Agosto 2016 vol. 2 num. 1 - XVIII Simpósio de Pesquisa Operacional & Logística da Marinha

Artigo Completo - Open Access.

Idioma principal

ESTRATÉGIAS DE ACOMPANHAMENTO DE MÚLTIPLOS ALVOS: UMA COMPARAÇÃO ENTRE AS ABORDAGENS DE ASSOCIAÇÃO DE DADOS MHT E REDES NEURAIS

Vargas A., Manuel R. ; Assane, Cachimo C. ; Oliveira, Rubens L. de ; Lima, Beatriz P. de ;

Artigo Completo:

Neste trabalho desenvolvemos uma estratégia de acompanhamento de múltiplos alvos que trafegam em um ambiente marítimo a partir de informações provenientes de um único sensor radar. Utilizamos Redes Neurais artificiais como metodologia de associação de dados e comparamos o seu desempenho com o da abordagem clássica baseada no algoritmo de associação de dados MHT. A metodologia proposta permitiu a redução do tempo de execução do algoritmo comparando com a abordagem clássica. Quando em alguns cenários s~ao introduzidas perdas de deteção, a metodologia clássica apresenta dificuldades em manter o acompanhamento de alguns alvos, o que pode ser considerado um dos seus pontos fracos. Em relação ao número de falsos acompanhamentos criados, a metodologia clássica apresenta um número maior em relação à abordagem proposta, provavelmente devido à sua complexidade na estratégia de busca (combinatória) e o processo de inicialização.

Artigo Completo:

Download (PDF)

Palavras-chave: Algoritmos de acompanhamento, algoritmos de associação de dados, algoritmo MHT, Redes Neurais Articiais, ltragem,

Palavras-chave: ,

DOI: 10.5151/marine-spolm2015-140369

Referências bibliográficas
  • [1] WASSERMAN, P. D., 1989, Neural Computing Theory and Practice. Van Nostrand Reinhold: New York, USA.
  • [2] HERTZ, J., KROGH, A., PALMER, R., 1991, Introduction to the Theory of Neural Computation. 1st ed. Addison-Wesley Publishing Company: Reading, Massachusetts.
  • [3] WINTER, M., FAVIER, G., \A neural network for data association"", IEEE International Conference on Acoustics, Speech, and Signal Processing, 1999. Proceedings of the IEEE, 1999 , v. 2, pp. 1041{1044, Mar. 1999.
  • [4] WINTER, M., FAVIER, G., \A neural solution for multitarget tracking based on a maximum likelihood approach"", IEEE International Conference on Acoustics, Speech and Signal Processing, 1998. Proceedings of the IEEE, v. 2, pp. 1141{1144, May. 1998.
  • [5] LIN, Y. J., CHEN, H. T., SU, J. D., et al., \Applying the Competitive Hop - eld Neural Network to Multiple Target Tracking Systems"", Automatic Control Conference Tainan, Taiwan, Nov. 200
  • [6] RICHARD, M. D., LIPPMANN, R. P., \Neural network classi ers estimate Bayesian a posteriori probabilities"", Neural computation, v. 3, n. 4, pp. 461{ 483, 1991.
  • [7] GUANG-YUAN, Z., FU-JUN, W., ZHEN-SHENG, W., \Interacting Multiple Model Algorithm Used In Multi-Sensor Fusion System"", 8th International Conference on Electronic Measurement and Instruments, , n. 4, pp. 4{135 4{139, 200
  • [8] BAR-SHALOM, Y., LI, X.-R., 1995, Multitarget-Multisensor Tracking: Principles and Techniques. 3rd ed. Yaakov Bar-Shalom.
  • [9] KIRUBARAJAN, T., BAR-SHALOM, Y., \Kalman Filter vs. IMM Estimator: When Do We Need the Latter?"" IEEE Transactions on Aerospace and Electronic Systems, v. 39, n. 4, pp. 1452 1457, Oct. 2003.
  • [10] PETERS, D. J., A Practical Guide to Level One Data Fusion Algorithms, Tech. Rep. DREA TM 2001-201, Defence Research Establishment Atlantic, 2001.
  • [11] AMDITIS, A., THOMAIDIS, G., MAROUDIS, P., et al., \Multiple Hypothesis Tracking Implementation"", In: RODRIGUEZ, J. A. M. (ed), Laser Scanner Technology, chap. 10, InTechOpen, 2012.
  • [12] BAR-SHALOM, Y., 1990, Multitarget-multisensor tracking: advanced applications. v. 1. Artech House: Norwood, MA.
  • [13] MIGUENS, A. P., 1996, Navegação a Ci^encia e a Arte: Navegação Costeira, Estimada e em Aguas Restritas. v. 1. Rio de Janeiro: DHN.
  • [14] KANG, E. W., 2008, Radar system analysis, design, and simulation. Artech House.
  • [15] HAGAN, M. T., MENHAJ, M. B., \Training feedforward networks with the Marquardt algorithm"", Neural Networks, IEEE Transactions on, v. 5, n. 6, pp. 989{993, Nov. 1994.
  • [16] DE OLIVEIRA, J. R. P., Acompanhamento de Alvos Radar Utilizando Filtragemde Kalman e Vetor de Estados com Dimens~ao Variável , Tese de mestrado, PEE - COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 2005.
  • [17] BAR-SHALOM, Y., WILLETT, P. K., TIAN, X., 2011, Tracking and Data Fusion a Handbook of Algorithms. Yaakov Bar-Shalom.
  • [18] LI, X.-R., JILKOV, V. P., \Survey of Maneuvering Target Tracking: Dynamic Models"". In: Proceedings of SPIE Conference on Signal and Data Processing of Small Targets, v. 4048, pp. 212{235, Orlando, FL, USA, April 2000.
  • [19] YUAN, X., LIAN, F., HAN, C., \Models and Algorithms for Tracking Target with Coordinated Turn Motion"", Mathematical Problems in Engineering, v. 2014, n. 649276, pp. 1{10, 2014.
  • [20] BLOM, H. A. P., BAR-SHALOM, Y., \The interacting multiple model algorithm for systems with Markovian switching coeficients"", IEEE Transactions on Automatic Control , v. 33, n. 8, pp. 780{783, 1988.
  • [21] ALY, S. M., FOULY, R. E., BARAKA, H., \Extended Kalman Filtering and Interacting Multiple Model for Tracking Maneuvering Targets in Sensor Netwotrks"", Seventh Workshop on Intelligent solutions in Embedded Systems, pp. 149{156, Jun. 2009.
  • [22] DANG, H., HAN, C., GRUYER, D., \Combining of IMM filtering and DS data association for multitarget tracking"", Fusion 2004: Seventh International Conference on Information Fusion, 2004.
  • [23] BLACKMAN, S. S., POPOLI, R., 1999, Design and analysis of modern tracking systems. Artech House.
Como citar:

Vargas A., Manuel R. ; Assane, Cachimo C.; Oliveira, Rubens L. de; Lima, Beatriz P. de; "ESTRATÉGIAS DE ACOMPANHAMENTO DE MÚLTIPLOS ALVOS: UMA COMPARAÇÃO ENTRE AS ABORDAGENS DE ASSOCIAÇÃO DE DADOS MHT E REDES NEURAIS", p. 279-294 . In: Anais do XVIII Simpósio de Pesquisa Operacinal & Logística da Marinha. São Paulo: Blucher, 2016.
ISSN 2175-6295, ISBN: 2358-5498
DOI 10.5151/marine-spolm2015-140369

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações