跟踪一个对象与IMM滤波器|理解传感器融合和跟踪,第4部分
从系列:了解传感器融合和跟踪
布莱恩•道格拉斯
这一节描述了我们如何改善跟踪单个对象的评估状态交互多模型滤波器。我们将建立一些直觉的IMM滤波器并展示它是如何跟踪算法比单一模型的卡尔曼滤波器。
我们覆盖使跟踪比定位和定位困难的问题,因为有更少的信息跟踪滤波器。我们解释了IMM弥补缺乏的信息,并显示一些模拟结果。
在这个视频中,我们要把我们的注意力从试图评估我们自己的系统的状态估计的状态远程对象。所以我们从定位和本地化的概念转向单一对象跟踪。找出另一个对象在哪里并不不同于找出你在哪里。我们只是试图确定状态,如位置或速度,通过传感器的结果和模型融合在一起。使跟踪困难的部分是,我们通常要做它用更少的信息。但处理缺乏一些信息我们可以升级一个模型估计滤波器,与标准卡尔曼滤波器,我们也使用上一节,交互多模型滤波器。在这个视频中,我们将建立一些直觉IMM通过展示如何实现状态估计在跟踪一个不确定的对象。如果你还没有听说过一个IMM之前,我希望你留下来,因为我认为这是一个非常棒的方法来解决跟踪问题。我是布莱恩,欢迎来到MATLAB技术说话。
在这个视频中,我将展示一些仿真结果,这样,当我们建立IMM滤波器,可以看到的变化如何影响评估的质量。我使用示例生成的结果,跟踪机动目标的传感器融合和跟踪从MathWorks工具箱。基本理念是,这个例子模拟跟踪对象,通过三种不同的策略:它在一个恒定的速度开始,然后一个常数,它以对象接受一个常数加速度。在脚本,我们可以设置不同的单个和多个模式过滤器来跟踪这个对象。
和给你一个我们的努力,我将告诉你最终的结果。左边是一个典型的单一模型的结果过滤器,右边是一个交互多模型滤波器的结果。底部图显示了对象的归一化距离真正的位置和估计的位置。如您所见,IMM更好的工作跟踪这个操纵对象;通过所有这三个动作的归一化距离远低于单一模型的解决方案。问题是为什么?IMM之所以如此特别?要回答这个问题,我们需要一点背景资料。
估计过滤器,像一个卡尔曼滤波器,通过预测系统的未来状态,然后纠正与测量状态。我们预测,然后我们测量和正确的。为了预测,我们必须给系统的过滤模型,它可以用来估计该系统将在未来的一段时间。然后在未来的时间,测量系统状态是由使用一个或多个传感器。我们用测量状态正确预测状态的基础上,相对的信心它和预测。这种混合的结果是滤波器的输出。
这两步的过程,预测和正确的,是相同的是否我们评估我们自己的系统的状态或我们估计我们跟踪远程对象的状态。然而,对于一个跟踪对象,这些步骤之一是不像其他的那么简单。
让我们先从不同的测量步骤。上一节中,我们使用一个GPS和IMU测量状态。这些传感器是嵌入式系统中,我们可以访问。跟踪,我们常常无法访问系统中传感器的测量需要来自远程传感器像雷达跟踪站或摄像机视觉系统。但是准确的传感器,你用不改变的性质测量步骤。我们的想法是,我们想要融合在一起的传感器互补结合的优势,这样你得到一个好的整体测量。所以你可以想象的,只要你有正确的组合sensors-remote或local-then测量系统的状态控制是几乎完全相同的测量远程对象的状态。然而,至少有一个主要的区别,这是一个假阳性的结果。你得到一个测量,但这不是你跟踪的对象;这是给其他对象在附近。 This gets into a data association problem that we’ll talk more about in the next video. For now, assume that we know that we are measuring the object we’re tracking and there’s no confusion there.
预测步骤呢?这就是区别所在。很难预测未来状态的对象比你没有控制你。
让我们展示一个例子的预测问题。想象一架飞机飞过一个雷达站,每几秒钟更新一次,你想预测它会在下次检测。假设你是这里的过滤器。你有想吗?可能在这里,对吗?这是相当一致的在这之前,所以它是有意义的,它将继续在这个轨迹。现在,如果过去几个测量像这样呢?你可能认为飞机是目前把和你的预测更有信心继续这一趋势。所以我们如何代码这种直觉到过滤器吗?
好吧,想想看:运动来自于三个方面。首先是系统的动力学和运动学,当前状态,所以飞机已经有一些速度,将在一个相当可预测的方式向前推进基于物理的飞机在空中旅行。2、运动也来自吩咐,已知输入到系统,添加或删除能源和改变状态;这将是类似调整引擎或控制表面。如果飞行员向右旋转控制轮,那么你将是正确的假设飞机的状态也右移,,3、运动来自未知或随机的输入到系统环境,像阵风和空气密度的变化。这些都是我们需要考虑的三件事当预测未来状态。
这估计滤波器是怎么做的?好吧,我们给过滤器访问动态数学模型的形式。如果它是一个系统控制,然后过滤也可以访问控制输入。也就是说,你可以告诉过滤器当你指挥系统和可以玩这些命令通过模型更好的预测。现在,未知输入到系统,以及模型的不确定性,通过定义不能为人所知,因此他们只降低预测。我们考虑这个退化与过滤过程噪音。过程噪声越高,你越不确定的预测。
如果你飞行的飞机,你知道你没有命令调整飞机,无法控制输入,然后你可以预期合理确定飞机将保持目前的速度和方向,所以红色的X的预测可能是相当接近。
但是如果你没有飞行的飞机,但它远程跟踪呢?我们如何解释在这种情况下控制输入?嗯,这取决于我们讨论合作跟踪或不合作的跟踪。一个合作对象与跟踪滤波器共享信息。所以飞机可以共享命令发送到发动机和控制表面,因此跟踪合作对象非常类似于飞它自己。
不合作的对象,然而,不分享他们的控制输入,所以我们必须把他们当作额外的未知的干扰。
让我们重新审视我们的预测的飞机,但是这一次不合作的。现在,我们如何处理这个问题?好吧,当我们在做预测的早些时候,我们认为,无论运动飞机参与可能是最可能的运动持续到未来。当然,飞行员可能会改变方向,但至少在短时间内,很可能他们保持同样的运动。因此,模型,我们给我们的过滤器应该考虑到我们预期的运动。如果我们认为飞机旅行直,模型应该预测状态。如果我们认为飞机转向,模型应该预测状态旋转一个方向或另一个。选择合适的单一模型是一种pre-prediction决定,我们会说。
让我们回到MATLAB的例子,看看这单一模型过滤器与一个操纵对象。这个过滤器使用的模型是一个恒定的速度模型,所以它是预测未来状态假设对象以固定的速度继续向前。如果我们看看归一化距离,你可以看到它很好当对象在一个恒定的速度移动,也许大约5单元的误差,但误差常数将部分期间大幅增加。我甚至不知道怎么坏了;这是图表。它大约30单位加速度恒定节期间的错误。单个模型,我们的预测是伟大的如果对象实际上执行运动但分崩离析如果模型不匹配的现实。
然而,我们可以说我们过于相信预测。我们未知数量的增加在我们的系统中,因此应该更少的信心在我们的预测。飞机可能会放慢或加快。我们只是不知道。所以我们应该考虑通过增加过程噪声滤波器。信任预测的副产品少信任校正测量。这是有意义的。如果我们很难预测飞机将在哪里,为什么不相信雷达测量的时候,基本上忽略了一个最无用的预测?好吧,让我们回到MATLAB模拟,看看这个想法上演。
在这,我离开了但了过程噪声恒定速度模型,你可以清楚地看到有一个区别。对象转向时,错误现在是一个更好的30个单位左右,和加速度部分改善。但是有一个成本:恒定速度部分,这是我们的模型的一部分设置为首先,变得更糟。
本节变得更糟,因为我们更多地依靠吵闹的测量。如果我们不能信任预测主要依靠传感器测量,然后这个估计滤波器有什么好处?重点是使用预测占一些测量噪声,降低了整体的不确定性。
这是剩下的问题。我们估计的状态如何操纵对象比单独的传感器能测量吗?
答案:运行多个模型。基本上,我们可以认为这是同时运行多个过滤器,估计每一个都有不同的预测模型和过程噪声。这样做是为了有一个模型为每个类型的运动,你希望从事的跟踪对象。你知道的,比如在一个恒定的速度移动,或恒定加速度不断转动,等等。一切必要的全部可能的动作。
每个模型预测的对象将如果它遵循特定的运动。然后,当我们得到一个测量,而每一个预测。,声称可以做哪种模式最可能代表了真正的运动,我们可以更信任模型下一个预测周期。这个行为就像一个人如何做预测。如果飞机飞行似乎直,假设它会保持直线飞行。如果你看到它的开始,假设将持续一段时间。用这种方法,将会有一些瞬态错误当对象转换到一个新的运动,但过滤器很快就会意识到一个新的模型有更好的预测和将开始增加其可能性。
这是多模型算法的大意,但仍有一个步骤到多个模型进行交互。
这个问题我们会与当前的方式设置过滤器是每一个操作的,孤立的人。这意味着,对于一个模型,并不代表真正的运动,它是维护自己的糟糕的协方差估计系统的状态和状态。然后,当物体运动变化,有一个过渡到这个模型中,其糟糕的状态估计和协方差,过滤器将花一些时间再收敛。所以,通过这种方式,每次有一个过渡到一个新的运动,短暂的时期将会超过必要而过滤器正在努力迎头赶上。
所以为了解决这个问题,我们允许模型进行交互。测量后,整个过滤得到一个更新的状态和状态协方差融合的基础上最可能的模型。在这一点上,每个过滤器初始化混合状态估计和协方差基于概率的“转向”或“混合”对方。这是不断提高每个过滤器来减少自己的残留误差,即使它并不代表真正的对象的运动。通过这种方式,一个IMM滤波器可以切换到一个单独的模型,而无需等待先收敛。
现在我们终于可以理解IMM的结果,我给你们这个视频的开始。这个IMM建立三个模型:恒定速度,加速度,匹配的三个预期的运动对象。左边的图显示的归一化距离,或错误,我们讨论了不同的模型。这样你可以看到所有三个并排的结果。右上角显示对象的操作配置文件,和有一个新的图的右下角显示了可能的每个模型的IMM是代表真正的运动。那里的颜色叠加只是给你一个视觉参考目前从事的运动对象。
我们踢了。看看IMM的结果。您可以看到整体归一化距离很低这三个动作。检查出每个模型的可能性也会突飞猛进,当物体做的运动预测和运动之间的过渡过程时间很低。只要对象不是经常和快速变化的动作,那么这个瞬态误差不会造成太多的总体质量估计。
这是我们如何弥补缺乏控制输入的信息跟踪不合作的对象。我们建立一个模型对于每一个预期的运动,然后建立一个IMM混合在一起的可能性基础上他们代表真正的运动。
在我结束这段视频之前,我想处理一件事。你可能会只运行一个IMM一百万模型,可以覆盖所有可能的运动场景,对吧?问题是,每一个模型你运行你必须付出代价。也就是说,一堆运行的计算成本的预测。如果是高速实时跟踪的情况下,你可能只有毫秒运行完整的过滤器。此外,还有的痛苦建立所有这些过滤器和获得正确的过程噪声。假设计算速度并不是一个问题;你只关心性能。好吧,即使是这样模型可以伤害太多的性能。第一,它增加的数量之间的转换模型,难以确定时,过渡应如果有很多模型,表示动作非常相似。 Both of these contribute to a less optimal estimation.
所以,不幸的是,你仍然有接近这个过滤器也不失为一种聪明的办法,试图找到最小的一组模型,可以充分预测对象的可能运动,你跟踪。实际上,这往往是小于10模型,和通常在三个或四个。
,其他的事情要记住的是,所有我刚刚解释就是必要的跟踪单个对象。我们的问题变得更加困难当我们扩大这一次跟踪多个对象。这就是我们将讨论下一节。
所以,如果你不想错过未来科技视频说话,别忘了订阅这个通道。同样,如果你想看看我的通道,控制系统讲座,我控制覆盖更多的话题。下次再见。
您可以在欧什一张网站来自der folgenden Liste auswahlen:
所以erhalten您死bestmogliche Leistung der汪汪汪的网站
民意调查您毛皮死bestmogliche Website-Leistung死网站中国毛皮(auf Chinesisch奥得河Englisch)。安德利果汁landesspezifische网站冯MathWorks信德毛皮Besuche冯Ihrem Standort来自不optimiert。