Tracker-aware detection: A theoretical and an experimental study

Abstract

Umut vaat eden bir araştırma kolu, sezimci ve izleyici arasında, her iki alt sistem için birleşikolarak eniyi parametre ayarlarını gözönüne alarak, bir köprü kurma çabası içindedir. Buverimli yolda, bu tez çalışması, izleyici-farkında olarak, sezimci eşiği eniyileme problemineodaklanmaktadır. Bu şekilde, izleyiciden sezimciye, tüm sistemin performansını artıracakşekilde bir geri besleme yapılmaktadır. Özel olarak, olasılıksal veri ilişkilendirme süzgeci(PDAF) için geliştirilmiş iki benzetimsiz başarım tahmini (NSPP) yöntembilimi olan,değiştirilmiş Riccati denklemi (MRE) ve melez koşullu ortalama alma (HYCA)algoritması yöntembilimlerine dayanan eniyileme tasarımlarına ağırlık verilmektedir.Olası geliştirimler iki alanda sunulmaktadır: Manevrasız ve manevralı hedefizleme. İlk alanda, bir takım algoritmik ve deneysel değerlendirme boşlukları belirlenmekteve birleştirici bir kuramsal ve deneysel çatı altında, yeni önerilen yöntemler, mevcut olanlarlakarşılaştırılmaktadır. Ayrıca, MRE tabanlı dinamik eşik eniyileme problemi için, kapalı birçözüm önerilmektedir. Bu çözüm, izleme sisteminin ne zaman, sezmeden önce izle (TBD)moduna geçmesi gerektiğine dair, çalışılan işaret gürültü oranı (SNR) üzerinde kuramsal biralt sınır getirmektedir.İkinci alandaki geliştirmeler olarak, ilk alanda kullanılan bazı fikirler, manevralı hedef izlemedurumu için genişletilmiştir. Birincil katkı, PDAF için uygulanabilen dinamik eniyilemeyaklaşımlarının, etkileşimli çoklu model olasılıksal veri ilişkilendirme süzgeci (IMM-PDAF)için genişletilmesi ile yapılmıştır. Süzgeçten sezimciye çevrim içi bir geri beslemeyi sonuçveren bu genişletme, düşük SNR değerleri altında, izleme sistemini iz kayıplarına karşıgürbüz hale getirmiştir.

A promising line of research attempts to bridge the gap between detector and tracker bymeans of considering jointly optimal parameter settings for both of these subsystems. Alongthis fruitful path, this thesis study focuses on the problem of detection threshold optimizationin a tracker-aware manner so that a feedback from the tracker to the detector is established tomaximize the overall system performance. Special emphasis is given to the optimizationschemes based on two non-simulation performance prediction (NSPP) methodologies for theprobabilistic data association filter (PDAF), namely, the modified Riccati equation (MRE)and the hybrid conditional averaging (HYCA) algorithm.The possible improvements are presented in two domains: Non-maneuvering andmaneuvering target tracking. In the first domain, a number of algorithmic and experimentalevaluation gaps are identified and newly proposed methods are compared with the existingones in a unified theoretical and experimental framework. Furthermore, for the MRE baseddynamic threshold optimization problem, a closed-form solution is proposed. This solutionbrings a theoretical lower bound on the operating signal-to-noise ratio (SNR) concerningwhen the tracking system should be switched to the track before detect (TBD) mode.As the improvements of the second domain, some of the ideas used in the first domain areextended to the maneuvering target tracking case. The primary contribution is made byextending the dynamic optimization schemes applicable to the PDAF to the interactingmultiple model probabilistic data association filter (IMM-PDAF). Resulting in an onlinefeedback from the filter to the detector, this extension makes the tracking system robustagainst track losses under low SNR values.