فيلترذره مبتني برMCMC به منظور ردگيري چندهدفه در ميان مشاهدات خام و آشكارنشده

An MCMC-baesd Particle Filter for Multitarget Tracking within Raw Measurements

در اين مقاله به مسيله پرچالش ردگيري چندهدفه در ميان داده هاي آشكارنشده پرداخته مي شود. براي انجام اين كار، ابتدا با تقسيم فضاي حالت به دو زير فضاي خطي و غيرخطي و با به كارگيري اصل Rao–Blackwellization، چگالي اهميتي بهينه را براي نوع خاصي از مدل سنسور، كه مشاهدات منشعب و در هم ادغام شده را براي ناحيه مشاهده مشبك شده توليد مي نمايد، به دست آمد. در ادامه، براي كاهش پيچيدگي محاسباتي نمونه برداري از چگالي اهميتي بهينه، از معروف ترين نمونه بردار خانواده MCMC يعني نمونه بردار Gibbs براي نمونه برداري از چگالي اهميتي بهينه استفاده شد و سپس با مقايسه عملكرد اين دو در يك محيط ردگيري چندهدفه و در ميان مشاهدات خام و آشكارنشده، نشان داده شد كه نمونه بردار Gibbs به مبادله اي بين كاهش حجم محاسبات و ميزان دقت در ردگيري دست مي يابد. ايده مطرح شده را مي توان به عنوان جايگزين براي مواقعي كه نمونه برداري از چگالي اهميتي بهينه عملا غيرممكن است، استفاده نمود.

This paper examines multitarget tracking within raw measurements which has always been considered to be a hassle. This was achieved by separating the state space model of each target into linear and nonlinear subspaces. Then, the Rao–Blackwellization principle was utilized to derive the optimum importance density for special kind of sensor which generates both split and merged measurements within a pixelized observation area. To relieve the complexity associated with the achieved optimum importance, the Gibbs sampler, the well-known sampler from MCMC family, is used to sample from the optimal importance density. The synthetic multitarget tracking scenario using raw data will then be used to show that our new Gibbs sampling method could reach a compromise between accuracy of tracking and computational expense. The proposed idea is motivating to be used in applications where sampling from the optimum proposal density is practically impossible.