利用類神經網路解決多目標追蹤問題

Abstract

多目標追蹤(multitarget tracking)在近年來由於軍事防衛和太空武器方面的發展 ，近年來愈來愈受到重視。而資料關聯(data association)是多目標追蹤最重要的 部分，錯誤的資料關聯往往造成追蹤錯誤，或者是失去軌跡，無法繼續追蹤。聯合 機率資料關聯方法(the joint probabilistic data association approach) 是處 理資料關聯中，目前最好的方法。但是隨著目標和雷達反射訊號的增加，計算的複 雜度急劇的增加。利用類神經網路(neural network)的平行處理的能力，可以減輕 大量計算的負擔。但是以往的類神經網路的方法僅能逼近聯合機率資料關聯方法的 效能。在此篇論文中，一個新的類神經網路(NNDA -- neural network data asso- ciation)被用來解決資料關聯的問題。實驗結果顯示當預測模式和實際外界環境不 相符合時，新的類神經網路比聯合機率機率關聯方法來的好。另外如果當外界有許 多的雜訊(clutter) 或目標作不規則運動(maneuver)時，新的類神經網路也比聯合 機率資料關聯方法更能準確地追蹤。最後根據這個類神經網路模型，為了避免在預 測目標時有過度調整的情形，提出一個學習率的上界來限制學習的速度。同時利用 一個新的式子取代原有的式子，更增進追蹤的準確度。