It is understood that the forward–b

It is understood that the forward–backward probability hypothesis density (PHD) smoothing algorithms proposed recently can significantly improve state estimation of targets.


However, our analyses in this paper show that they cannot give a good cardinality (i.e., the number of targets) estimate.


This is because backward smoothing ignores the effect of temporary track dropping caused by forward filtering and/or anomalous smoothing resulted from deaths of targets.


To cope with such a problem, a novel PHD smoothing algorithm, called the variable-lag PHD smoother, in which a detection process used to identify whether the filtered cardinality varies within the smooth lag is added before backward smoothing, is developed here.


The analytical results show that the proposed smoother can almost eliminate the influences of temporary track dropping and anomalous smoothing, while both the cardinality and the state estimations can significantly be improved.


Simulation results on two multi-target tracking scenarios verify the effectiveness of the proposed smoother.

ผลลัพธ์ (ไทย) 1:

มันคือเข้าใจว่า น่าเป็นไปข้างหน้าย้อนหลังฟังก์ชันความหนาแน่น (ปริญญาเอก) อัลกอริทึมในการนำเสนอเมื่อเร็ว ๆ นี้ราบเรียบมากช่วยประเมินสถานะของเป้าหมาย อย่างไรก็ตาม เราวิเคราะห์ในเอกสารนี้แสดงว่า พวกเขาไม่ให้ประเมินดีจำนวนนับ (เช่น จำนวนของเป้าหมาย) ทั้งนี้เนื่องจากย้อนหลังราบเรียบไม่พิจารณาผลของการติดตามที่วางชั่วคราวเกิดจากกรองไปข้างหน้า หรือปรับให้เรียบ anomalous เป็นผลมาจากการเสียชีวิตของเป้าหมาย เพื่อรับมือกับปัญหาดังกล่าว ปริญญาเอกนวนิยายที่อัลกอริทึม การแปรความล่าช้าปริญญาเอกเรียบ ซึ่งเป็นเพิ่มกระบวนการตรวจที่ใช้ในการระบุว่าจำนวนนับกรองแตกต่างกันไปในความล่าช้าเรียบก่อนปรับให้เรียบย้อนหลัง ที่เรียกว่าราบเรียบคือพัฒนาที่นี่ ผลการวิเคราะห์แสดงว่า เนียนเสนอสามารถกำจัดอิทธิพลวางเพลงชั่วคราวและ anomalous ราบเรียบ ในขณะที่จำนวนนับและการประเมินสถานะสามารถมากปรับปรุงเกือบ ผลการทดลองในสถานการณ์ติดตามเป้าหมายหลายสองตรวจสอบประสิทธิภาพของเนียนเสนอ

ผลลัพธ์ (ไทย) 2:

เป็นที่เข้าใจว่าน่าจะเป็นไปข้างหน้าย้อนกลับหนาแน่นสมมติฐาน (ปริญญาเอก) เรียบขั้นตอนวิธีการที่นำเสนอเมื่อเร็ว ๆ นี้อย่างมีนัยสำคัญสามารถปรับปรุงการประมาณค่าสถานะของเป้าหมาย. อย่างไรก็ตามการวิเคราะห์ของเราในการแสดงบทความนี้ว่าพวกเขาไม่สามารถให้ cardinality ดี (เช่นจำนวนของเป้าหมาย) ประมาณการ . เพราะนี่คือการปรับให้เรียบย้อนกลับไม่สนใจผลกระทบจากการลดลงติดตามชั่วคราวที่เกิดจากการไปข้างหน้าในการกรองและ / หรือเรียบที่ผิดปกติเป็นผลมาจากการเสียชีวิตของเป้าหมาย. เพื่อรับมือกับปัญหาดังกล่าวมีการปรับให้เรียบ PHD นวนิยายขั้นตอนวิธีการที่เรียกว่า PHD ตัวแปรล่าช้าเรียบใน ซึ่งเป็นกระบวนการการตรวจสอบที่ใช้ในการระบุว่า cardinality กรองแตกต่างกันไปในความล่าช้าเรียบเพิ่มก่อนที่ราบเรียบย้อนกลับได้รับการพัฒนาที่นี่. ผลการวิเคราะห์แสดงให้เห็นว่าการเสนอเรียบเกือบจะสามารถขจัดอิทธิพลของวางติดตามชั่วคราวและเรียบที่ผิดปกติในขณะที่ทั้งสอง cardinality และประมาณการของรัฐอย่างมีนัยสำคัญสามารถปรับปรุง. ผลของการจำลองในสองสถานการณ์การติดตามหลายเป้าหมายตรวจสอบประสิทธิภาพของการเสนอเรียบเนียน

ผลลัพธ์ (ไทย) 3:

เป็นที่เข้าใจว่าไปข้างหน้าและถอยหลัง ความน่าจะเป็นสมมุติฐานความหนาแน่น ( ปริญญาเอก ) เรียบขั้นตอนวิธีเสนอเมื่อเร็ว ๆ นี้สามารถปรับปรุงการประมาณค่าสถานะของเป้าหมาย


แต่ของเราวิเคราะห์แสดงในบทความนี้ที่พวกเขาไม่สามารถให้คาร์ดินาลลิตีดี ( เช่น จำนวนของเป้าหมาย

) ประมาณนี้เป็นเพราะข้างหลังเรียบไม่สนใจผลชั่วคราวติดตามลดลงเกิดจากไปข้างหน้ากรองและ / หรือผิดปกติอะไร สาเหตุมาจากการเสียชีวิตของเป้าหมาย


เพื่อรับมือกับปัญหาดังกล่าว เป็นนวนิยายเรื่องเอกแบบเรียบ เรียกว่า ตัวแปรล่าช้าปริญญาเอกเรียบซึ่งในการตรวจสอบขั้นตอนการใช้เพื่อระบุว่า กรองภาวะเชิงการนับแตกต่างกันภายในร่างกายเรียบเพิ่มก่อนไปข้างหลังเรียบ พัฒนาที่นี่


ผลการวิเคราะห์แสดงให้เห็นว่าเสนอเรียบเกือบจะขจัดอิทธิพลของชั่วคราวที่ติดตามการลดลงและเรียบ ในขณะที่ทั้งคาร์ดินาลลิตและรัฐประมาณการอย่างมากสามารถได้รับการปรับปรุง


ผลการทดสอบสอง multi-target ติดตามสถานการณ์ตรวจสอบประสิทธิภาพของการเสนอเรียบ