Tracking Crossing Targets in Passive Sonars Using NNJPDA

Varghese, Sahaya Sakila; Sinchu, P.; Bhai, D. Subhadra

doi:10.1016/j.procs.2016.07.266

Cited by 7 publications

(3 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Các thuật toán chính hiện hành bao gồm: thuật toán lân cận gần nhất toàn cục (GNN: Global Nearest Neighbors) [1][2][3], thuật toán kết hợp dữ liệu xác suất đồng thời (JPDA: Joint Probabilistic Data Association) [4][5][6], thuật toán kết hợp dữ liệu đa giả thiết (MHT: Multiple Hypothesis Tracking) [7][8][9][10], thuật toán kết hợp dữ liệu xác suất đồng thời gần nhất (NNJPDA: Nearest Neighbor Joint Probabilistic Data Association) [11,12]. Các thuật toán này rất hiệu quả, đã và đang được sử dụng trong thực tế.…”

Section: Giới Thiệuunclassified

Một thuật toán tối ưu bám quỹ đạo mục tiêu của bài toán quan sát đa mục tiêu trong trường hợp có mục tiêu bị che khuất

Hang¹

2019

Res. Dev. Info. Commun. Tech. J.

View full text Add to dashboard Cite

Trong thực tế quan sát quỹ đạo đa mục tiêu di động, có lúc hệ thống quan sát không thể nhận biết được mục tiêu, do các mục tiêu chuyển động quá gần nhau trong khi độ phân giải của hệ thống quan sát bị hạn chế, hoặc do một số mục tiêu bị che khuất bởi các mục tiêu khác vì một lý do quan trắc nào đó. Trường hợp này cũng thường xảy ra trong những môi trường có số lượng mục tiêu lớn (dày đặc) và mật độ nhiễu lớn. Các thuật toán bám mục tiêu, bám quỹ đạo hiện hành gặp khó khăn và thường mất bám, mất quỹ đạo bám. Trong bài báo này, chúng tôi trình bày một phương pháp liên kết dữ liệu và thuật toán bám quỹ đạo đệ quy từng bước theo thời gian quan sát với sự sử dụng tối đa dữ liệu lịch sử của quỹ đạo. Thuật toán khắc phục được tình trạng mất bám, mất quỹ đạo bám trong môi trường có mục tiêu bị che khuất. Thuật toán là sự kết hợp tư tưởng của phương pháp liên kết dữ liệu đa giả thiết và lọc Kalman mở rộng. Bài báo cũng chứng minh sự tồn tại của lời giải tối ưu từng bước và đưa ra thuật toán tìm lời giải \epsilon-tối ưu.

show abstract

Section: Giới Thiệuunclassified

Một thuật toán tối ưu bám quỹ đạo mục tiêu của bài toán quan sát đa mục tiêu trong trường hợp có mục tiêu bị che khuất

Hang¹

2019

Res. Dev. Info. Commun. Tech. J.

View full text Add to dashboard Cite

show abstract

“…The existing underwater acoustic target passive tracking system obtains the time azimuth histogram to detect the target and track the target through beam forming, which has low information utilization rate for the sonar array, and the obtained azimuth belongs to nonlinear information [ 2 ]. Since there is only the azimuth information of the target on the time azimuth histogram, it may occur that the azimuth trajectories of two or more targets cross, which may easily lead to the loss of the target azimuth trajectory [ 3 ].…”

Section: Introductionmentioning

confidence: 99%

Passive tracking of underwater acoustic targets based on multi-beam LOFAR and deep learning

et al. 2022

View full text Add to dashboard Cite

Conventional passive tracking methods for underwater acoustic targets in sonar engineering generate time azimuth histogram and use it as a basis for target azimuth and tracking. Passive underwater acoustic targets only have azimuth information on the time azimuth histogram, which is easy to be lost and disturbed by ocean noise. To improve the accuracy of passive tracking, we propose to adopt the processed multi-beam Low Frequency Analysis and Recording (LOFAR) as the dataset for passive tracking. In this paper, an improved LeNet-5 convolutional neural network model (CNN) model is used to identify targets, and a passive tracking method for underwater acoustic targets based on multi-beam LOFAR and deep learning is proposed, combined with Extended Kalman Filter (EKF) to improve the tracking accuracy. The performance of the method under realistic conditions is evaluated through simulation analysis and validation using data obtained from marine experiments.

show abstract

“…The GNN simply considers the distances between measurements and tracks and associates those that fall closest to each other. More approaches are based on probabilistic methods (probabilistic data association (PDA) [4], joint probabilistic data association (JPDA) [5], nearest neighbor joint probabilistic data association (NNJPDA) [6], etc.). Take the JPDA algorithm as an example—firstly, multiple track hypotheses are generated in the JPDA, and then the probabilities of the hypotheses are calculated, and the assignment hypotheses of each track are merged.…”

Section: Introductionmentioning

confidence: 99%

Multiple Target Tracking Based on Multiple Hypotheses Tracking and Modified Ensemble Kalman Filter in Multi-Sensor Fusion

Zhang

Sun

et al. 2019

Sensors

View full text Add to dashboard Cite

In multi-sensor fusion (MSF), the integration of multi-sensor observation data with different observation errors to achieve more accurate positioning of the target has always been a research focus. In this study, a modified ensemble Kalman filter (EnKF) is presented to substitute the traditional Kalman filter (KF) in the multiple hypotheses tracking (MHT) to deal with the high nonlinearity that always shows up in multiple target tracking (MTT) problems. In addition, the multi-source observation data fusion is also realized by using the modified EnKF, which enables the low-precision observation data to be corrected by high-precision observation data, and the accuracy of the corrected data can be calibrated by the statistical information provided by the EnKF. Numerical studies are given to demonstrate the effectiveness of our proposed method and the results show that the MHT-EnKF method can achieve remarkable enhancement in dealing with nonlinear movement variation and positioning accuracy for MTT problems in MSF scenario.

show abstract

Tracking Crossing Targets in Passive Sonars Using NNJPDA

Cited by 7 publications

References 6 publications

Một thuật toán tối ưu bám quỹ đạo mục tiêu của bài toán quan sát đa mục tiêu trong trường hợp có mục tiêu bị che khuất

Một thuật toán tối ưu bám quỹ đạo mục tiêu của bài toán quan sát đa mục tiêu trong trường hợp có mục tiêu bị che khuất

Passive tracking of underwater acoustic targets based on multi-beam LOFAR and deep learning

Multiple Target Tracking Based on Multiple Hypotheses Tracking and Modified Ensemble Kalman Filter in Multi-Sensor Fusion

Contact Info

Product

Resources

About