-CM-GM-PHD算法使用高斯组件产品。区分的高斯成分的交叉区域传感器探测距离,以避免重复使用高斯分量的交叉区域。通过这种方式,通过修剪和合并步骤和GCI融合,杂乱的概率被认为是一个真正的目标是大大减少,和目标的数量可以更准确地估计。目标数的差异估计可以看到从图9 (d)。

5.4。场景3:模拟实验(目标数量的增加)

在本节中,更多的目标是将进入多目标跟踪的场景。共有12个目标出现在不同的时间。首先,时变目标数的状况满意。在模拟场景中,多目标跟踪中存在的目标场景在同一时间。最大数量是10和杂乱的平均数量单位体积被设置为30。多目标跟踪现场的实际情况和每个算法的过滤结果如图10和11。

目标跟踪结果如图10 (b),可以获得清晰的跟踪结果。在跟踪场景中,由于杂波的存在,滤波算法经常错误地确定杂波点在过滤过程中提取状态时更大的权重。这是一个真正的目标,从而导致一些噪音在跟踪结果。但当杂乱点被认为是真正的目标,融合算法将过滤通过距离阈值算法。

从数据可以看出(11日)和11 (b)GCI-CM-GM-PHD算法能适应这种情况。OSPA错误,GCI-CM-GM-PHD算法显示了最佳性能。从数据可以看出11 (c)和11 (d)GCI-CM-GM-PHD算法执行比其他三个算法,也间接证明了该算法是有效的在这种情况下的稳定性。它可以看到从图中的数量估计的单传感器CM-GM-PHD算法错误杂乱的真正目标,因为它是难以适应多目标环境在密集杂波环境中,导致数量的高估。在传统GCI-GM-PHD算法,由于有限的视野的传感器,在融合过程中,由于传感器之间的重量差异大,目标丢失和较低的估计数量目标。GCI-SM-GM-PHD因为太多的测量使用重用,导致估计的目标高于真实价值。

为了验证滤波的稳定性,在最后的仿真实验,每个算法的OSPA距离误差值在现场杂乱的变化速率和探测概率的变化进行了总结和分析。最后的总结,它可以从数据的分析12(一个)和12 (b)本文的算法可以显示高稳定性在不同杂波率和不同的检测概率,表明该算法可以在复杂的多目标跟踪场景表现得更好。

上面的仿真对比场景后,算法的跟踪性能提出了与其他传统算法相比显著提高。该算法可以提高分布式多传感器网络的鲁棒性在密集杂波环境下多目标跟踪在保持计算效率的同时,也证明了该算法的有效性。

6。结论

分布式多传感器多目标跟踪问题检测视野有限,本文提出了一个分布式视场互补高斯组件关联GCI融合跟踪方法。该算法是基于传统GCI-GM-PHD过滤领域的补充测量的观点。它的优点在计算效率和跟踪精度可以通过仿真实验证明。之后融合距离高斯分量的相关性大大增加算法的跟踪精度和稳定性,更准确地估计和目标的数量。仿真实验本文主要关注线性运动目标,和本文算法扩展到更一般的情况是一个未来需要做的工作,如机动目标。此外,这项研究可以扩展到研究欺骗攻击跟踪多目标状态估计(49]。

缩写

麻省理工:	多目标跟踪
神经网络:	最近的邻居
博士:	概率假设密度
通用汽车:	高斯混合
SMC:	序贯蒙特卡罗
EMD:	指数混合物密度
逗留一番:	Kullback-Leibler分歧
CPHD:	Cardinalized概率假设密度
快:	广义协方差交叉
GCI-GM-PHD:	广义协方差交叉高斯混合概率假设密度
CM-GM-PHD:	补充测量GM-PHD
SM-GM-PHD:	共享测量GM-PHD
GCI-CM-GM-PHD:	广义协方差交叉互补GM-PHD测量
GCI-SM-GM-PHD:	广义协方差交叉测量GM-PHD共享。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢空军工程大学,陕西省自然科学基础研究计划,2022年金桥- 679。