CB-MeMBer filtresinin GM ve SMC gerçeklemelerinin sensör kontrolü performanslarının farklı ödül fonksiyonları için karşılaştırılması

Öz

Bu çalışmada rastgele sonlu kümeler teorisi çerçevesinde geliştirilmiş olan kardinalitesi dengelenmiş çoklu Bernoulli filtresinin ardışık Monte Carlo ve Gaus karışımı gerçeklemeleri farklı sensör kontrolü uygulaması için karşılaştırılmıştır. Simülasyonlarda belirsizlik azaltılması ve bilgi kazancına dayalı iki farklı ödül/ceza fonksiyonu kullanılmıştır. Bu fonksiyonlar, kısmen gözlemlenebilir Markov karar süreçleri yöntemi kullanılarak optimize edilmiş ve platformların bir sonraki hamlesi buna göre belirlenmiştir. Literatürde hali hazırda ardışık Monte Carlo gerçeklemeleri için kardinalitesi dengelenmiş çoklu Bernoulli filtresi ile sensör kontrolü alanında yayınlar bulunmaktadır. Ancak rastgele sonlu kümeler tabanlı filtrelerin Gaus karışımları üstüne fazla çalışma yoktur. Bu nedenle, algoritmaların Gaus karışımlarında da kullanılabilmesi için denklemler sunulmuştur. Bu iki farklı gerçekleme farklı sensörler ve farklı ödül/ceza fonksiyonları açısından simülasyonlarla karşılaştırılmıştır. Algoritmaların gerçek sistemlerde uygulandığında gösterecekleri performansları hakkında fikir vermesi açısından, çalışma süreleri sunulmuştur.

Anahtar Kelimeler

• Sensör kontrolü,Rastgele sonlu kümeler,Gaus karışımları

Comparison of performances of GM and SMC implementations of CB-MeMBer filter for sensor control

Abstract

In this work, sequential Monte Carlo and Gaussian mixture implementations of cardinality balanced multi-Bernoulli filter, developed under random finite set theory framework, are compared for sensor control application. In the simulations, two different types of reward/penalty functions are utilized. They are based on reduction of uncertainty and information gain. These functions are calculated using partially observable Markov decision processes framework. The sensors move according to the outputs of these functions. The formulations for sequential Monte Carlo methods can already be found in the literature. However, there is not much work done on Gaussian mixtures. Gaussian mixtures based formulations are presented in this work. These two different implementations are compared for different sensor types, reward/penalty functions. In order to give an idea on a possible implementation on a real application, run times of the algorithms are also presented. 

Keywords

• Sensor control,Random finite sets,Gaussian mixtures

Kaynakça

1. Litman T. “Autonomous vehicle implementation predictions: Implications for transport planning,” Victoria Transport Policy Institute, Canada, Technical Report, 2017.
2. Mahler RPS. Statistical Multisource-Multitarget Information Fusion. Boston, USA, Artech House, 2007.
3. Gunes A, Guldogan MB. “Joint underwater target detection and tracking with the Bernoulli filter using an acoustic vector sensor”. Digital Signal Processing, 48, 246-258, 2016.
4. Guldogan MB. “Consensus Bernoulli filter for distributed detection and tracking using multi-static Doppler shifts”. IEEE Signal Processing Letters, 21, 672-676, 2014.
5. Ristic BT. Particle Filters for Random Set Models. Springer, 2013.
6. Gostar AK, Hoseinnezhad R, Bab-Hadiashar A. “Multi-Bernoulli sensor control for multi-target tracking”. IEEE 8th International Conference on Intelligent Sensors, Sensor Networks and Information Processing, Melbourne, Australia, 2-5 April 2013.
7. Zhang D, Xie Z, Li P, Yu J, Chen X, “Real-time navigation in dynamic human environments using optimal reciprocal collision avoidance,” IEEE International Conference on Mechatronics and Automation, Beijing, China, 2-5 August 2015.
8. Ristic B, Vo BN. “Sensor control for multi-object state-space estimation using random finite sets”. Automatica, 46(11), 1812-1818, 2010.

9. Ristic B, Vo B-N, Clark D. “A note on the reward function for PHD filters with sensor control”. IEEE Transactions on Aerospace and Electronic Systems, 47(2), 1521-1529, 2011.
10. Gomes-Borges ME, Maltese D, Vangeeghe P, Duflos E. “A risk-based sensor management using random finite sets and POMDP”. IEEE International Conference on Information Fusion, Xi’an, China, 10-13 June 2017.
11. Gostar AK, Hoseinnezhad R, Bab-Hadiashar A. “Multi-Bernoulli sensor control via minimization of expected estimation errors”. IEEE Transactions on Aerospace and Electronic Systems, 51(3), 1762-1773, 2015.
12. Arupampalam M, Maskell S, Gordon N, Clapp T. “A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking”. IEEE Transactions on Signal Processing, 50, 174-188, 2002.
13. Candy CV. Bayesian Signal Processing: Classical, Modern, and Particle Filtering Methods. Wiley, 2016.
14. Ristic BT, Vo BN, Cantoni. “The cardinality balanced multi-target multi-Bernoulli filter and its implementations”. IEEE Transactions on Signal Processing, 57(2), 409-423, 2008.
15. Ristic B, Vo BT, Vo BN. “A tutorial on Bernoulli filters: Theory, implementation and applications”. IEEE Transactions on Signal Processing, 61, 3406-3430, 2013.
16. Vo B-T, Vo B-N, Cantoni A. “On multi-Bernoulli approximations to the Bayes multi-target filter”. International Symposium on Information Fusion, Xi’an, China, October 2007.
17. Gunes A. “CB-MeMBer filtresi ile sensör kontrolünün GM ve SMC implementasyonlarının karşılaştırılması”. Türk Otomatik Kontrol (TOK) Toplantısı, İstanbul, Türkiye, 2017.
18. Kaelbling LS, Littman ML, Cassandra AR. “Planning and acting in partially observable stochastic domains”. Artificial Intelligence, 101(1), 99-134, 1998.
19. Hero AO, Kreucher,CM, Blatt D. Foundations and Applications of Sensor Management. Springer, 2007.
20. Schuhmacher D, Vo BT, Vo BN. "A Consistent Metric for Performance Evaluation of Multi-Object Filters". IEEE Transactions on Signal Processing, 3447 - 3457, 2008.