بهبود الگوریتم تخصیص داده احتمالی توام برای ردیابی هدف چندگانه در حضور کلاتر با کمک یادگیری تقلیدی

ورودی یک سیستم ردیابی چندهدفه، داده های آشکارسازی شده توسط حسگر هستند که شامل مشاهدات صحیح مربوط به اهداف و همچنین کلاتر موجود در فضای ردیابی است. در این شرایط، یافتن مشاهده مناسب برای هر رد ، نیازمند الگوریتم مناسبی برای تخصیص داده های حسگر است. وجود اهداف متعدد همراه با افزایش مشاهدات نویزی، حجم محاسبات الگوریتم تخصیص را افزایش داده و صحت ردیابی را کاهش می دهد. الگوریتم تخصیص داده احتمالی توام  (JPDA ) روشی کارآمد برای تخصیص هم زمان چندین مشاهده به اهداف متعدد با تولید همه فرضیه های ممکن است. در حالت کلی، فرضیه به معنای  تخصیص حداکثر یک مشاهده به هر رد است، به گونه ای که هیچ کدام از مشاهدات داخل فرضیه بیش از یکبار به یک رد اختصاص داده نشده باشند. باوجود عملکرد مطلوب الگوریتم JPDA، افزایش مشاهدات نویزی و تداخل ردها سبب افزایش تولید فرضیه های تخصیص، کاهش صحت، کندشدن و حتی توقف فرایند ردیابی می شود. الگوریتم پیشنهادی در این مقاله با بهره گیری از الگوریتم یادگیری تقلیدی و فرایند آموزش زمان - حقیقی و حذف مرحله تولید فرضیه در زمانی که احتمال وجود انفجار ابعاد در الگوریتم JPDA وجود دارد، ضمن حفظ تقریبی صحت ردیابی حالات هر هدف، فرایند تخصیص را با سرعت بالایی در حضور مشاهدات نویزی و کلاتر انجام می دهد. در این الگوریتم، یادگیری تقلیدی برای تخصیص مشاهدات حسگر استفاده شده و نیاز به تولید فرضیه را به طورکلی مرتفع می نماید. نتایج شبیه سازی در ردیابی چند هدف نشان دهنده 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 روبه رو شود، روش پیشنهادی تحت عنوان RtIL-JPDA ، با بهره گیری از دانش مدل یادگیری تقلیدی عملکرد مناسبی از خود نشان داده و از انفجار ابعاد محاسباتی جلوگیری می نماید.

کلیدواژه ها:

ردیابی چندهدفه ، کلاتر ، تخصیص داده حسگر ، یادگیری تقلیدی