Robust techniques for multiple target tracking and fully adaptive radar = Técnicas robustas para seguimiento de múltiples blancos y radar adaptativo

Úbeda Medina, Luis Antonio (2018). Robust techniques for multiple target tracking and fully adaptive radar = Técnicas robustas para seguimiento de múltiples blancos y radar adaptativo. Thesis (Doctoral), E.T.S.I. Telecomunicación (UPM). https://doi.org/10.20868/UPM.thesis.53209.

Description

Title: Robust techniques for multiple target tracking and fully adaptive radar = Técnicas robustas para seguimiento de múltiples blancos y radar adaptativo
Author/s:
  • Úbeda Medina, Luis Antonio
Contributor/s:
  • Grajal de la Fuente, Jesús
  • Froilán García Fernández, Ángel
Item Type: Thesis (Doctoral)
Date: 2018
Subjects:
Faculty: E.T.S.I. Telecomunicación (UPM)
Department: Señales, Sistemas y Radiocomunicaciones
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (4MB) | Preview

Abstract

La primera parte de esta tesis se centra en el desarrollo de algoritmos robustos para los problemas de filtrado recursivo en sistemas dinámicos con alta dimensionalidad usando un enfoque bayesiano. La segunda parte de esta tesis se centra en el desarrollo de técnicas bayesianas robustas para gestión de sensores. Una gran cantidad de problemas en ciencia e ingeniería necesitan de la estimación del estado de un sistema, que cambia a lo largo del tiempo, basándose en una secuencia de medidas ruidosas. El filtrado recursivo bayesiano se lleva a cabo calculando en cada instante la función densidad de probabilidad (FDP) del estado del sistema, dadas las medidas recibidas por los sensores hasta el momento. Esta FDP a posteriori contiene toda la información necesaria para la caracterización del estado del sistema. Sin embargo, generalmente, la FDP a posteriori no se puede calcular de forma analítica, por lo que es común recurrir a aproximaciones, como las provistas por los filtros de partículas. Desafortunadamente, el rendimiento de estas aproximaciones generalmente se ve severamente afectado de manera negativa cuando la dimensión del espacio en el que puede tomar valores el estado del sistema es alta. Este efecto se conoce como la maldición de la dimensionalidad. La Parte I de esta tesis está dedicada, por tanto, al desarrollo de diferentes filtros de partículas con un rendimiento robusto en problemas de filtrado en espacios de alta dimensionalidad. Una estrategia comúnmente usada en este tipo de problemas es considerar una partición del espacio de estados, de manera que un filtro de partículas pueda obtener muestras de cada componente de la partición de manera independiente. Siguiendo esta estrategia, y considerando el uso de la técnica de filtrado auxiliar, se propone un primer filtro que es capaz de superar las limitaciones de algoritmos presentados anteriormente en la literatura. Además, se presenta un segundo método que considera la inclusión de una etapa adicional de remuestreo por componentes, que se demuestra útil en casos de alta dimensionalidad del espacio de estados, pagando, no obstante, el precio de la pérdida de diversidad en las muestras de cada componente. Se propone, por tanto, un tercer filtro que decide de manera adaptativa en cada instante de tiempo si es necesario hacer el remuestreo de cada componente del estado. Este último filtro es por tanto un método robusto, con un buen rendimiento para espacios de dimensionalidad tanto baja como alta, ya que realiza el remuestreo por componentes cuando es necesario, intentando, no obstante, favorecer la diversidad de las muestras mientras es posible. Una estrategia alternativa para superar la maldición de la dimensionalidad es el uso de filtros múltiples, en los que se aproxima la FDP marginal a posteriori para cada una de las componentes de una partición del estado usando filtros diferentes. El uso de filtros múltiples requiere, sin embargo, del uso de un procedimiento adicional de marginalización, que generalmente se realiza también de manera aproximada. En esta tesis se detalla la manera de incluir el filtrado auxiliar en un filtro múltiple con una aproximación de primer orden de la integral de marginalización. Se presenta además un filtro que, utilizando métodos integración mediante cuadratura, es capaz de calcular una aproximación de segundo orden a las integrales de marginalización. Adicionalmente, se presenta otra variante del filtro que, además de usar esta aproximación, incluye el uso de filtrado auxiliar. El rendimiento de los diferentes algoritmos presentados se prueba en un problema de seguimiento de múltiples blancos, obteniendo una mejora notable en el rendimiento respecto a otros filtros similares en la literatura. Es común que las medidas recibidas puedan depender de algún parámetro de los sensores, que puede ser modificado. En estos casos, la FDP a posteriori del estado dependerá también de los parámetros seleccionados, de manera que es necesario seleccionarlos adecuadamente para maximizar el rendimiento y mejorar la estimación. Este problema de gestión de sensores es tratado en la Parte II de esta tesis. Enfoques recientes al problema de la gestión de sensores, como el del radar completamente adaptativo (FAR), están inspirados en la visión de la neurociencia sobre los problemas de la cognición y la toma de decisiones. El enfoque del FAR recoge en una arquitectura simple y compacta los principales conceptos de este tipo de planteamientos. Las implementaciones en la literatura de un sistema FAR para los problemas de seguimiento de un blanco y detección y seguimiento simultáneos de un blanco son revisadas, mientras que también se presenta la especialización del sistema para el problema de seguimiento de un número finito y conocido de blancos. En la parte final de esta tesis, se muestra cómo las implementaciones de un sistema FAR para los problemas de seguimiento de un blanco y detección y seguimiento simultáneos de un blanco previamente revisadas, presentan ciertos problemas de robustez en escenarios que entrañan dificultades, haciendo que caiga severamente el rendimiento del sistema. Estos problemas de robustez son primero caracterizados de manera exhaustiva, para finalmente proponer nuevos algoritmos robustos dentro del esquema de un sistema FAR. Los métodos presentados se prueban mediante simulaciones en escenarios que entrañan dificultad, demostrando que tienen un rendimiento fiable en este tipo de situaciones. ----------ABSTRACT---------- This Ph.D. thesis is concerned with the development of robust methods for highdimensional recursive Bayesian filtering and sensor management in dynamic systems. Many problems in science and engineering require the estimation of the state of a system, that changes over time, using a sequence of available noisy measurements. Recursive Bayesian filters sequentially compute at each time step the probability density function (PDF) of the state of a dynamic system given all the received sensor measurements. This posterior PDF includes all the information of interest about the state for estimation purposes. However, except for a very limited class of models, the posterior PDF cannot be generally computed in closed form, and approximations, such as particle filters, are necessary. Unfortunately, the performance of these approximations generally severely degrades when the dimension of the space in which the state of the system takes values is high, an effect which is commonly referred to as the curse of dimensionality. Part I of this thesis focuses on the development of different particle filtering techniques which can robustly tackle the filtering of high-dimensional states. A useful strategy to overcome the curse of dimensionality is to consider a partition of the state space, so that samples from each component of the partition can be drawn independently in a particle filter. Following this strategy, the auxiliary parallel partition (APP) method is proposed, which overcomes limitations of previous partitioned particle filters in the literature by considering the use of auxiliary particle filtering. A second filter, which additionally incorporates a component-resampling (target-resampling) stage, is also presented. This filter, the target-resampling APP (TRAPP) is shown to be useful when the dimension of the state space is high, at the cost of a loss in the diversity of the samples of each component. Thus, a third method is considered, the adaptive TRAPP (ATRAPP), which adaptively decides if target-resampling is needed in each component. This makes ATRAPP a robust algorithm, with a reliable performance regardless of the dimension of the state space, performing target resampling when necessary and favoring sample diversity when possible. An alternative strategy to beat the curse of dimensionality is to make use of multiple filtering, where the marginal posterior PDF of each component of the state is individually estimated using a different filter. Multiple filters, however, require of a marginalization procedure, which generally also needs to be computed in an approximated form. The inclusion of auxiliary particle filtering along with a first-order approximation to the marginalization procedure in the multiple auxiliary particle filter (MAPF) is detailed. In addition, the sigma-point multiple particle filter (SP-MPF) is presented, which, making use of sigma-point integration methods, computes a second-order approximation to the required marginalization procedure. Finally, auxiliary filtering is also considered within this setting in the sigma-point multiple auxiliary particle filter (SP-MAPF). The presented algorithms are shown to have an outstanding performance with respect to previous methods in the literature in a multiple target tracking scenario. It is often the case in which the received measurements depend on some parameters of the sensors which can be tuned. The posterior PDF of the state in such cases therefore depends on the selected sensor parameters, so that they need to be carefully chosen to maximize performance. This sensor-management problem is the focus of Part II of this thesis. Recent approaches to the sensor management problem, such as the fully adaptive radar (FAR), are inspired by the neuroscience approach to decision making and cognition. The FAR framework gathers in a simple and compact architecture the main concepts of this novel approach. Implementations in the literature of the FAR framework for the problems of single target tracking and simultaneous single target detection and tracking are first reviewed, and the specialization of the FAR for the problem of multiple target tracking with a fixed and known number of targets is presented. In the final part of this thesis, the reviewed FAR implementations in the literature for the problems of single target tracking and simultaneous single target detection and tracking are shown to suffer robustness issues when applied to difficult scenarios. These robustness issues are first thoroughly characterized and alternative robust novel methods within the FAR framework are presented. The proposed methods are shown to reliably perform in these difficult scenarios.

More information

Item ID: 53209
DC Identifier: http://oa.upm.es/53209/
OAI Identifier: oai:oa.upm.es:53209
DOI: 10.20868/UPM.thesis.53209
Deposited by: Archivo Digital UPM 2
Deposited on: 12 Dec 2018 06:33
Last Modified: 12 Jun 2019 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM