基于Q-IMM-MHT的动态干扰下的小型和弱多重目标的强大的追踪方法
Ziqian Yang1,2, Hongbin Nie1, Yuxuan Liu1,2
1National Space Science Center, Chinese Academy of Sciences, Beijing 100190, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
本研究介绍了Q-IMM-MHT,这是一个改进的多目标跟踪算法,可以在复杂的环境中提高准确性和稳定性. 它大大减少了错误,并保持了高的关联准确度,即使在轨道中断.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 信号处理 信号处理
背景情况:
- 传统的多目标追踪与杂乱和轨迹中断作斗争,导致准确性和稳定性差.
- 像UKF,IMM和CIMM这样的现有方法在复杂,动态的环境中存在局限性.
研究的目的:
- 开发一个先进的多目标跟踪算法,Q-IMM-MHT,在具有挑战性的条件下提高性能.
- 通过自适应模型切换和异常检测来提高数据关联准确性和系统稳定性.
主要方法:
- 多重假设跟踪 (MHT) 与交互式多重模型 (IMM) 的整合.
- 实施基于Q学习的自适应模型切换策略,用于动态运动模式调整.
- 支持矢量机器 (SVM) 的利用用于异常检测和轨迹恢复.
主要成果:
- 在高噪音下,根平均平方误差 (RMSE) 减少到0.74像素 (位置) 和0.04像素/ (速度).
- 与UKF,IMM和CIMM相比,实现了至少10.84%和42.86%的RMSE减少.
- 在混乱的环境中,在30中断后保持了>46.3%的关联准确度.
结论:
- 在复杂的环境中,Q-IMM-MHT在多目标跟踪方面取得了显著的性能改进.
- 该算法提高了跟踪精度,稳定性和稳定性,显示出相当大的应用潜力.
