PCRLB-based multisensor array management for multitarget tracking
Notice bibliographique
Résumé
In this paper we consider the general problem of managing an array of sensors in order to track multiple targets in the presence of clutter. There are three complicating factors. The first is that because of physical limitations (e.g., communication bandwidth) only a small subset of the available sensors can be utilized at any one time. The second complication is that the associations of measurements to targets/clutter are unknown. The third complication is that the total number of targets in the surveillance region is unknown and possibly time varying. It are these second and third factors that extend previous work [ Tharmarasa, R., Kirubarajan, T., and Hernandez, M. L. Large-scale optimal sensor array management for multitarget tracking. IEEE Transactions on Systems, Man, and Cybernetics, to be published.]. Hence sensors must be utilized in an efficient manner to alleviate association ambiguities and to allow accurate estimation of the states of a varying number of targets. We pose the problem as a bi-criterion optimization with the two objectives of (1) controlling the posterior Cramer-Rao lower bound ((PCRLB) which provides a measure of the optimal achievable accuracy of target state estimation), and (2) maximizing the probability of detecting new targets. Only recently have expressions for multitarget PCRLBs been determined [Hue, C, Le Cadre, J.-P., and Perez, P]. Performance analysis of two sequential Monte Carlo methods and posterior Cramer-Rao bounds for multitarget tracking. In Proceedings of the 5th International Conference on Information Fusion, vol. 1, Annapolis, MD, July 2002, 464-473.], and the necessary simulation techniques are computationally expensive. However, in this paper we show the existence of a multitarget information reduction matrix (IRM) which can be calculated off-line in most cases. Additionally, we propose some approximations that further reduce the computational load. We present solution methodologies that, in simulations, are shown to determine efficient utilization strategies for the available sensor resources, with some sensors selected to track existing targets and others given the primary task of surveillance in order to identify new threats.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».