Nghiên cứu, áp dụng, cải thiện bộ lọc mật độ xác suất giả thuyết trong bài toán theo dấu mục tiêu

- Đỗ Ngọc Tuấn Nghiên cứu, áp dụng, cải thiện bộ lọc mật độ xác suất giả thuyết trong bài toán theo dấu mục tiêu LUẬN VĂN THẠC SĨ KHOA HỌC NGÀNH CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS.
- Hà Nội, ngày 04 tháng 01 năm 2017 Tác giả LVTN Đỗ Ngọc Tuấn 3 GIỚI THIỆU Vấn đề lọc đa mục tiêu là một mở rộng cơ bản và logic của bài toán lọc đơn mục tiêu.
- Lọc đa mục tiêu bao gồm việc kết hợp giữa phát hiện và ước lượng của số lượng mục tiêu không được biết, thay đổi theo thời gian và trạng thái động của mỗi mục tiêu, khi được biết một chuỗi các quan sát.
- Lọc đa mục tiêu đặt ra một thử thách kĩ thuật thực sự khó nhưng đem lại nhiều ứng dụng to lớn trong cả quân sự và kinh tế.
- Gần đây, một hướng nghiên cứu mới cho bài toán lọc đa mục tiêu dựa trên lý thuyết về tập ngẫu nhiên hữu hạn [1], được đưa ra ban đầu bởi M.
- Trong phạm vi bài toán theo dấu đa mục tiêu, người ta mô hình tập các mục tiêu và các quan sát là tập ngẫu nhiên hữu hạn.
- Sau đó xây dựng các công thức cho bài toán lọc đa mục tiêu bằng cách sử dụng mô hình tập ngẫu nhiên cho phép phát triển để xây dựng các lời giải cho các trường hợp khác nhau.
- Khác với các phương pháp cổ điển, kiến trúc tập ngẫu nhiên hữu hạn đã hoàn toàn bỏ qua việc gán quan sát và mục tiêu, chỉ tập trung vào ước lượng số lượng mục tiêu và trạng thái của chúng.
- Mở đầu, luận văn hệ thống hóa các lý thuyết về tập ngẫu nhiên hữu hạn, mô hình toán học chặc chẽ và cài đặt được trong thực tế của một thuật toán mới cho bài toán lọc đa mục tiêu, dựa trên xấp xỉ mô ment mật độ hậu nghiệm của tập hợp ngẫu nhiên hữu hạn trạng thái.
- Tiếp theo, luận văn phát triển một thuật toán cho phép định danh, duy trì và quản lý các mục tiêu.
- quản lý việc gán quan sát và mục tiêu, mà các nghiên cứu trước không thực hiện được.
- Luận văn cũng phát triển một thuật toán cho trường hợp nhiều nguồn dữ liệu để theo dấu đa mục tiêu.
- Hiệu quả của các thuật toán được giới thiệu trong các kịch bản thực tế, cho thấy kết quả tốt hơn với các hướng lọc đa mục tiêu truyền thống và các nghiên cứu trước đó.
- 4 Danh mục hình, biểu đồ Hình 1 Hệ thống theo dấu đa mục tiêu.
- 12 Hình 2 Lưu đồ thực hiện thuật toán theo dấu đa mục tiêu.
- 14 Hình 3 Mô hình biến đổi trạng thái đơn mục tiêu.
- 16 Hình 4 Lưu đồ thực hiện thuật toán quản lý nhãn mục tiêu.
- 33 Hình 5 Quá trình sinh và quản lý nhãn mục tiêu.
- 34 Hình 6 Ví dụ xây dựng cây mục tiêu.
- 36 Hình 7 Trường hợp hai cảm biến giúp mở rộng khu vực quan sát.
- 38 Hình 8 Đơn và đa cảm biến cho các quan sát phương vị.
- 39 Hình 9 Đa cảm biến chỉ đo góc phương vị của nhiễu và mục tiêu.
- 41 Hình 11 Mục tiêu thật.
- 45 Hình 12 Kết quả theo dấu mục tiêu bộ lọc GM-PHD.
- 46 Hình 13 Giá trị ước lượng trạng thái các mục tiêu trong hệ tọa độ Oxy theo thời gian.
- 47 Hình 14 So sánh ước lượng số mục tiêu và số mục tiêu thật.
- 47 Hình 15 Sai số OSPA của bộ lọc GM-PHD.
- 48 Hình 16 Kết quả theo dấu mục tiêu bộ lọc GM-CPHD.
- 49 Hình 17 Giá trị ước lượng trạng thái các mục tiêu trong hệ tọa độ Oxy theo thời gian.
- 50 Hình 18 So sánh ước lượng số lượng mục tiêu của hai bộ lọc GM-PHD và GM-CPHD.
- 51 Hình 19 So sánh sai số OSPA của hai bộ lọc GM-PHD và GM-CPHD.
- 51 Hình 20 So sánh độ tin cậy ước lượng số lượng của bộ lọc PHD và CPHD.
- 52 Hình 21 Kết quả theo dấu mục tiêu có quản lý nhãn quỹ đạo L-CPHD.
- 53 Hình 22 Kết quả ước lượng số lượng mục tiêu của bộ lọc L-CPHD.
- 54 Hình 23 Ước lượng L-CPHD và giá trị thật của mục tiêu trong hai trục x, y.
- 54 Hình 24 Sai số OSPA của bộ lọc L-CPHD.
- 55 Hình 25 Mục tiêu thật.
- 56 Hình 26 Kết quả theo dấu mục tiêu của bộ lọc MS-PHD.
- 57 Hình 27 So sánh kết quả ước lượng bộ lọc MS-PHD và PHD theo x,y.
- 58 Hình 28 So sánh kết quả ước lượng số lượng mục tiêu của bộ lọc MSPHD và PHD.
- 59 Hình 29 So sánh sai số OSPA của hai bộ lọc MSPHD và PHD.
- state space Không gian trạng thái  observation space Không gian quan sát.
- unit of volume for  Đơn vị thể tích không gian quan sát.
- finite-set-valued state at time k Tập hữu hạn trạng thái ở thời điểm.
- finite-set-valued observation at time  Tập hữu hạn quan sát ở thời điểm.
- estimate of vector-valued state at time k Vector trạng thái ước lượng ở thời điểm.
- random finite set of surviving and transitioned objects to time  Tập hữu hạn các mục tiêu tiếp tục tồn tại tới thời điểm.
- random finite set of spontaneous births at time  Tập hữu hạn các mục tiêu xuất hiện mới ở thời điểm.
- intensity of spontaneous births at time  Cường độ mục tiêu xuất hiện mới ở thời điểm.
- cardinality distribution of spontaneous births at time k Phân phối số lượng mục tiêu xuất hiện mới ở thời điểm.
- random finite set of object measurements at time  Tập hữu hạn các quan sát ở thời điểm.
- random finite set of extraneous measurements at time  Tập hữu hạn các quan sát cùng một mục tiêu ở thời điểm.
- ĐẶT VẤN ĐỀ 10 1.1 Giới thiệu bài toán theo dấu đa mục tiêu 10 1.2 Cấu trúc hệ thống theo dấu đa mục tiêu 11 1.3 Mục tiêu và cách tiếp cận của luận văn 13 1.3.1 Mục tiêu của luận văn 13 1.3.2 Cách tiếp cận của luận văn 13 1.4 Phạm vi của luận văn 15 1.5 Cấu trúc luận văn 15 CHƯƠNG 2.
- Mô hình hệ thống đơn mục tiêu 16 2.2 Mô hình hệ thống đa mục tiêu 18 2.2.1 Mô hình trạng thái đa mục tiêu 19 2.2.2 Mô hình quan sát đa mục tiêu 19 2.3 Lọc và ước lượng đa mục tiêu 20 2.3.1 Lọc Bayes đa mục tiêu 20 2.4.2 Ước lượng trạng thái đa mục tiêu 21 2.4 Giới thiệu bộ lọc PHD 22 2.4.1 Bộ lọc PHD tổng quát 22 2.4.2 Bộ lọc PHD cho mô hình tuyến tính Gaussian 23 2.5 Giới thiệu bộ lọc CPHD 26 2.5.1 Bộ lọc CPHD tổng quát 27 2.5.2 Bộ lọc CPHD cho mô hình tuyến tính Gaussian 29 2.6 Đánh giá bộ lọc PHD và CPHD 31 CHƯƠNG 3.
- MỞ RỘNG CHO BÀI TOÁN THEO DẤU ĐA MỤC TIÊU 32 3.1 Thuật toán quản lý mục tiêu 32 3.1.1 Thuật toán quản lý nhãn mục tiêu 32 3.1.2 Thuật toán quản lý mục tiêu trong bộ lọc GM-CPHD 34 3.1.3 Nhận xét thuật toán quản lý nhãn mục tiêu 37 3.2 Thuật toán xử lý theo dấu đa mục tiêu đa nguồn 37 3.2.1 Giới thiệu bài toán theo dấu mục tiêu đa nguồn 38 3.2.2 Ước lượng trạng thái đa mục tiêu đa nguồn 39 3.2.3 Nhận xét thuật toán xử lý theo dấu đa mục tiêu, đa cảm biến 42 CHƯƠNG 4 THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 43 4.1 Xây dựng kịch bản thực nghiệm 43 4.2 Thực nghiệm bộ lọc PHD và đánh giá 45 4.3 Thực nghiệm bộ lọc CPHD và đánh giá 48 4.4 Thực nghiệm bộ lọc Label-CPHD quản lý nhãn mục tiêu và đánh giá 52 4.5 Thực nghiệm bộ lọc MS-PHD và đánh giá 55 CHƯƠNG 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 61 5.1 Tổng kết 61 5.2 Hướng phát triển tiếp theo 61 DANH MỤC THAM KHẢO 63 10 CHƯƠNG I.
- ĐẶT VẤN ĐỀ 1.1 Giới thiệu bài toán theo dấu đa mục tiêu Từ những năm 1961, cơ quan NASA đã phát triển chương trình Apolo, với kết quả là con người lần đầu tiên đặt chân lên mặt trăng vào ngày 20/07/1969.
- Trái tim của chương trình máy tính dẫn đường đó là thuật toán ước lượng trạng thái đệ quy được biết tới dưới tên bộ lọc Kalman Filter [2], thuật toán mà cho đến nay vẫn được sử dụng để ước lượng trực tuyến trạng thái của một hệ thống từ một chuỗi các quan sát theo thời gian có nhiễu.
- thuộc các lĩnh vực từ kinh tế học cho tới kĩ thuật y sinh và đặc biệt là trong bài toán theo dấu mục tiêu quân sự.
- Bộ lọc dựa trên hai thông tin đầu vào là vector trạng thái chứa các đặc điểm chuyển động của mục tiêu được quan sát và vector quan sát nhận được từ các cảm biến đo cũng bị ảnh hưởng bởi nhiễu.
- Bộ lọc Kalman kết hợp hai thông tin trên cùng với một mô hình hóa hệ thống phù hợp để ước lượng được trạng thái của mục tiêu.
- Các nhà nghiên cứu thường chia các phương pháp theo dấu mục tiêu thành hai loại: theo dấu đơn mục tiêu và theo dấu đa mục tiêu.
- Bài toán theo dấu đơn mục tiêu chỉ quan tâm tới một mục tiêu cụ thể duy nhất mà không quan tâm tới sự tồn tại và tương quan với các mục tiêu khác.
- Đầu vào của bài toán là mô hình thay đổi trạng thái và mô hình quan sát mục tiêu cùng các quan sát.
- Đầu ra của bài toán là trạng thái của mục tiêu.
- Các phương pháp thực hiện đều sử dụng một bộ lọc phù hợp (ví dụ bộ lọc Kalman) để ước lượng trạng thái mục tiêu.
- Bài toán theo dấu đa mục tiêu có hai nhiệm vụ: ước lượng số lượng mục tiêu và trạng thái của từng mục tiêu.
- Các phương pháp truyền thống được sử dụng trong theo dấu đa mục tiêu đều dựa trên ý tưởng giả thuyết gán giữa các quan sát và các mục tiêu.
- Tuy nhiên, các phương pháp trên đều có những hạn chế chung: mô hình toán học không tuân theo chính xác lý thuyết xác suất Bayesian, số lượng giả thuyết gán tăng cấp số nhân theo số lượng mục tiêu và số quan sát.
- Trong những năm gần đây, các nhà nghiên cứu mà tiên phong là R.Mahler đã phát triển bài toán theo dấu đa mục tiêu bằng cách xem xét các trạng thái mục tiêu và các quan sát là tập ngẫu nhiên hữu hạn – Random Finite Set (RFS) [5] và các bộ lọc Bayesian cho biến ngẫu nhiên tập hợp.
- Bài toán theo dấu đa mục tiêu dựa trên tập ngẫu nhiên hữu hạn có đầu vào là các quan sát thu được từ cảm biến được mô hình là tập ngẫu nhiên hữu hạn, kết hợp với các bộ lọc Bayesian cho đầu ra là tập trạng thái các mục tiêu.
- Từ đây khi nói đến bài toán theo dấu mục tiêu tức là bài toán theo dấu đa mục tiêu trừ những trường hợp cụ thể được trình bày rõ.
- 1.2 Cấu trúc hệ thống theo dấu đa mục tiêu Hệ thống theo dấu đa mục tiêu thông thường bao gồm bốn phần chính.
- Khối tương quan dữ liệu (Data Association/Correlation): Nhiệm vụ của khối này là ánh xạ (tương quan) giữa các điểm quan sát mới thu nhận được với các mục tiêu đang có của hệ thống.
- Khối Cập nhật/Khởi tạo/Xóa mục tiêu: Khối thực hiện cập nhật các quan sát vào các mục tiêu hiện có, khởi tạo mục tiêu cho các quan sát mới và xóa bỏ các mục tiêu đã lâu không được cập nhật.
- Khối dự đoán mục tiêu: Khối thực hiện dự đoán ngoại suy mục tiêu tại thời điểm hiện tại tới các thời điểm tiếp theo.
- Khối cửa sổ tìm kiếm: Hỗ trợ khối tương quan dữ liệu trong lọc bỏ các tương quan quan sát – mục tiêu không hợp lý.
- 12 Khối tương quan dữ liệuHệ thống bám quỹ đạo đa mục tiêuCửa sổ tìm kiếmKhối Cập nhật/Khởi tạo/Xóa quỹ đạoKhối dự đoán quỹ đạoKhối xử lý tín hiệu sensorĐiểm dấuQuỹ đạoHệ thống cấp trên Hình 1 Hệ thống theo dấu đa mục tiêu Bốn khối cơ bản của thuật toán thực hiện 2 nhiệm vụ chính, đó là quản lý mục tiêu (dự đoán, cập nhật, khởi tạo, xóa mục tiêu) và tương quan quan sát – mục tiêu.
- Trong quản lý mục tiêu, phần khó khăn nhất chính là ước lượng số lượng mục tiêu và cập nhật quan sát cho các mục tiêu đã có, đó là nhiệm vụ của thuật toán lọc và khởi tạo mục tiêu như: bộ lọc Kalman Filter, Extended Kalman Filter, Particle Filter.
- Phần tương quan quan sát – mục tiêu sẽ do các thuật toán tương quan đảm nhiệm như: Probabilistic Data Association, Multiple Hypothesis Tracking,… Các phương pháp theo dấu đa mục tiêu truyền thống tồn tại những khuyết điểm không thể giải quyết đã được đề cấp trong [3], [5].
- Hai bộ lọc PHD, CPHD đều bỏ qua bước gán quan sát – mục tiêu, kết quả trạng thái thu được tại mỗi thời điểm của bộ lọc là không có thứ tự, không có mối liên hệ với trạng thái thu được ở các thời điểm trước đó nên không biết được quỹ đạo của mục tiêu, không lưu giữ được các thông tin phụ trợ khác.
- Mặt khác thông tin quỹ đạo mục tiêu là một thông tin quan trọng, có nhiều ý nghĩa đối với nhiều bài toán như đánh giá hiểm họa, dẫn đường.
- Hai bộ lọc PHD, CPHD đều đang được tập trung nghiên cứu trong trường hợp 13 chỉ có một nguồn dữ liệu mà không quan tâm đến trường hợp có nhiều nguồn dữ liệu.
- 1.3 Mục tiêu và cách tiếp cận của luận văn 1.3.1 Mục tiêu của luận văn Luận văn ngoài việc phân tích, đánh giá chất lượng của hai bộ lọc PHD, CPHD đồng thời cũng đề xuất hai mở rộng đóng góp đó là: 1) Phát triển một thuật toán gán nhãn giúp phân biệt các mục tiêu khác nhau, duy trì được định danh, lịch sử mục tiêu và các thông tin phụ trợ khác nếu có.
- 2) Phát triển một thuật toán cho phép xử lý hợp nhất dữ liệu đa nguồn, cho phép kết hợp dữ liệu từ nhiều nguồn khác nhau nhằm đạt được độ chính xác cao hơn hoặc với bài toán chỉ có thể theo dấu được mục tiêu khi có nhiều nguồn.
- 1.3.2 Cách tiếp cận của luận văn Hình 2 thể hiện cách tiếp cận của luận văn cho phép giải quyết bài toán theo dấu đa mục tiêu dựa trên hai thuật toán PHD và CPHD.
- Thuật toán xử lý đệ quy theo từng thời điểm quan sát của cảm biến.
- dữ liệu đầu vào của hệ thống là trạng thái đa mục tiêu có được ở thời điểm.
- cùng nhiễu hệ thống, được đưa vào bộ ước lượng tiên nghiệm trạng thái đa mục tiêu và các phân phối đặc trưng của các bộ lọc (bộ lọc PHD sử dụng phân phối cường độ, bộ lọc CPHD sử dụng cả phân phối cường độ và phân phối số lượng mục tiêu).
- Đầu ra của bộ ước lượng tiên nghiệm là trạng thái tiên nghiệm đa mục tiêu.
- cùng ước lượng tiên nghiệm phân phối đặc trưng của bộ lọc.
- Thông tin trên kết hợp với mô hình nhiễu đo lường và tập hợp các quan sát.
- từ cảm biến đưa vào trong bộ ước lượng hậu nghiệm trạng thái mục tiêu và phân phối đặc trưng.
- Đầu ra của bộ ước lượng hậu nghiệm là trạng thái hậu nghiệm đa mục tiêu.
- Kết quả đầu ra ở trên được sử dụng để đưa vào bộ quản lý nhãn mục tiêu, nhằm duy trì định danh phân biệt cho từng mục tiêu và cuối cùng kết quả trở thành đầu vào cho bước xử lý tiếp theo.
- 14 Hình 2 Lưu đồ thực hiện thuật toán theo dấu đa mục tiêu 15 1.4 Phạm vi của luận văn Luận văn đưa ra các đánh giá, thực nghiệm, mở rộng với giả thuyết các mục tiêu chuyển đổi trạng thái theo mô hình tuyến tính Gaussian, hàm đo lường tuyến tính theo trạng thái mục tiêu, nhiễu hệ thống và nhiễu đo lường là nhiễu Gaussian trắng, độc lập với nhau.
- Trong mở rộng thứ nhất, thuật toán gán nhãn mục tiêu tập trung giải quyết trường hợp các mục tiêu chuyển động cắt nhau, không xét trường hợp chuyển động song song và sát nhau do có thể dẫn đến cảm biến không phát hiện được đủ quan sát của mỗi mục tiêu dẫn đến lỗi gán nhầm nhãn.
- Giới thiệu tóm tắt về mô hình hệ thống đơn, đa mục tiêu.
- giới thiệu bài toán lọc và ước lượng trạng thái đa mục tiêu cùng với hai bộ lọc PHD, CPHD.
- Chương 3: Mở rộng cho bài toán theo dấu đa mục tiêu.
- Chương này đưa ra hai mở rộng cho bài toán định danh mục tiêu và xử lý dữ liệu đa nguồn

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt