خلاصة:
فیلتر چگالی فرض احتمال (PHD) بهصورت متوالی گشتاور چندهدفه مرتبه اول را برای تابع چگالی احتمال چندهدفه محاسبه مینماید و بنابراین حجم محاسبات مسئله ردگیری را به مقدار زیادی کاهش میدهد. در این مقاله، پیادهسازی بهبودیافتهای از فیلتر PHD را با استفاده از ایده فیلتر ذرهای با متغیر کمکی برای تقریب شدت اهداف از قبل موجود و ایده اجرای شدت زایش وفقی برای اهداف تازه متولدشده ارائه میدهیم. تفاوت شیوه ارائهشده از شیوه مرسوم پیادهسازی بروش SMC فیلتر PHD در این است که بهطور همزمان اهداف از قبل موجود و اهداف تازه متولدشده در محیطی که شدت زایش یکنواخت و دارای اطلاعات کمی است، جستجو میشوند. نتایج شبیهسازی بیانگر این مطلب میباشند که شیوه جدید ارائهشده دقت تقریب PHD را در مقایسه با شیوههای مرسومسازی پیادهسازی به روش SMC، در تعداد ذرات یکسان، افزایش قابل توجهی میدهد.
ملخص الجهاز:
"در این مقاله، شیوه نوینی از پیادهسازی فیلتر PHD به روش SMC ارائه میگردد که از ایده فیلتر ذرهای با متغیر کمکی برای نمونهبرداری در فضایی با ابعاد بالاتر از بعد اهداف استفاده میکند تا جستجوی هر دو نوع اهداف تازه متولدشده (با تابع شدت زایش یکنواخت) و اهداف از قبل موجود به شیوهای مؤثرتر صورت پذیرد.
بخش 3 - Random Finite Set - Multi Target Tracking - Finite Set Statistics - First Moment Approximation - Full Multitaregt Bayes Recursion - Probability hypothesis density (PHD) - Sequential Monte Carlo - Unscented Information Filter - Blind - First Stage Weights - Adaptive Birth Intensity-Auxiliary Particle Filter implementation of the PHD دربرگیرنده نوآوری اصلی مقاله است و در این بخش الگوریتم پیشنهادی ABI-APF-PHD یعنی پیادهسازی فیلتر PHD برمبنای تابع شدت زایش وفقی و فیلتر ذرهای با متغیر کمکی معرفی میگردد.
از آنجا که ABI-PHD در جستجوی فضای حالت اهداف از قبل موجود از فیلتر ذرهای با متغیر کمکی استفاده نمینماید، برای بررسی بهبود حاصله ناشی از بهکارگیری APF در پیادهسازی تابع شدت اهداف از قبل موجود، الگوریتم 2 APF-PHD نیز به خانواده الگوریتمهای شبیهسازی اضافه میگردد.
بهعلاوه از اشکال (6-5) مشاهده میگردد که الگوریتم ABI-PHD که تنها از تابع شدت وفقی برای اهداف تازه متولدشده بهره میبرد، در تخمین تعداد اهداف عملکرد خوبی دارد اما از آنجا که از فیلتر ذرهای ناکارآمد BOOT STRAP برای تقریب تابع شدت اهداف از قبل موجود استفاده مینماید، دارای خطای زیادی در تخمین موقعیت اهداف میباشد و این موضوع در زیادشدن فاصله مکانیابی این الگوریتم در شکل (5) قابل مشاهده میباشد."