Zvyšování flexibility CPHD filtru pomocí zapomínání

Abstract

Filtr CPHD (cardinalized probability hypothesis density) je vylepšením základního filtru PHD, specificky zaměřeným na poskytování stabilnějších odhadů počtu cílů (tj. jejich kardinality). Klíčovou charakteristikou filtru CPHD je, že rostoucí počet cílů ze své podstaty nezvyšuje rozptyl kardinality, který představuje nejistotu ohledně počtu cílů. To však přináší určité praktické nevýhody. Výsledný filtr může vykazovat poměrně pomalou reakci na změny v počtu cílů a je náchylný k jevu označovanému jako "spooky effect". Tato práce představuje metodu pro zlepšení flexibility filtru CPHD začleněním mechanismu zapomínání. Tím se zlepšuje adaptabilita CPHD filtru v dynamických scénářích s využitím úprav kardinality a interakcí se zorným polem.

The cardinalized probability hypothesis density (CPHD) filter is an enhancement of the basic PHD filter, specifically aimed at providing more stable estimates of the number of targets (i.e., their cardinality). A key characteristic of the CPHD filter is that an increasing number of targets does not inherently increase the cardinality variance, which represents the uncertainty about the number of targets. However, this introduces certain practical drawbacks. The resulting estimator can exhibit a comparatively slow response to changes in the number of targets and is susceptible to a phenomenon referred to as the "spooky effect". This thesis introduces a method to improve the flexibility of the CPHD filter by incorporating a forgetting mechanism. Enhancing the CPHD filter's adaptability to the dynamic scenarios using cardinality adjustments and field of view interactions.