Multisenzorové odhadování trajektorií pomocí TPHD filtrů

Abstract

Tato práce se zaměřuje na odhadování trajektorií pomocí distribuovaných TPHD filtrů v rámci sledování více cílů. Využitím nového přístupu založeného na náhodných konečných množinách trajektorií jsou tradiční přístupy založené na množinách cílů rozšířeny tak, aby umožňovaly odhad celých trajektorií namísto stavů jednotlivých cílů. Pro zlepšení odhadu trajektorií byly navrženy tři strategie fúze: vážená shoda momentů, shoda momentů a průnik kovariancí. Dále byla představena metoda pro řešení rozměrových nesouladů v odhadech trajektorií. Simulace v nekooperativních i kooperativních scénářích, vyhodnocené pomocí metriky GOSPA, ukázaly, že spolupráce zlepšuje odhad trajektorií, zejména v případech s nízkou pravděpodobností detekce. Metoda průniku kovariancí se ukázala jako nejúčinnější strategie, která snižuje počet falešných detekcí a zvyšuje celkovou přesnost. Tato práce rozvíjí využití distribuovaného TPHD filtrování pro robustní odhad trajektorií v rámci sledování více cílů.This thesis focuses on estimating trajectories using distributed TPHD filters in multiple target tracking. By utilizing a novel trajectory random finite set (RFS) approach, traditional target RFS methods are extended to estimate entire trajectories instead of individual target states. To improve trajectory estimation, three fusion strategies were proposed: Weighted Moment Matching, Moment Matching, and Covariance Intersection. Additionally, a method to address dimensional mismatches in trajectory estimates was introduced. Simulations under noncooperative and cooperative setups, evaluated using the GOSPA metric, demonstrated that collaboration enhances trajectory estimation, particularly in cases of low detection probabilities. Covariance Intersection emerged as the most effective strategy, reducing false detections and improving overall accuracy. This work advances the application of distributed TPHD filtering for robust trajectory estimation in MTT.