JP2015121473A - 目標追尾装置及び目標追尾方法 - Google Patents
目標追尾装置及び目標追尾方法 Download PDFInfo
- Publication number
- JP2015121473A JP2015121473A JP2013265564A JP2013265564A JP2015121473A JP 2015121473 A JP2015121473 A JP 2015121473A JP 2013265564 A JP2013265564 A JP 2013265564A JP 2013265564 A JP2013265564 A JP 2013265564A JP 2015121473 A JP2015121473 A JP 2015121473A
- Authority
- JP
- Japan
- Prior art keywords
- hypothesis
- target
- likelihood
- wake
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
【課題】目標の種別が複数存在する状況下でも、高精度な目標の航跡を生成することができるようにする。
【解決手段】分解仮説尤度算出部9により算出された分解後の各仮説の尤度から、統合仮説の尤度を算出する相関仮説統合部10を設け、航跡選別部12が、航跡尤度算出部6により算出された各目標の航跡の尤度と、相関仮説統合部10により算出された相関仮説の尤度とを用いて、各目標の航跡の信頼度を算出し、その統合仮説に含まれている各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択する。
【選択図】図1
【解決手段】分解仮説尤度算出部9により算出された分解後の各仮説の尤度から、統合仮説の尤度を算出する相関仮説統合部10を設け、航跡選別部12が、航跡尤度算出部6により算出された各目標の航跡の尤度と、相関仮説統合部10により算出された相関仮説の尤度とを用いて、各目標の航跡の信頼度を算出し、その統合仮説に含まれている各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択する。
【選択図】図1
Description
この発明は、レーダセンサの観測信号に含まれている各目標の観測位置を用いて、各目標の航跡を生成する目標追尾装置及び目標追尾方法に関するものである。
レーダセンサの観測信号(観測値)に含まれている各目標の観測位置を用いて、各目標の航跡を生成する目標追尾装置では、レーダセンサの観測信号に含まれている観測位置が、どの目標に対するものであるかを判別する相関決定処理を実施する必要がある。
ただし、複数の目標が狭い領域に密集しているような場合には、目標と観測位置の相関を決定することが困難になることがある。
そこで、多くの目標が近接して存在する状況や、不要信号が高頻度で発生している状況下でも、目標と観測位置の相関を決定することが可能な目標追尾装置については、近年、様々な提案がなされている。
ただし、複数の目標が狭い領域に密集しているような場合には、目標と観測位置の相関を決定することが困難になることがある。
そこで、多くの目標が近接して存在する状況や、不要信号が高頻度で発生している状況下でも、目標と観測位置の相関を決定することが可能な目標追尾装置については、近年、様々な提案がなされている。
以下の特許文献1には、相関決定アルゴリズムとして、MHT(Multiple Hypothesis Tracking)を用いる目標追尾装置が開示されており、この目標追尾装置では、複数の目標の航跡が組み合わされている相関仮説を複数生成して、複数の相関仮説の信頼度(尤もらしさ)を算出し、その信頼度に基づいて、相関仮説を取捨選択するようにしている。
この目標追尾装置では、相関仮説Ωi kの信頼度βk,iを下記の式(1)にしたがって算出する。
式(1)において、γk,iは相関仮説Ωi kの尤度であり、信頼度βk,iは尤度γk,iを正規化したものである。
式(1)において、γk,iは相関仮説Ωi kの尤度であり、信頼度βk,iは尤度γk,iを正規化したものである。
全相関仮説の信頼度βk,iの和は1.0となり、相関仮説Ωi kの親仮説をΩg k-1とする。
相関仮説Ωi kの尤度γk,iは、下記の式(2)にしたがって算出される。
式(2)において、βk-1,p(i)は更新前の相関仮説の信頼度であり、NTRKは更新前の相関仮説に含まれている既存の航跡の数である。
また、NDTは更新前の相関仮説に含まれている既存の航跡の中で、最新の観測時刻の観測値と相関している航跡の数、NFTは相関仮説に含まれている不要信号の数、NNTは相関仮説に含まれる新たな航跡の数である。
PDはセンサの探知確率、PGはゲート内捕捉確率、βFTは観測空間における誤警報等の発生頻度を示す不要信号密度、βNTは新目標密度である。
相関仮説Ωi kの尤度γk,iは、下記の式(2)にしたがって算出される。
式(2)において、βk-1,p(i)は更新前の相関仮説の信頼度であり、NTRKは更新前の相関仮説に含まれている既存の航跡の数である。
また、NDTは更新前の相関仮説に含まれている既存の航跡の中で、最新の観測時刻の観測値と相関している航跡の数、NFTは相関仮説に含まれている不要信号の数、NNTは相関仮説に含まれる新たな航跡の数である。
PDはセンサの探知確率、PGはゲート内捕捉確率、βFTは観測空間における誤警報等の発生頻度を示す不要信号密度、βNTは新目標密度である。
また、gm,nは観測値が得られた場合の既存の航跡の尤度であり、観測誤差の分布としてガウス分布を仮定すると、下記の式(3)にしたがって算出される。
式(3)において、zmは観測位置ベクトル、znハット(明細書の文書中では、電子出願の関係上、文字の上に“^”の記号を付することができないので、「znハット」のように表記している)は予測観測位置ベクトル、Snは残差共分散行列である。
式(3)において、zmは観測位置ベクトル、znハット(明細書の文書中では、電子出願の関係上、文字の上に“^”の記号を付することができないので、「znハット」のように表記している)は予測観測位置ベクトル、Snは残差共分散行列である。
式(3)の尤度計算式は、Bayes推定の考え方に基づいて、ある観測値群が得られた場合に、該当仮説が成立する確率をBayesの定理を用いて展開することで導出することができる。
また、この尤度計算式は、相関仮説に含まれている各航跡と観測値との各々の相関結果に関する尤度の積として表される。
この尤度計算式における各項は、先頭から順番に、前観測時刻で生成された更新前の相関仮説の尤度、既存の航跡が観測値と相関しているとする推定の尤度、既存の航跡が探知抜けを起こしているとする推定の尤度、観測値を不要信号とする推定の尤度、観測値を新目標とする推定の尤度である。
また、この尤度計算式は、相関仮説に含まれている各航跡と観測値との各々の相関結果に関する尤度の積として表される。
この尤度計算式における各項は、先頭から順番に、前観測時刻で生成された更新前の相関仮説の尤度、既存の航跡が観測値と相関しているとする推定の尤度、既存の航跡が探知抜けを起こしているとする推定の尤度、観測値を不要信号とする推定の尤度、観測値を新目標とする推定の尤度である。
従来の目標追尾装置は以上のように構成されているので、目標の種別が1種類だけであれば、観測位置以外の情報を用いて、相関仮説Ωi kの信頼度βk,iを重み付けすることで、より確度が高い相関決定を行うことができる。しかし、目標の種別が複数存在する状況下では、相関仮説Ωi kの信頼度βk,iを適正に重み付けすることができない。特に、レーダセンサの観測信号に含まれている目標の種別を特定しても、各目標についての種別の確率が100%でない状況下では、相関仮説Ωi kの信頼度βk,iを適正に重み付けすることができない。このため、目標の種別が複数存在する状況下では、高精度な目標の航跡を生成することができない課題があった。
この発明は上記のような課題を解決するためになされたもので、目標の種別が複数存在する状況下でも、高精度な目標の航跡を生成することができる目標追尾装置及び目標追尾方法を得ることを目的とする。
この発明に係る目標追尾装置は、レーダセンサの観測信号に含まれている各目標の観測位置を用いて、各目標の移動位置を予測する追尾処理を実施することで、各目標の航跡を生成するとともに、各目標の航跡の組み合わせからなる相関仮説を生成する目標追尾手段と、目標追尾手段により予測された移動位置と観測位置を用いて、その航跡の尤度を算出する航跡尤度算出手段と、その観測信号に含まれている各目標の種別を特定するとともに、各目標についての種別の確率を算出する種別特定手段と、種別特定手段により特定された種別毎に、目標追尾手段により生成された相関仮説を分解し、種別特定手段により算出された確率を用いて、分解後の各仮説の尤度を算出する分解仮説尤度算出手段と、分解仮説尤度算出手段により算出された分解後の各仮説の尤度から、その相関仮説の尤度を算出する相関仮説尤度算出手段とを設け、航跡選別手段が、航跡尤度算出手段により算出された航跡の尤度と相関仮説尤度算出手段により算出された相関仮説の尤度から各目標の航跡の信頼度を算出し、各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択するようにしたものである。
この発明によれば、レーダセンサの観測信号に含まれている各目標の観測位置を用いて、各目標の移動位置を予測する追尾処理を実施することで、各目標の航跡を生成するとともに、各目標の航跡の組み合わせからなる相関仮説を生成する目標追尾手段と、目標追尾手段により予測された移動位置と観測位置を用いて、その航跡の尤度を算出する航跡尤度算出手段と、その観測信号に含まれている各目標の種別を特定するとともに、各目標についての種別の確率を算出する種別特定手段と、種別特定手段により特定された種別毎に、目標追尾手段により生成された相関仮説を分解し、種別特定手段により算出された確率を用いて、分解後の各仮説の尤度を算出する分解仮説尤度算出手段と、分解仮説尤度算出手段により算出された分解後の各仮説の尤度から、その相関仮説の尤度を算出する相関仮説尤度算出手段とを設け、航跡選別手段が、航跡尤度算出手段により算出された航跡の尤度と相関仮説尤度算出手段により算出された相関仮説の尤度から各目標の航跡の信頼度を算出し、各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択するように構成したので、目標の種別が複数存在する状況下でも、高精度な目標の航跡を生成することができる効果がある。
実施の形態1.
図1はこの発明の実施の形態1による目標追尾装置を示す構成図である。
図1において、レーダセンサ1は図示せぬレーダ装置に搭載されているセンサであり、例えば、レーダ装置から放射されたのち、目標(例えば、飛行機)に反射されて戻ってきた電波や、目標に搭載されている発信器から送信された電波などを観測し、電波等の観測結果を示す観測信号を信号処理部2及び識別処理部7に出力する処理を実施する。
信号処理部2はレーダセンサ1から出力された観測信号に対する所定の信号処理(例えば、A/D変換処理、FFT処理、閾値による検出処理など)を実施することで、その観測信号に含まれている各目標の観測位置を示す情報を抽出する処理を実施する。
図1はこの発明の実施の形態1による目標追尾装置を示す構成図である。
図1において、レーダセンサ1は図示せぬレーダ装置に搭載されているセンサであり、例えば、レーダ装置から放射されたのち、目標(例えば、飛行機)に反射されて戻ってきた電波や、目標に搭載されている発信器から送信された電波などを観測し、電波等の観測結果を示す観測信号を信号処理部2及び識別処理部7に出力する処理を実施する。
信号処理部2はレーダセンサ1から出力された観測信号に対する所定の信号処理(例えば、A/D変換処理、FFT処理、閾値による検出処理など)を実施することで、その観測信号に含まれている各目標の観測位置を示す情報を抽出する処理を実施する。
追尾フィルタ部3は信号処理部2により抽出された各目標の観測位置と、航跡記憶部4により記憶されている1観測時刻前までの既存の航跡とを用いて、各目標の移動位置を予測する公知の目標追尾処理(例えば、カルマンフィルタ処理)を実施することで、各目標の航跡を新たに生成する処理を実施する。航跡の新たな生成には、初めて航跡を生成する他に、旧航跡の更新も含まれる。
航跡記憶部4は例えばRAMやハードディスクなどの記憶装置から構成されており、追尾フィルタ部3により生成された航跡を記憶する。
相関仮説生成部5は追尾フィルタ部3により生成された各目標の航跡の組み合わせからなる相関仮説を生成する処理を実施する。
なお、信号処理部2、追尾フィルタ部3、航跡記憶部4及び相関仮説生成部5から目標追尾手段が構成されている。
航跡記憶部4は例えばRAMやハードディスクなどの記憶装置から構成されており、追尾フィルタ部3により生成された航跡を記憶する。
相関仮説生成部5は追尾フィルタ部3により生成された各目標の航跡の組み合わせからなる相関仮説を生成する処理を実施する。
なお、信号処理部2、追尾フィルタ部3、航跡記憶部4及び相関仮説生成部5から目標追尾手段が構成されている。
航跡尤度算出部6は追尾フィルタ部3により予測された各目標の移動位置と、信号処理部2により抽出された各目標の観測位置とを用いて、追尾フィルタ部3により生成された各目標の航跡の尤度を算出する処理を実施する。なお、航跡尤度算出部6は航跡尤度算出手段を構成している。
識別処理部7はレーダセンサ1から出力された観測信号に含まれている様々な情報を基に観測された目標の種別(例えば、「固定翼機」、「回転翼機」など)を判定するとともに、その判定した種別に該当する確率を算出する処理を実施する。なお、識別処理部7は種別特定手段を構成している。
識別処理部7はレーダセンサ1から出力された観測信号に含まれている様々な情報を基に観測された目標の種別(例えば、「固定翼機」、「回転翼機」など)を判定するとともに、その判定した種別に該当する確率を算出する処理を実施する。なお、識別処理部7は種別特定手段を構成している。
相関仮説分解部8は識別処理部7により特定された種別毎に、相関仮説生成部5により生成された相関仮説を分解する処理を実施する。
分解仮説尤度算出部9は識別処理部7により算出された確率を用いて、相関仮説分解部8により分解された各仮説の尤度を算出する処理を実施する。
なお、相関仮説分解部8及び分解仮説尤度算出部9から分解仮説尤度算出手段が構成されている。
分解仮説尤度算出部9は識別処理部7により算出された確率を用いて、相関仮説分解部8により分解された各仮説の尤度を算出する処理を実施する。
なお、相関仮説分解部8及び分解仮説尤度算出部9から分解仮説尤度算出手段が構成されている。
相関仮説統合部10は相関仮説分解部8により分解された各仮説を統合して、元の相関仮説(統合仮説)を復元するとともに、分解仮説尤度算出部9により算出された分解後の各仮説の尤度から、その統合仮説の尤度を算出する処理を実施する。なお、相関仮説統合部10は相関仮説尤度算出手段を構成している。
相関仮説記憶部11は例えばRAMやハードディスクなどの記憶装置から構成されており、相関仮説統合部10により復元された相関仮説(統合仮説)を記憶する。
相関仮説記憶部11は例えばRAMやハードディスクなどの記憶装置から構成されており、相関仮説統合部10により復元された相関仮説(統合仮説)を記憶する。
航跡選別部12は航跡尤度算出部6により算出された各目標の航跡の尤度と、相関仮説統合部10により算出された相関仮説の尤度とを用いて、各目標の航跡の信頼度を算出する処理を実施する。
また、航跡選別部12は相関仮説統合部10により復元された相関仮説(統合仮説)に含まれている各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択し、その選択した航跡を出力する処理を実施する。なお、航跡選別部12は航跡選別手段を構成している。
また、航跡選別部12は相関仮説統合部10により復元された相関仮説(統合仮説)に含まれている各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択し、その選択した航跡を出力する処理を実施する。なお、航跡選別部12は航跡選別手段を構成している。
図1の例では、目標追尾装置の構成要素である信号処理部2、追尾フィルタ部3、航跡記憶部4、相関仮説生成部5、航跡尤度算出部6、識別処理部7、相関仮説分解部8、分解仮説尤度算出部9、相関仮説統合部10、相関仮説記憶部11及び航跡選別部12のそれぞれが専用のハードウェア(航跡記憶部4及び相関仮説記憶部11以外の構成要素は、例えば、CPUを実装している半導体集積回路、あるいは、ワンチップマイコンなど)で構成されているものを想定しているが、目標追尾装置の全部又は一部がコンピュータで構成されていてもよい。
例えば、目標追尾装置の全部をコンピュータで構成する場合、航跡記憶部4及び相関仮説記憶部11をコンピュータのメモリ上に構成するとともに、信号処理部2、追尾フィルタ部3、相関仮説生成部5、航跡尤度算出部6、識別処理部7、相関仮説分解部8、分解仮説尤度算出部9、相関仮説統合部10及び航跡選別部12の処理内容を記述しているプログラムをコンピュータのメモリに格納し、当該コンピュータのCPUが当該メモリに格納されているプログラムを実行するようにすればよい。
図2はこの発明の実施の形態1による目標追尾装置の処理内容(目標追尾方法)を示すフローチャートである。
なお、図2は定期的に実行する追尾処理の1観測時間分の処理の流れを示しており、目標を観測する度に、目標追尾装置が図2の全体の処理を1回だけ行う。
例えば、目標追尾装置の全部をコンピュータで構成する場合、航跡記憶部4及び相関仮説記憶部11をコンピュータのメモリ上に構成するとともに、信号処理部2、追尾フィルタ部3、相関仮説生成部5、航跡尤度算出部6、識別処理部7、相関仮説分解部8、分解仮説尤度算出部9、相関仮説統合部10及び航跡選別部12の処理内容を記述しているプログラムをコンピュータのメモリに格納し、当該コンピュータのCPUが当該メモリに格納されているプログラムを実行するようにすればよい。
図2はこの発明の実施の形態1による目標追尾装置の処理内容(目標追尾方法)を示すフローチャートである。
なお、図2は定期的に実行する追尾処理の1観測時間分の処理の流れを示しており、目標を観測する度に、目標追尾装置が図2の全体の処理を1回だけ行う。
この実施の形態1では、説明の便宜上、目標の種別が種別A,種別Bの2種類であるものとする。
また、レーダセンサ1から出力される観測信号には目標信号だけが含まれており、目標以外の信号が含まれていない(誤警報等が発生していない)ものとする。
なお、追尾入力として、下記の(1)〜(3)を前提とする。
(1)レーダセンサ1は、目標の識別と測距測角を同時に実行しており、観測信号における目標信号には、目標の位置情報(距離、方位)と識別情報(種別を示す情報)が含まれている。
(2)目標の識別情報は目標追尾に遅延なく入力される。
(3)目標の位置情報と識別情報は全て正しく対応付けられている。
また、レーダセンサ1から出力される観測信号には目標信号だけが含まれており、目標以外の信号が含まれていない(誤警報等が発生していない)ものとする。
なお、追尾入力として、下記の(1)〜(3)を前提とする。
(1)レーダセンサ1は、目標の識別と測距測角を同時に実行しており、観測信号における目標信号には、目標の位置情報(距離、方位)と識別情報(種別を示す情報)が含まれている。
(2)目標の識別情報は目標追尾に遅延なく入力される。
(3)目標の位置情報と識別情報は全て正しく対応付けられている。
次に動作について説明する。
レーダセンサ1は、例えば、レーダ装置から放射されたのち、目標に反射されて戻ってきた電波、あるいは、目標に搭載されている発信器から送信された電波などを観測し、電波等の観測結果を示す観測信号を信号処理部2及び識別処理部7に出力する。
この観測信号には、上述したように、目標信号だけが含まれており、また、その目標信号には、目標の位置情報と識別情報が含まれている。
レーダセンサ1は、例えば、レーダ装置から放射されたのち、目標に反射されて戻ってきた電波、あるいは、目標に搭載されている発信器から送信された電波などを観測し、電波等の観測結果を示す観測信号を信号処理部2及び識別処理部7に出力する。
この観測信号には、上述したように、目標信号だけが含まれており、また、その目標信号には、目標の位置情報と識別情報が含まれている。
信号処理部2は、レーダセンサ1から観測信号を受けると、その観測信号に対する所定の信号処理(例えば、A/D変換処理、FFT処理、閾値による検出処理など)を実施することで、その観測信号に含まれている位置情報を抽出し、その位置情報が示す各目標の観測位置zk,jを追尾フィルタ部3及び航跡尤度算出部6に出力する。観測位置zk,jにおけるkは観測時刻を示し、jは目標を識別するパラメータである。
ここで、図3は時刻t1〜t4の観測信号に含まれている位置情報から特定される目標の観測位置(X−Y平面上の位置)の一例を示す説明図である。図3では、説明の簡単化のために、X−Y平面上の観測位置を示しているが、高度を含む3次元の観測位置であってもよい。
図3の例では、時刻t1,t3,t4において、2つの目標の位置情報が観測されているが、時刻t2では、3つの目標の位置情報が観測されている。
ここで、図3は時刻t1〜t4の観測信号に含まれている位置情報から特定される目標の観測位置(X−Y平面上の位置)の一例を示す説明図である。図3では、説明の簡単化のために、X−Y平面上の観測位置を示しているが、高度を含む3次元の観測位置であってもよい。
図3の例では、時刻t1,t3,t4において、2つの目標の位置情報が観測されているが、時刻t2では、3つの目標の位置情報が観測されている。
追尾フィルタ部3は、信号処理部2から観測時刻kにおける各目標の観測位置zk,jを受けると、各目標の観測位置zk,jと、航跡記憶部4により記憶されている観測時刻k−1(1観測時刻前)までの既存の航跡(旧航跡)とを用いて、各目標の移動位置を予測する公知の目標追尾処理(例えば、カルマンフィルタ処理)を実施することで、各目標の航跡を新たに生成する(図2のステップST1)。
以下、追尾フィルタ部3の処理内容を具体的に説明する。
以下、追尾フィルタ部3の処理内容を具体的に説明する。
追尾フィルタ部3は、信号処理部2から観測時刻kにおける各目標の観測位置zk,jを受けると、その観測位置zk,jに含まれている雑音を除去してから、各目標の運動諸元を計算する。
即ち、追尾フィルタ部3は、観測時刻k−1までの旧航跡の平滑値をxk-1|k-1、観測時刻k−1までの旧航跡の誤差共分散行列をPk-1|k-1として、下記の式(6),(7)に示す予測処理計算を行うことで、xk|k-1とPk|k-1を算出する。
ここで、Φkは推移行列、Qkは駆動雑音共分散行列である。
即ち、追尾フィルタ部3は、観測時刻k−1までの旧航跡の平滑値をxk-1|k-1、観測時刻k−1までの旧航跡の誤差共分散行列をPk-1|k-1として、下記の式(6),(7)に示す予測処理計算を行うことで、xk|k-1とPk|k-1を算出する。
ここで、Φkは推移行列、Qkは駆動雑音共分散行列である。
追尾フィルタ部3は、xk|k-1とPk|k-1を算出すると、観測時刻kにおける各目標の観測位置zk,jを観測時刻k−1までの旧航跡に対応付けることが可能であるか否かを判定する。
具体的には、下記の式(8)が成立すれば、対応付けることが可能であり、下記の式(8)が成立しなければ、対応付けることができないと判定する。
式(8)において、dはカイ平方検定で利用するゲートサイズパラメータであり、Hkは観測行列である。
また、Skは残差共分散行列であり、下記の式(9)によって算出する。
式(9)において、Rkは観測誤差共分散行列であり、レーダ装置の距離の観測誤差標準偏差と角度の観測誤差標準偏差から算出される。
具体的には、下記の式(8)が成立すれば、対応付けることが可能であり、下記の式(8)が成立しなければ、対応付けることができないと判定する。
式(8)において、dはカイ平方検定で利用するゲートサイズパラメータであり、Hkは観測行列である。
また、Skは残差共分散行列であり、下記の式(9)によって算出する。
式(9)において、Rkは観測誤差共分散行列であり、レーダ装置の距離の観測誤差標準偏差と角度の観測誤差標準偏差から算出される。
追尾フィルタ部3は、式(8)が成立しており、観測時刻kにおける各目標の観測位置zk,jを観測時刻k−1までの旧航跡に対応付けることが可能であると判定すると、下記の式(10),(11)に示す平滑処理計算を行うことで、各目標の移動位置xk|k(最新の目標の運動諸元の推定値)と、その誤差共分散Pk|kとを算出する。
ここで、Kkはカルマンゲインであり、下記の式(12)によって算出する。
ここで、Kkはカルマンゲインであり、下記の式(12)によって算出する。
追尾フィルタ部3は、各目標の移動位置xk|k(最新の目標の運動諸元の推定値)を算出すると、その移動位置xk|kを対応付けが可能な旧航跡に付加することで、新たな航跡を生成し、新たな航跡を航跡記憶部4及び相関仮説生成部5に出力する。
相関仮説生成部5は、追尾フィルタ部3が各目標の航跡を新たに生成すると、各目標の航跡を組み合わせることで、各航跡の組み合わせからなる相関仮説を生成する(ステップST2)。
ここで、図4は相関仮説生成部5により生成された相関仮説の一例を示す説明図である。
図4の例では、2つの相関仮説(1),(2)だけを示しているが、可能な航跡の組み合わせ分だけ、相関仮説が生成される。
相関仮説(1)は、2つの航跡(実線で示す航跡W1、破線で示す航跡W2)を含んでおり、相関仮説(2)は、2つの航跡(実線で示す航跡W3、破線で示す航跡W4)を含んでいる。
なお、相関仮説(1),(2)に含まれる各航跡は、同じ観測位置を共有してはいけない条件がある。
ここで、図4は相関仮説生成部5により生成された相関仮説の一例を示す説明図である。
図4の例では、2つの相関仮説(1),(2)だけを示しているが、可能な航跡の組み合わせ分だけ、相関仮説が生成される。
相関仮説(1)は、2つの航跡(実線で示す航跡W1、破線で示す航跡W2)を含んでおり、相関仮説(2)は、2つの航跡(実線で示す航跡W3、破線で示す航跡W4)を含んでいる。
なお、相関仮説(1),(2)に含まれる各航跡は、同じ観測位置を共有してはいけない条件がある。
航跡尤度算出部6は、追尾フィルタ部3が観測時刻kにおける各目標の移動位置xk|k(最新の目標の運動諸元の推定値)を算出すると、観測時刻kにおける各目標の移動位置xk|kと、信号処理部2から出力された観測時刻kにおける各目標の観測位置zk,jとを用いて、追尾フィルタ部3により生成された各目標の航跡W1〜W4の尤度γk(位置観測値に基づく航跡の尤度)を算出する(ステップST3)。
即ち、航跡尤度算出部6は、観測時刻kにおいて、追尾フィルタ部3により初めて生成された航跡の尤度γkについては、下記の式(13)のように算出する。
式(13)において、βNTは観測領域上の新目標密度であり、事前に設定される追尾パラメータである。
観測時刻k−1までの旧航跡に移動位置xk|kが対応付けられて生成された航跡の尤度γkについては、下記の式(14)のように算出する。
式(14)において、γk-1は観測時刻k−1までの旧航跡の尤度である。
式(13)において、βNTは観測領域上の新目標密度であり、事前に設定される追尾パラメータである。
観測時刻k−1までの旧航跡に移動位置xk|kが対応付けられて生成された航跡の尤度γkについては、下記の式(14)のように算出する。
式(14)において、γk-1は観測時刻k−1までの旧航跡の尤度である。
識別処理部7は、レーダセンサ1から観測信号を受けると、その観測信号に含まれている識別情報を抽出し、その識別情報を参照して、各目標の種別を特定する(ステップST4)。この実施の形態1では、2つの目標が種別Aであるのか、種別Bであるのかを特定する。
ここでは、観測信号に含まれている識別情報を参照することで、各目標の種別を特定する例を示しているが、識別情報が観測信号に含まれていない場合には、例えば、次のようにして、各目標の種別を特定する。
図5は観測信号がレーダ画像である場合の識別処理部7の識別処理の概要を示す説明図である。
図5の例では、レーダ画像から目標部分の画像(例えば、閉領域の画像)を切出し、その切出した画像と、予め用意している機種毎のレーダ画像とのパターンマッチングを行うことで、目標の種別を特定している。
ここでは、観測信号に含まれている識別情報を参照することで、各目標の種別を特定する例を示しているが、識別情報が観測信号に含まれていない場合には、例えば、次のようにして、各目標の種別を特定する。
図5は観測信号がレーダ画像である場合の識別処理部7の識別処理の概要を示す説明図である。
図5の例では、レーダ画像から目標部分の画像(例えば、閉領域の画像)を切出し、その切出した画像と、予め用意している機種毎のレーダ画像とのパターンマッチングを行うことで、目標の種別を特定している。
また、識別処理部7は、公知の確率算出処理を実施することで、各目標についての種別の確率を算出する(ステップST4)。
例えば、目標の種別がAであると特定すれば、目標が種別Aである確率を算出し、目標の種別がBであると特定すれば、目標が種別Bである確率を算出する。
ここでは、識別処理部7が、各目標についての種別の確率を算出する例を示しているが、観測信号に含まれている識別情報内に種別の確率が含まれていれば、その識別情報を参照して、種別の確率を特定するようにしてもよい。
図6は観測情報に含まれている位置情報と観測情報の一例を示す説明図である。図6の例では、識別情報内に目標の種別と確率が含まれている。
例えば、目標の種別がAであると特定すれば、目標が種別Aである確率を算出し、目標の種別がBであると特定すれば、目標が種別Bである確率を算出する。
ここでは、識別処理部7が、各目標についての種別の確率を算出する例を示しているが、観測信号に含まれている識別情報内に種別の確率が含まれていれば、その識別情報を参照して、種別の確率を特定するようにしてもよい。
図6は観測情報に含まれている位置情報と観測情報の一例を示す説明図である。図6の例では、識別情報内に目標の種別と確率が含まれている。
ここで、図7及び図8は時刻t1〜t4の観測信号間の対応関係の一例を示す説明図である。
一方の目標が種別Aである確率が100%、他方の目標が種別Bである確率が100%である場合、各目標の観測位置を考慮しなくても、図7に示すように、目標の種別だけで、時刻t1〜t4の観測信号を対応付けることが可能である。
これに対して、種別Aである確率や、種別Bである確率が100%ではなく、種別の特定が曖昧である場合(低S/N環境下では、レーダ画像が不鮮明になり、種別の特定が曖昧になることがある)、図8に示すように、目標の種別だけで、時刻t1〜t4の観測信号を対応付けることができない。したがって、後述するように、各目標の観測位置を考慮して、時刻t1〜t4の観測信号を対応付ける必要がある。
一方の目標が種別Aである確率が100%、他方の目標が種別Bである確率が100%である場合、各目標の観測位置を考慮しなくても、図7に示すように、目標の種別だけで、時刻t1〜t4の観測信号を対応付けることが可能である。
これに対して、種別Aである確率や、種別Bである確率が100%ではなく、種別の特定が曖昧である場合(低S/N環境下では、レーダ画像が不鮮明になり、種別の特定が曖昧になることがある)、図8に示すように、目標の種別だけで、時刻t1〜t4の観測信号を対応付けることができない。したがって、後述するように、各目標の観測位置を考慮して、時刻t1〜t4の観測信号を対応付ける必要がある。
相関仮説分解部8は、相関仮説生成部5が相関仮説を生成し、識別処理部7が各目標の種別を特定すると、識別処理部7により特定された種別毎に、相関仮説生成部5により生成された相関仮説を分解する(ステップST5)。
ここで、図9は相関仮説分解部8により相関仮説が分解された仮説(分解仮説)の一例を示す説明図である。
相関仮説(1)は航跡W1,W2を含み、相関仮説(2)は航跡W3,W4を含んでおり、目標の種別はA又はBであるので、図9に示すように、相関仮説(1),(2)は共に4つの仮説に分解される。
ここで、図9は相関仮説分解部8により相関仮説が分解された仮説(分解仮説)の一例を示す説明図である。
相関仮説(1)は航跡W1,W2を含み、相関仮説(2)は航跡W3,W4を含んでおり、目標の種別はA又はBであるので、図9に示すように、相関仮説(1),(2)は共に4つの仮説に分解される。
即ち、相関仮説(1)は、下記に示すように、分解仮説(1)−a,(1)−b,(1)−c,(1)−dに分解される。
分解仮説(1)−a : 航跡W1→種別A 航跡W2→種別A
分解仮説(1)−b : 航跡W1→種別A 航跡W2→種別B
分解仮説(1)−c : 航跡W1→種別B 航跡W2→種別A
分解仮説(1)−d : 航跡W1→種別B 航跡W2→種別B
ここで、「航跡W1→種別A」は、航跡W1として追尾されている目標の種別はAであることを示している。
また、相関仮説(2)は、下記に示すように、分解仮説(2)−a,(2)−b,(2)−c,(2)−dに分解される。
分解仮説(2)−a : 航跡W3→種別A 航跡W4→種別A
分解仮説(2)−b : 航跡W3→種別A 航跡W4→種別B
分解仮説(2)−c : 航跡W3→種別B 航跡W4→種別A
分解仮説(2)−d : 航跡W3→種別B 航跡W4→種別B
分解仮説(1)−a : 航跡W1→種別A 航跡W2→種別A
分解仮説(1)−b : 航跡W1→種別A 航跡W2→種別B
分解仮説(1)−c : 航跡W1→種別B 航跡W2→種別A
分解仮説(1)−d : 航跡W1→種別B 航跡W2→種別B
ここで、「航跡W1→種別A」は、航跡W1として追尾されている目標の種別はAであることを示している。
また、相関仮説(2)は、下記に示すように、分解仮説(2)−a,(2)−b,(2)−c,(2)−dに分解される。
分解仮説(2)−a : 航跡W3→種別A 航跡W4→種別A
分解仮説(2)−b : 航跡W3→種別A 航跡W4→種別B
分解仮説(2)−c : 航跡W3→種別B 航跡W4→種別A
分解仮説(2)−d : 航跡W3→種別B 航跡W4→種別B
分解仮説尤度算出部9は、相関仮説分解部8が相関仮説(1),(2)を分解すると、識別処理部7により算出された確率を用いて、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出する(ステップST6)。
例えば、分解仮説の尤度(識別情報に基づく尤度)は、当該分解仮説に含まれている2つの航跡に対応する種別の確率の積として算出される。
例えば、各観測時刻で得られる観測信号の識別情報において、該当目標である確率が60%、非該当目標である確率が40%である場合、観測対象の種別がAであれば、「種別Aの確率は60%、種別Bの確率は40%」となる。
逆に、観測対象の種別がBであれば、「種別Aの確率は40%、種別Bの確率は60%」となる。
このとき、相関仮説(1)に含まれている航跡W1,W2は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる正解の航跡であるものとする。
航跡W1:A,A,A,A,A,A,・・・・・
航跡W2:B,B,B,B,B,B,・・・・・
一方、相関仮説(2)に含まれている航跡W3,W4は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる誤相関の航跡であるものとする。
航跡W3:A,B,A,B,A,B,・・・・・
航跡W4:B,A,B,A,B,A,・・・・・
例えば、分解仮説の尤度(識別情報に基づく尤度)は、当該分解仮説に含まれている2つの航跡に対応する種別の確率の積として算出される。
例えば、各観測時刻で得られる観測信号の識別情報において、該当目標である確率が60%、非該当目標である確率が40%である場合、観測対象の種別がAであれば、「種別Aの確率は60%、種別Bの確率は40%」となる。
逆に、観測対象の種別がBであれば、「種別Aの確率は40%、種別Bの確率は60%」となる。
このとき、相関仮説(1)に含まれている航跡W1,W2は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる正解の航跡であるものとする。
航跡W1:A,A,A,A,A,A,・・・・・
航跡W2:B,B,B,B,B,B,・・・・・
一方、相関仮説(2)に含まれている航跡W3,W4は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる誤相関の航跡であるものとする。
航跡W3:A,B,A,B,A,B,・・・・・
航跡W4:B,A,B,A,B,A,・・・・・
この場合、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度は、下記のようになる。
分解仮説(1)−aの尤度 =0.6k×0.4k
分解仮説(1)−bの尤度 =0.6k×0.6k
分解仮説(1)−cの尤度 =0.4k×0.4k
分解仮説(1)−dの尤度 =0.4k×0.6k
分解仮説(2)−aの尤度 =(0.6×0.4×0.6×・・・)
×(0.4×0.6×0.4×・・・)
分解仮説(2)−bの尤度 =(0.6×0.4×0.6×・・・)
×(0.6×0.4×0.6×・・・)
分解仮説(2)−cの尤度 =(0.4×0.6×0.4×・・・)
×(0.4×0.6×0.4×・・・)
分解仮説(2)−dの尤度 =(0.4×0.6×0.4×・・・)
×(0.6×0.4×0.6×・・・)
分解仮説(1)−aの尤度 =0.6k×0.4k
分解仮説(1)−bの尤度 =0.6k×0.6k
分解仮説(1)−cの尤度 =0.4k×0.4k
分解仮説(1)−dの尤度 =0.4k×0.6k
分解仮説(2)−aの尤度 =(0.6×0.4×0.6×・・・)
×(0.4×0.6×0.4×・・・)
分解仮説(2)−bの尤度 =(0.6×0.4×0.6×・・・)
×(0.6×0.4×0.6×・・・)
分解仮説(2)−cの尤度 =(0.4×0.6×0.4×・・・)
×(0.4×0.6×0.4×・・・)
分解仮説(2)−dの尤度 =(0.4×0.6×0.4×・・・)
×(0.6×0.4×0.6×・・・)
相関仮説統合部10は、相関仮説分解部8により分解された各仮説を統合して、元の相関仮説(統合仮説)を復元する(ステップST7)。
即ち、相関仮説統合部10は、図9に示すように、分解仮説(1)−a〜(1)−dを統合して、元の相関仮説(1)を復元するとともに、分解仮説(2)−a〜(2)−dを統合して、元の相関仮説(2)を復元する。
また、相関仮説統合部10は、統合仮説である相関仮説(1)の尤度として、分解仮説(1)−a〜(1)−dの尤度の和を算出し、統合仮説である相関仮説(2)の尤度として、分解仮説(2)−a〜(2)−dの尤度の和を算出する(ステップST8)。
統合仮説である相関仮説(1)の尤度
=2×(0.6k×0.4k)+(0.6k×0.6k)+(0.4k×0.4k)
統合仮説である相関仮説(2)の尤度
=2×{(0.6×0.4×0.6×…)×(0.4×0.6×0.4×…)}
+(0.6×0.4×0.6×…)×(0.6×0.4×0.6×…)
+(0.4×0.6×0.4×…)×(0.4×0.6×0.4×…)
即ち、相関仮説統合部10は、図9に示すように、分解仮説(1)−a〜(1)−dを統合して、元の相関仮説(1)を復元するとともに、分解仮説(2)−a〜(2)−dを統合して、元の相関仮説(2)を復元する。
また、相関仮説統合部10は、統合仮説である相関仮説(1)の尤度として、分解仮説(1)−a〜(1)−dの尤度の和を算出し、統合仮説である相関仮説(2)の尤度として、分解仮説(2)−a〜(2)−dの尤度の和を算出する(ステップST8)。
統合仮説である相関仮説(1)の尤度
=2×(0.6k×0.4k)+(0.6k×0.6k)+(0.4k×0.4k)
統合仮説である相関仮説(2)の尤度
=2×{(0.6×0.4×0.6×…)×(0.4×0.6×0.4×…)}
+(0.6×0.4×0.6×…)×(0.6×0.4×0.6×…)
+(0.4×0.6×0.4×…)×(0.4×0.6×0.4×…)
航跡選別部12は、航跡尤度算出部6が各目標の航跡W1〜W4の尤度γk(位置観測値に基づく航跡の尤度)を算出すると、位置観測値に基づく相関仮説(1)の尤度として、航跡W1の尤度γkと航跡W2の尤度γkの和を算出するとともに、位置観測値に基づく相関仮説(2)の尤度として、航跡W3の尤度γkと航跡W4の尤度γkの和を算出する。
そして、航跡選別部12は、相関仮説(1)の信頼度として、位置観測値に基づく相関仮説(1)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(1)の尤度との積を算出する。
同様に、相関仮説(2)の信頼度として、位置観測値に基づく相関仮説(2)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(2)の尤度との積を算出する。
相関仮説(1)の信頼度
=(位置観測値に基づく相関仮説(1)の尤度)×(統合仮説(1)の尤度)
相関仮説(2)の信頼度
=(位置観測値に基づく相関仮説(2)の尤度)×(統合仮説(2)の尤度)
そして、航跡選別部12は、相関仮説(1)の信頼度として、位置観測値に基づく相関仮説(1)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(1)の尤度との積を算出する。
同様に、相関仮説(2)の信頼度として、位置観測値に基づく相関仮説(2)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(2)の尤度との積を算出する。
相関仮説(1)の信頼度
=(位置観測値に基づく相関仮説(1)の尤度)×(統合仮説(1)の尤度)
相関仮説(2)の信頼度
=(位置観測値に基づく相関仮説(2)の尤度)×(統合仮説(2)の尤度)
航跡選別部12は、相関仮説(1),(2)の信頼度を算出すると、その相関仮説(1)の信頼度から、相関仮説(1)に含まれている航跡W1,W2の信頼度を算出し、その相関仮説(2)の信頼度から、相関仮説(2)に含まれている航跡W3,W4の信頼度を算出する(ステップST9)。
例えば、航跡W1は、相関仮説(1)に含まれているが、航跡W1と全く同じ航跡が、相関仮説(2)などの他の相関仮説に含まれていなければ、航跡W1の信頼度は、相関仮説(1)の信頼度と一致する。
これに対して、航跡W1と全く同じ航跡が、例えば、図示せぬ相関仮説(3)に含まれている場合には、航跡W1の信頼度は、相関仮説(1)の信頼度と相関仮説(3)の信頼度との和になる。
航跡W2,W3,W4の信頼度についても、航跡W1の信頼度と同様である。
例えば、航跡W1は、相関仮説(1)に含まれているが、航跡W1と全く同じ航跡が、相関仮説(2)などの他の相関仮説に含まれていなければ、航跡W1の信頼度は、相関仮説(1)の信頼度と一致する。
これに対して、航跡W1と全く同じ航跡が、例えば、図示せぬ相関仮説(3)に含まれている場合には、航跡W1の信頼度は、相関仮説(1)の信頼度と相関仮説(3)の信頼度との和になる。
航跡W2,W3,W4の信頼度についても、航跡W1の信頼度と同様である。
航跡選別部12は、航跡W1〜W4の信頼度を算出すると、航跡W1〜W4の信頼度を予め設定された閾値と比較する(ステップST10)。
航跡選別部12は、航跡W1〜W4の中で、信頼度が閾値より大きい航跡については、正解の航跡であるとして選択し、その航跡を出力する(ステップST11)。
この実施の形態1では、航跡W1(A,A,A,A,A,A,・・・・・)と航跡W2(B,B,B,B,B,B,・・・・・)が選択されて出力される。
なお、既に過去に選択している航跡の子孫については、信頼度が最も高い相関仮説に含まれる子孫を出力対象としてもよい。
航跡選別部12は、航跡W1〜W4の中で、信頼度が閾値より大きい航跡については、正解の航跡であるとして選択し、その航跡を出力する(ステップST11)。
この実施の形態1では、航跡W1(A,A,A,A,A,A,・・・・・)と航跡W2(B,B,B,B,B,B,・・・・・)が選択されて出力される。
なお、既に過去に選択している航跡の子孫については、信頼度が最も高い相関仮説に含まれる子孫を出力対象としてもよい。
以下、分解仮説の尤度を用いた統合仮説の信頼度計算の根拠について説明する。
統合仮説の信頼度は、下記の仮定(近似)を設けることで算出することができる。
(1)仮定(1)
位置観測値の観測誤差と、識別情報の曖昧さ(揺らぎ)が統計的に独立である。
(2)仮定(2)
識別情報の揺らぎがサンプリング時刻間で独立である。
統合仮説の信頼度は、下記の仮定(近似)を設けることで算出することができる。
(1)仮定(1)
位置観測値の観測誤差と、識別情報の曖昧さ(揺らぎ)が統計的に独立である。
(2)仮定(2)
識別情報の揺らぎがサンプリング時刻間で独立である。
MHTの仮説信頼度計算を、その定義から下記の式(15)のように展開する。
式(15)において、Ωi kは相関仮説、Zk=(Posk,IDk)は観測時刻kまでの累積観測値である。
また、Poskは位置の累積観測値、IDkは識別情報の累積である。
式(15)の3段目から4段目への展開では、 位置観測値の観測誤差と識別情報の揺らぎが統計的に独立であることを仮定している。
式(15)において、Ωi kは相関仮説、Zk=(Posk,IDk)は観測時刻kまでの累積観測値である。
また、Poskは位置の累積観測値、IDkは識別情報の累積である。
式(15)の3段目から4段目への展開では、 位置観測値の観測誤差と識別情報の揺らぎが統計的に独立であることを仮定している。
仮説信頼度は、最終的には正規化するので(合計が1.0となるようにする)、全仮説に共通な項であるP(IDk)を除いたP(IDk|Ωi k)を計算すればよい。
識別情報に関する仮説信頼度の重みP(IDk|Ωi k)は、目標種別によって分解することで、下記のように展開することができる。
これは「ある観測値の時系列が同一目標に由来する」という事象が、「ある観測値の時系列が同一目標に由来し、かつ、その種別の組み合わせはxである」という複数の事象の排他的な和であることを根拠としている。
これは「ある観測値の時系列が同一目標に由来する」という事象が、「ある観測値の時系列が同一目標に由来し、かつ、その種別の組み合わせはxである」という複数の事象の排他的な和であることを根拠としている。
式(18)の3段目から4段目への展開では、識別情報の揺らぎが観測時刻間で独立であることを仮定している。
目標種別に関する観測前の事前確率としてP(Tgt=x)が想定される目標種別の全ての組み合わせについて、全て等しい確率とすれば、重み付けの項であるP(IDk|Ωi k)は事実上、下記のみとなる。
目標種別に関する観測前の事前確率としてP(Tgt=x)が想定される目標種別の全ての組み合わせについて、全て等しい確率とすれば、重み付けの項であるP(IDk|Ωi k)は事実上、下記のみとなる。
その結果、分解仮説Ωi kの信頼度(実際は尤度)の算出式は、下記の式(21)のようになる。
式(21)において、γk,iは観測信号の位置情報に基づく尤度であり、同一の相関を持つ分解仮説の全てで共通である。
式(21)において、γk,iは観測信号の位置情報に基づく尤度であり、同一の相関を持つ分解仮説の全てで共通である。
式(22)において、γk-1,jは分解仮説Ωi kの親仮説Ωj k-1の観測信号の位置情報に基づく尤度である。
また、βk-1,p(i)は更新前の相関仮説の信頼度であり、NTRKは更新前の相関仮説に含まれている既存の航跡の数である。
NDTは更新前の相関仮説に含まれている既存の航跡の中で、最新の観測時刻の観測値と相関している航跡の数、NFTは相関仮説に含まれている不要信号の数、NNTは相関仮説に含まれる新たな航跡の数である。
PDはセンサの探知確率、PGはゲート内捕捉確率、βFTは観測空間における誤警報等の発生頻度を示す不要信号密度、βNTは新目標密度である。
gm,nは観測信号が得られた場合の既存の航跡の尤度であり、観測誤差の分布としてガウス分布を仮定すると、上記の式(3)にしたがって算出される。
また、βk-1,p(i)は更新前の相関仮説の信頼度であり、NTRKは更新前の相関仮説に含まれている既存の航跡の数である。
NDTは更新前の相関仮説に含まれている既存の航跡の中で、最新の観測時刻の観測値と相関している航跡の数、NFTは相関仮説に含まれている不要信号の数、NNTは相関仮説に含まれる新たな航跡の数である。
PDはセンサの探知確率、PGはゲート内捕捉確率、βFTは観測空間における誤警報等の発生頻度を示す不要信号密度、βNTは新目標密度である。
gm,nは観測信号が得られた場合の既存の航跡の尤度であり、観測誤差の分布としてガウス分布を仮定すると、上記の式(3)にしたがって算出される。
また、θp,x kは目標種別仮説Ωi,x kに含まれる航跡pの識別情報に関する重みであり、下記の式(23)にしたがって算出される。
式(23)において、P(ID(l)|Trk=p,Tgt=x)は、統合仮説Ωi kにおいて、航跡pが採択するl番目の観測信号の識別情報に含まれる目標種別の確率(分解仮説Ωi,x kで指定される目標種別の確率)である。
統合仮説Ωi kの信頼度は、目標種別仮説Ωi,x kを統合することで、下記の式(24)のようになる。
式(23)において、P(ID(l)|Trk=p,Tgt=x)は、統合仮説Ωi kにおいて、航跡pが採択するl番目の観測信号の識別情報に含まれる目標種別の確率(分解仮説Ωi,x kで指定される目標種別の確率)である。
統合仮説Ωi kの信頼度は、目標種別仮説Ωi,x kを統合することで、下記の式(24)のようになる。
以上で明らかなように、この実施の形態1によれば、識別処理部7により特定された種別毎に、相関仮説生成部5により生成された相関仮説を分解する相関仮説分解部8と、識別処理部7により算出された確率を用いて、相関仮説分解部8により分解された各仮説の尤度を算出する分解仮説尤度算出部9と、相関仮説分解部8により分解された各仮説を統合して、元の相関仮説(統合仮説)を復元するとともに、分解仮説尤度算出部9により算出された分解後の各仮説の尤度から、その統合仮説の尤度を算出する相関仮説統合部10とを設け、航跡選別部12が、航跡尤度算出部6により算出された各目標の航跡の尤度と、相関仮説統合部10により算出された相関仮説の尤度とを用いて、各目標の航跡の信頼度を算出し、相関仮説統合部10により復元された相関仮説(統合仮説)に含まれている各目標の航跡の中で、その信頼度が閾値より大きい航跡を選択するように構成したので、目標の種別が複数存在する状況下でも、高精度な目標の航跡を生成することができる効果を奏する。
即ち、この実施の形態1によれば、相関仮説を一旦目標種別毎の仮説に分解して信頼度を計算し、それらを統合して最終的な相関仮説の信頼度を計算するため、複数の目標種別を想定した識別情報でも相関仮説の重み付けに利用することができるようになり、相関決定の確度が向上する。
即ち、この実施の形態1によれば、相関仮説を一旦目標種別毎の仮説に分解して信頼度を計算し、それらを統合して最終的な相関仮説の信頼度を計算するため、複数の目標種別を想定した識別情報でも相関仮説の重み付けに利用することができるようになり、相関決定の確度が向上する。
この実施の形態1では、分解仮説尤度算出部9が、識別処理部7により算出された確率を用いて、相関仮説分解部8により分解された分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出するものを示したが、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dに含まれている分解航跡の尤度を算出するようにしてもよい。
[相関仮説(1)]
分解航跡W1が種別Aである場合の尤度 =0.6k
分解航跡W1が種別Bである場合の尤度 =0.4k
分解航跡W2が種別Aである場合の尤度 =0.4k
分解航跡W2が種別Bである場合の尤度 =0.6k
[相関仮説(2)]
分解航跡W3が種別Aである場合の尤度 =(0.6×0.4×0.6×・・・)
分解航跡W3が種別Bである場合の尤度 =(0.4×0.6×0.4×・・・)
分解航跡W4が種別Aである場合の尤度 =(0.4×0.6×0.4×・・・)
分解航跡W4が種別Bである場合の尤度 =(0.6×0.4×0.6×・・・)
[相関仮説(1)]
分解航跡W1が種別Aである場合の尤度 =0.6k
分解航跡W1が種別Bである場合の尤度 =0.4k
分解航跡W2が種別Aである場合の尤度 =0.4k
分解航跡W2が種別Bである場合の尤度 =0.6k
[相関仮説(2)]
分解航跡W3が種別Aである場合の尤度 =(0.6×0.4×0.6×・・・)
分解航跡W3が種別Bである場合の尤度 =(0.4×0.6×0.4×・・・)
分解航跡W4が種別Aである場合の尤度 =(0.4×0.6×0.4×・・・)
分解航跡W4が種別Bである場合の尤度 =(0.6×0.4×0.6×・・・)
分解航跡の尤度が算出された場合、相関仮説統合部10は、統合仮説の尤度を下記の式(25)のように算出する。
統合仮説である相関仮説(1)の尤度
=(0.6k×0.4k)×(0.4k×0.6k)
統合仮説である相関仮説(2)の尤度
={(0.6×0.4×0.6×…)×(0.4×0.6×0.4×…)}2
+{(0.4×0.6×0.4×…)+(0.6×0.4×0.6×…)}2
(25)
統合仮説である相関仮説(1)の尤度
=(0.6k×0.4k)×(0.4k×0.6k)
統合仮説である相関仮説(2)の尤度
={(0.6×0.4×0.6×…)×(0.4×0.6×0.4×…)}2
+{(0.4×0.6×0.4×…)+(0.6×0.4×0.6×…)}2
(25)
なお、この実施の形態1では、目標種別の確率(識別処理部7により算出される確率)の和が100%になることを前提にして、分解仮説尤度算出部9が識別処理部7により算出された確率を用いて、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出するものを示したが、目標種別の確率の和が100%にならない場合もある。
目標種別の確率の和が100%にならない場合には、目標種別の確率の和が100%になるように、事前確率とベイズの定理にしたがって識別処理部7により算出された確率を変換し、変換後の確率を用いて、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出するようにしてもよい。
これにより、目標種別の確率の和が100%にならない場合でも、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出することができる。
なお、事前確率と観測値に基づく尤度からベイズの定理にしたがって事後確率を計算する処理自体は公知の技術であため詳細な説明を省略する。
目標種別の確率の和が100%にならない場合には、目標種別の確率の和が100%になるように、事前確率とベイズの定理にしたがって識別処理部7により算出された確率を変換し、変換後の確率を用いて、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出するようにしてもよい。
これにより、目標種別の確率の和が100%にならない場合でも、分解仮説(1)−a〜(1)−d,(2)−a〜(2)−dの尤度を算出することができる。
なお、事前確率と観測値に基づく尤度からベイズの定理にしたがって事後確率を計算する処理自体は公知の技術であため詳細な説明を省略する。
実施の形態2.
上記実施の形態1では、識別処理部7により算出される確率は、各目標についての種別の確率(目標の種別がAであると特定すれば目標が種別Aである確率、目標の種別がBであると特定すれば目標が種別Bである確率)であるものを示したが、この確率の他に、想定目標外の確率が算出される場合がある。
即ち、レーダセンサ1から出力される観測信号の中に、目標信号だけでなく、目標以外の信号(誤警報等が発生している)が含まれている場合、想定目標外の確率が算出される。
以下、この実施の形態2では、目標の種別が種別A,種別Bの2種類であり、レーダセンサ1から出力される観測信号には目標信号の他に、目標以外の信号(誤警報等が発生している)が含まれているものとして説明する。
上記実施の形態1では、識別処理部7により算出される確率は、各目標についての種別の確率(目標の種別がAであると特定すれば目標が種別Aである確率、目標の種別がBであると特定すれば目標が種別Bである確率)であるものを示したが、この確率の他に、想定目標外の確率が算出される場合がある。
即ち、レーダセンサ1から出力される観測信号の中に、目標信号だけでなく、目標以外の信号(誤警報等が発生している)が含まれている場合、想定目標外の確率が算出される。
以下、この実施の形態2では、目標の種別が種別A,種別Bの2種類であり、レーダセンサ1から出力される観測信号には目標信号の他に、目標以外の信号(誤警報等が発生している)が含まれているものとして説明する。
信号処理部2は、レーダセンサ1から観測信号を受けると、上記実施の形態1と同様に、その観測信号に対する所定の信号処理を実施することで、その観測信号に含まれている位置情報を抽出し、その位置情報が示す各目標の観測位置zk,jを追尾フィルタ部3及び航跡尤度算出部6に出力する。
追尾フィルタ部3は、信号処理部2から観測時刻kにおける各目標の観測位置zk,jを受けると、各目標の観測位置zk,jと、航跡記憶部4により記憶されている観測時刻k−1(1観測時刻前)までの既存の航跡(旧航跡)とを用いて、各目標の移動位置を予測する公知の目標追尾処理(例えば、カルマンフィルタ処理)を実施することで、各目標の航跡を新たに生成する。
以下、追尾フィルタ部3の処理内容を具体的に説明する。
以下、追尾フィルタ部3の処理内容を具体的に説明する。
追尾フィルタ部3は、信号処理部2から観測時刻kにおける各目標の観測位置zk,jを受けると、その観測位置zk,jに含まれている雑音を除去してから、各目標の運動諸元を計算する。
即ち、追尾フィルタ部3は、観測時刻k−1までの旧航跡の平滑値をxk-1|k-1、観測時刻k−1までの旧航跡の誤差共分散行列をPk-1|k-1として、下記の式(26),(27)に示す予測処理計算を行うことで、xk|k-1とPk|k-1を算出する。
ここで、Φkは推移行列、Qkは駆動雑音共分散行列である。
即ち、追尾フィルタ部3は、観測時刻k−1までの旧航跡の平滑値をxk-1|k-1、観測時刻k−1までの旧航跡の誤差共分散行列をPk-1|k-1として、下記の式(26),(27)に示す予測処理計算を行うことで、xk|k-1とPk|k-1を算出する。
ここで、Φkは推移行列、Qkは駆動雑音共分散行列である。
追尾フィルタ部3は、xk|k-1とPk|k-1を算出すると、観測時刻kにおける各目標の観測位置zk,jを観測時刻k−1までの旧航跡に対応付けることが可能であるか否かを判定する。
具体的には、下記の式(28)が成立すれば、対応付けることが可能であり、下記の式(28)が成立しなければ、対応付けることができないと判定する。
式(28)において、dはカイ平方検定で利用するゲートサイズパラメータであり、Hkは観測行列である。
また、Skは残差共分散行列であり、下記の式(29)によって算出する。
式(29)において、Rkは観測誤差共分散行列であり、レーダ装置の距離の観測誤差標準偏差と角度の観測誤差標準偏差から算出される。
具体的には、下記の式(28)が成立すれば、対応付けることが可能であり、下記の式(28)が成立しなければ、対応付けることができないと判定する。
式(28)において、dはカイ平方検定で利用するゲートサイズパラメータであり、Hkは観測行列である。
また、Skは残差共分散行列であり、下記の式(29)によって算出する。
式(29)において、Rkは観測誤差共分散行列であり、レーダ装置の距離の観測誤差標準偏差と角度の観測誤差標準偏差から算出される。
追尾フィルタ部3は、式(28)が成立しており、観測時刻kにおける各目標の観測位置zk,jを観測時刻k−1までの旧航跡に対応付けることが可能であると判定すると、下記の式(30),(31)に示す平滑処理計算を行うことで、各目標の移動位置xk|k(最新の目標の運動諸元の推定値)と、その誤差共分散Pk|kとを算出する。
ここで、Kkはカルマンゲインであり、下記の式(32)によって算出する。
ここで、Kkはカルマンゲインであり、下記の式(32)によって算出する。
追尾フィルタ部3は、各目標の移動位置xk|k(最新の目標の運動諸元の推定値)を算出すると、その移動位置xk|kを対応付けが可能な旧航跡に付加することで、新たな航跡を生成し、新たな航跡を航跡記憶部4及び相関仮説生成部5に出力する。
相関仮説生成部5は、追尾フィルタ部3が各目標の航跡を新たに生成すると、上記実施の形態1と同様に、各目標の航跡を組み合わせることで、各航跡の組み合わせからなる相関仮説を生成する。
この実施の形態2では、説明の便宜上、追尾フィルタ部3が航跡W1,W2,W3を生成し、相関仮説生成部5が航跡W1からなる相関仮説(1)と、航跡W2,W3からなる相関仮説(2)を生成するものとして説明する。
相関仮説生成部5は、追尾フィルタ部3が各目標の航跡を新たに生成すると、上記実施の形態1と同様に、各目標の航跡を組み合わせることで、各航跡の組み合わせからなる相関仮説を生成する。
この実施の形態2では、説明の便宜上、追尾フィルタ部3が航跡W1,W2,W3を生成し、相関仮説生成部5が航跡W1からなる相関仮説(1)と、航跡W2,W3からなる相関仮説(2)を生成するものとして説明する。
航跡尤度算出部6は、追尾フィルタ部3が観測時刻kにおける各目標の移動位置xk|k(最新の目標の運動諸元の推定値)を算出すると、観測時刻kにおける各目標の移動位置xk|kと、信号処理部2から出力された観測時刻kにおける各目標の観測位置zk,jとを用いて、追尾フィルタ部3により生成された各目標の航跡W1〜W3の尤度γk(位置観測値に基づく航跡の尤度)を算出する。
即ち、航跡尤度算出部6は、観測時刻kにおいて、追尾フィルタ部3により初めて生成された航跡の尤度γkについては、下記の式(33)のように算出する。
式(33)において、βNTは観測領域上の新目標密度であり、事前に設定される追尾パラメータである。
観測時刻k−1までの旧航跡に移動位置xk|kが対応付けられて生成された航跡の尤度γkについては、下記の式(34)のように算出する。
式(34)において、γk-1は観測時刻k−1までの旧航跡の尤度である。
また、観測時刻kの観測信号を不要信号と見做す場合の航跡の尤度γkについては、下記の式(35)のように算出する。
式(35)において、βFTは観測空間における誤警報等の発生頻度を示す不要信号密度である。
式(33)において、βNTは観測領域上の新目標密度であり、事前に設定される追尾パラメータである。
観測時刻k−1までの旧航跡に移動位置xk|kが対応付けられて生成された航跡の尤度γkについては、下記の式(34)のように算出する。
式(34)において、γk-1は観測時刻k−1までの旧航跡の尤度である。
また、観測時刻kの観測信号を不要信号と見做す場合の航跡の尤度γkについては、下記の式(35)のように算出する。
式(35)において、βFTは観測空間における誤警報等の発生頻度を示す不要信号密度である。
識別処理部7は、レーダセンサ1から観測信号を受けると、その観測信号に含まれている識別情報を抽出し、その識別情報を参照して、各目標の種別を特定する。この実施の形態2では、2つの目標が種別Aであるのか、種別Bであるのかを特定する。
また、識別処理部7は、公知の確率算出処理を実施することで、各目標についての種別の確率を算出する。また、レーダセンサ1から出力される観測信号の中に、目標信号だけでなく、目標以外の信号(誤警報等が発生している)が含まれている場合には、想定目標外の確率も算出する。
ここでは、識別処理部7が種別等の確率を算出する例を示しているが、観測信号に含まれている識別情報内に種別等の確率が含まれていれば、その識別情報を参照して、種別等の確率を特定するようにしてもよい。
また、識別処理部7は、公知の確率算出処理を実施することで、各目標についての種別の確率を算出する。また、レーダセンサ1から出力される観測信号の中に、目標信号だけでなく、目標以外の信号(誤警報等が発生している)が含まれている場合には、想定目標外の確率も算出する。
ここでは、識別処理部7が種別等の確率を算出する例を示しているが、観測信号に含まれている識別情報内に種別等の確率が含まれていれば、その識別情報を参照して、種別等の確率を特定するようにしてもよい。
相関仮説分解部8は、相関仮説生成部5が相関仮説を生成し、識別処理部7が各目標の種別を特定すると、識別処理部7により特定された種別毎に、相関仮説生成部5により生成された相関仮説を分解する。
この実施の形態2では、相関仮説(1)は航跡W1を含み、相関仮説(2)は航跡W2,W3を含んでいるとしているので、下記に示すように、相関仮説(1)は2つの仮説に分解され、相関仮説(2)は4つの仮説に分解される。
この実施の形態2では、相関仮説(1)は航跡W1を含み、相関仮説(2)は航跡W2,W3を含んでいるとしているので、下記に示すように、相関仮説(1)は2つの仮説に分解され、相関仮説(2)は4つの仮説に分解される。
即ち、相関仮説(1)は、下記に示すように、分解仮説(1)−a,(1)−bに分解される。
分解仮説(1)−a : 航跡W1→種別A 航跡W2→種別A
分解仮説(1)−b : 航跡W1→種別A 航跡W2→種別B
また、相関仮説(2)は、下記に示すように、分解仮説(2)−a,(2)−b,(2)−c,(2)−dに分解される。
分解仮説(2)−a : 航跡W2→種別A 航跡W3→種別A
分解仮説(2)−b : 航跡W2→種別A 航跡W3→種別B
分解仮説(2)−c : 航跡W2→種別B 航跡W3→種別A
分解仮説(2)−d : 航跡W2→種別B 航跡W3→種別B
分解仮説(1)−a : 航跡W1→種別A 航跡W2→種別A
分解仮説(1)−b : 航跡W1→種別A 航跡W2→種別B
また、相関仮説(2)は、下記に示すように、分解仮説(2)−a,(2)−b,(2)−c,(2)−dに分解される。
分解仮説(2)−a : 航跡W2→種別A 航跡W3→種別A
分解仮説(2)−b : 航跡W2→種別A 航跡W3→種別B
分解仮説(2)−c : 航跡W2→種別B 航跡W3→種別A
分解仮説(2)−d : 航跡W2→種別B 航跡W3→種別B
分解仮説尤度算出部9は、相関仮説分解部8が相関仮説(1),(2)を分解すると、識別処理部7により算出された確率を用いて、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出する。
例えば、観測領域の中に、種別Aの目標が1つ存在する状況下で、各観測時刻で種別Aの目標信号と、1つの誤警報が得られる場合を想定する。
このとき、各観測時刻で得られる観測信号の識別情報において、該当目標である確率が60%、非該当目標である確率が30%である場合、観測対象の種別がAであれば、「種別Aの確率は60%、種別Bの確率は30%、想定目標外である確率は10%」となる。
誤警報については、「種別Aの確率は20%、種別Bの確率は20%、想定目標外である確率は60%」となる。
例えば、観測領域の中に、種別Aの目標が1つ存在する状況下で、各観測時刻で種別Aの目標信号と、1つの誤警報が得られる場合を想定する。
このとき、各観測時刻で得られる観測信号の識別情報において、該当目標である確率が60%、非該当目標である確率が30%である場合、観測対象の種別がAであれば、「種別Aの確率は60%、種別Bの確率は30%、想定目標外である確率は10%」となる。
誤警報については、「種別Aの確率は20%、種別Bの確率は20%、想定目標外である確率は60%」となる。
このとき、相関仮説(1)に含まれている航跡W1は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる正解の航跡であるものとする。
航跡W1:A,A,A,A,A,A,・・・・・
一方、相関仮説(2)は誤相関の仮説であり、相関仮説(2)に含まれている航跡W2は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる正解の航跡であるが、航跡W3は不要信号による誤相関の航跡であるものとする。
航跡W2:A,A,A,A,A,A,・・・・・
航跡W3:F,F,F,F,F,F,・・・・・
航跡W1:A,A,A,A,A,A,・・・・・
一方、相関仮説(2)は誤相関の仮説であり、相関仮説(2)に含まれている航跡W2は、採択する観測信号の発生源の目標の時系列が、下記の通りとなる正解の航跡であるが、航跡W3は不要信号による誤相関の航跡であるものとする。
航跡W2:A,A,A,A,A,A,・・・・・
航跡W3:F,F,F,F,F,F,・・・・・
したがって、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度は、下記のようになる。
分解仮説(1)−aの尤度 =0.6k×0.1k
分解仮説(1)−bの尤度 =0.3k×0.1k
分解仮説(2)−aの尤度 =0.6k×0.3k
分解仮説(2)−bの尤度 =0.6k×0.6k
分解仮説(2)−cの尤度 =0.3k×0.3k
分解仮説(2)−dの尤度 =0.3k×0.6k
分解仮説(1)−aの尤度 =0.6k×0.1k
分解仮説(1)−bの尤度 =0.3k×0.1k
分解仮説(2)−aの尤度 =0.6k×0.3k
分解仮説(2)−bの尤度 =0.6k×0.6k
分解仮説(2)−cの尤度 =0.3k×0.3k
分解仮説(2)−dの尤度 =0.3k×0.6k
相関仮説統合部10は、相関仮説分解部8により分解された各仮説を統合して、元の相関仮説(統合仮説)を復元する。
即ち、相関仮説統合部10は、分解仮説(1)−a〜(1)−bを統合して、元の相関仮説(1)を復元するとともに、分解仮説(2)−a〜(2)−dを統合して、元の相関仮説(2)を復元する。
また、相関仮説統合部10は、統合仮説である相関仮説(1)の尤度として、分解仮説(1)−a〜(1)−bの尤度の和を算出し、統合仮説である相関仮説(2)の尤度として、分解仮説(2)−a〜(2)−dの尤度の和を算出する。
統合仮説である相関仮説(1)の尤度
=(0.6k×0.1k)+(0.3k×0.1k)
統合仮説である相関仮説(2)の尤度
=2×(0.6k×0.3k)+(0.6k×0.6k)+(0.3k×0.3k)
即ち、相関仮説統合部10は、分解仮説(1)−a〜(1)−bを統合して、元の相関仮説(1)を復元するとともに、分解仮説(2)−a〜(2)−dを統合して、元の相関仮説(2)を復元する。
また、相関仮説統合部10は、統合仮説である相関仮説(1)の尤度として、分解仮説(1)−a〜(1)−bの尤度の和を算出し、統合仮説である相関仮説(2)の尤度として、分解仮説(2)−a〜(2)−dの尤度の和を算出する。
統合仮説である相関仮説(1)の尤度
=(0.6k×0.1k)+(0.3k×0.1k)
統合仮説である相関仮説(2)の尤度
=2×(0.6k×0.3k)+(0.6k×0.6k)+(0.3k×0.3k)
航跡選別部12は、航跡尤度算出部6が各目標の航跡W1〜W3の尤度γk(位置観測値に基づく航跡の尤度)を算出すると、航跡W1の尤度γkを位置観測値に基づく相関仮説(1)の尤度とし、また、位置観測値に基づく相関仮説(2)の尤度として、航跡W2の尤度γkと航跡W3の尤度γkの和を算出する。
そして、航跡選別部12は、相関仮説(1)の信頼度として、位置観測値に基づく相関仮説(1)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(1)の尤度との積を算出する。
同様に、相関仮説(2)の信頼度として、位置観測値に基づく相関仮説(2)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(2)の尤度との積を算出する。
相関仮説(1)の信頼度
=(位置観測値に基づく相関仮説(1)の尤度)×(統合仮説(1)の尤度)
相関仮説(2)の信頼度
=(位置観測値に基づく相関仮説(2)の尤度)×(統合仮説(2)の尤度)
そして、航跡選別部12は、相関仮説(1)の信頼度として、位置観測値に基づく相関仮説(1)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(1)の尤度との積を算出する。
同様に、相関仮説(2)の信頼度として、位置観測値に基づく相関仮説(2)の尤度と、相関仮説統合部10により算出された統合仮説である相関仮説(2)の尤度との積を算出する。
相関仮説(1)の信頼度
=(位置観測値に基づく相関仮説(1)の尤度)×(統合仮説(1)の尤度)
相関仮説(2)の信頼度
=(位置観測値に基づく相関仮説(2)の尤度)×(統合仮説(2)の尤度)
航跡選別部12は、相関仮説(1),(2)の信頼度を算出すると、その相関仮説(1)の信頼度から、相関仮説(1)に含まれている航跡W1の信頼度を算出し、その相関仮説(2)の信頼度から、相関仮説(2)に含まれている航跡W2,W3の信頼度を算出する。
例えば、航跡W1は、相関仮説(1)に含まれているが、航跡W1と全く同じ航跡が、相関仮説(2)などの他の相関仮説に含まれていなければ、航跡W1の信頼度は、相関仮説(1)の信頼度と一致する。
これに対して、航跡W1と全く同じ航跡が、例えば、図示せぬ相関仮説(3)に含まれている場合には、航跡W1の信頼度は、相関仮説(1)の信頼度と相関仮説(3)の信頼度との和になる。
この実施の形態2の例では、相関仮説(1)に含まれている航跡W1が、相関仮説(2)に含まれている航跡W2と一致しているので、航跡W1の信頼度は、相関仮説(1)の信頼度と相関仮説(2)の信頼度との和になる。
航跡W2,W3の信頼度についても、航跡W1の信頼度と同様の方法で求められる。
例えば、航跡W1は、相関仮説(1)に含まれているが、航跡W1と全く同じ航跡が、相関仮説(2)などの他の相関仮説に含まれていなければ、航跡W1の信頼度は、相関仮説(1)の信頼度と一致する。
これに対して、航跡W1と全く同じ航跡が、例えば、図示せぬ相関仮説(3)に含まれている場合には、航跡W1の信頼度は、相関仮説(1)の信頼度と相関仮説(3)の信頼度との和になる。
この実施の形態2の例では、相関仮説(1)に含まれている航跡W1が、相関仮説(2)に含まれている航跡W2と一致しているので、航跡W1の信頼度は、相関仮説(1)の信頼度と相関仮説(2)の信頼度との和になる。
航跡W2,W3の信頼度についても、航跡W1の信頼度と同様の方法で求められる。
航跡選別部12は、航跡W1〜W3の信頼度を算出すると、航跡W1〜W3の信頼度を予め設定された閾値と比較する。
航跡選別部12は、航跡W1〜W3の中で、信頼度が閾値より大きい航跡については、正解の航跡であるとして選択し、その航跡を出力する。
この実施の形態2では、航跡W1,W2の(A,A,A,A,A,A,・・・・・)が選択されて出力される。
なお、既に過去に選択している航跡の子孫については、信頼度が最も高い相関仮説に含まれる子孫を出力対象としてもよい。
航跡選別部12は、航跡W1〜W3の中で、信頼度が閾値より大きい航跡については、正解の航跡であるとして選択し、その航跡を出力する。
この実施の形態2では、航跡W1,W2の(A,A,A,A,A,A,・・・・・)が選択されて出力される。
なお、既に過去に選択している航跡の子孫については、信頼度が最も高い相関仮説に含まれる子孫を出力対象としてもよい。
以上で明らかなように、この実施の形態2によれば、識別処理部7により各目標についての種別の確率の他に、想定目標外の確率が算出された場合、分解仮説尤度算出部9が、想定目標外の確率を考慮して、分解後の各仮説の尤度を算出するように構成したので、観測信号の中に不要信号が含まれている場合でも、相関決定の確度を高めることができる効果を奏する。
この実施の形態2では、識別処理部7により各目標についての種別の確率の他に、想定目標外の確率が算出された場合について示したが、事前に想定目標外の確率が設定されている場合においても、分解仮説尤度算出部9が、想定目標外の確率を考慮して、分解後の各仮説の尤度を算出するようにしてもよい。
この実施の形態2では、分解仮説尤度算出部9が、識別処理部7により算出された確率を用いて、相関仮説分解部8により分解された分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出するものを示したが、上記実施の形態1と同様に、分解仮説尤度算出部9が、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dに含まれている分解航跡の尤度を算出し、相関仮説統合部10が、分解航跡の尤度から統合仮説の尤度を算出するようにしてもよい。
この実施の形態2では、目標種別の確率(識別処理部7により算出される確率)の和が100%になることを前提にして、分解仮説尤度算出部9が識別処理部7により算出された確率を用いて、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出するものを示したが、目標種別の確率の和が100%にならない場合もある。
目標種別の確率の和が100%にならない場合には、目標種別の確率の和が100%になるように、事前確率とベイズの定理にしたがって識別処理部7により算出された確率を変換し、変換後の確率を用いて、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出するようにしてもよい。
これにより、目標種別の確率の和が100%にならない場合でも、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出することができる。
目標種別の確率の和が100%にならない場合には、目標種別の確率の和が100%になるように、事前確率とベイズの定理にしたがって識別処理部7により算出された確率を変換し、変換後の確率を用いて、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出するようにしてもよい。
これにより、目標種別の確率の和が100%にならない場合でも、分解仮説(1)−a〜(1)−b,(2)−a〜(2)−dの尤度を算出することができる。
なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
1 レーダセンサ、2 信号処理部(目標追尾手段)、3 追尾フィルタ部(目標追尾手段)、4 航跡記憶部(目標追尾手段)、5 相関仮説生成部(目標追尾手段)、6 航跡尤度算出部(航跡尤度算出手段)、7 識別処理部(種別特定手段)、8 相関仮説分解部(分解仮説尤度算出手段)、9 分解仮説尤度算出部(分解仮説尤度算出手段)、10 相関仮説統合部(相関仮説尤度算出手段)、11 相関仮説記憶部、12 航跡選別部(航跡選別手段)。
Claims (5)
- レーダセンサの観測信号に含まれている各目標の観測位置を用いて、各目標の移動位置を予測する追尾処理を実施することで、各目標の航跡を生成するとともに、各目標の航跡の組み合わせからなる相関仮説を生成する目標追尾手段と、
前記目標追尾手段により予測された移動位置と前記観測位置を用いて、前記航跡の尤度を算出する航跡尤度算出手段と、
前記観測信号に含まれている各目標の種別を特定するとともに、各目標について特定した種別の確率を算出する種別特定手段と、
前記種別特定手段により特定された種別毎に、前記目標追尾手段により生成された相関仮説を分解し、前記種別特定手段により算出された確率を用いて、分解後の各仮説の尤度を算出する分解仮説尤度算出手段と、
前記分解仮説尤度算出手段により算出された分解後の各仮説の尤度から、前記相関仮説の尤度を算出する相関仮説尤度算出手段と、
前記航跡尤度算出手段により算出された航跡の尤度と前記相関仮説尤度算出手段により算出された相関仮説の尤度から各目標の航跡の信頼度を算出し、各目標の航跡の中で、前記信頼度が閾値より大きい航跡を選択する航跡選別手段と
を備えた目標追尾装置。 - 前記分解仮説尤度算出手段は、前記種別特定手段により算出された各目標についての種別の確率の和が100%にならない場合、ベイズの定理にしたがって前記確率を変換し、変換後の確率を用いて、分解後の各仮説の尤度を算出することを特徴とする請求項1記載の目標追尾装置。
- 前記分解仮説尤度算出手段は、前記種別特定手段により各目標についての種別の確率の他に、想定目標外の確率が算出された場合、前記想定目標外の確率を考慮して、分解後の各仮説の尤度を算出することを特徴とする請求項1記載の目標追尾装置。
- 前記分解仮説尤度算出手段は、事前に想定目標外の確率が設定されている場合、前記想定目標外の確率を考慮して、分解後の各仮説の尤度を算出することを特徴とする請求項1記載の目標追尾装置。
- 目標追尾手段が、レーダセンサの観測信号に含まれている各目標の観測位置を用いて、各目標の移動位置を予測する追尾処理を実施することで、各目標の航跡を生成するとともに、各目標の航跡の組み合わせからなる相関仮説を生成する目標追尾処理ステップと、
航跡尤度算出手段が、前記目標追尾処理ステップで予測された移動位置と前記観測位置を用いて、前記航跡の尤度を算出する航跡尤度算出処理ステップと、
種別特定手段が、前記観測信号に含まれている各目標の種別を特定するとともに、各目標について特定した種別の確率を算出する種別特定処理ステップと、
分解仮説尤度算出手段が、前記種別特定処理ステップで特定された種別毎に、前記目標追尾処理ステップで生成された相関仮説を分解し、前記種別特定処理ステップで算出された確率を用いて、分解後の各仮説の尤度を算出する分解仮説尤度算出処理ステップと、
相関仮説尤度算出手段が、前記分解仮説尤度算出処理ステップで算出された分解後の各仮説の尤度から、前記相関仮説の尤度を算出する相関仮説尤度算出処理ステップと、
航跡選別手段が、前記航跡尤度算出処理ステップで算出された航跡の尤度と前記相関仮説尤度算出処理ステップで算出された相関仮説の尤度から各目標の航跡の信頼度を算出し、各目標の航跡の中で、前記信頼度が閾値より大きい航跡を選択する航跡選別処理ステップと
を備えた目標追尾方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013265564A JP2015121473A (ja) | 2013-12-24 | 2013-12-24 | 目標追尾装置及び目標追尾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013265564A JP2015121473A (ja) | 2013-12-24 | 2013-12-24 | 目標追尾装置及び目標追尾方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2015121473A true JP2015121473A (ja) | 2015-07-02 |
Family
ID=53533209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013265564A Pending JP2015121473A (ja) | 2013-12-24 | 2013-12-24 | 目標追尾装置及び目標追尾方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2015121473A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017119081A1 (ja) * | 2016-01-06 | 2017-07-13 | 三菱電機株式会社 | 目標追尾装置 |
JP2020034363A (ja) * | 2018-08-29 | 2020-03-05 | 沖電気工業株式会社 | 信号追尾装置、信号追尾システム、信号追尾方法およびプログラム |
CN112162246A (zh) * | 2020-07-17 | 2021-01-01 | 中国人民解放军63892部队 | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 |
CN113537347A (zh) * | 2021-07-15 | 2021-10-22 | 北京航空航天大学 | 一种基于航迹运动特征的无人机和飞鸟目标分类方法 |
WO2022190703A1 (ja) * | 2021-03-11 | 2022-09-15 | 株式会社デンソー | トラッキング装置、トラッキング方法、トラッキングプログラム |
-
2013
- 2013-12-24 JP JP2013265564A patent/JP2015121473A/ja active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017119081A1 (ja) * | 2016-01-06 | 2017-07-13 | 三菱電機株式会社 | 目標追尾装置 |
JP6279185B2 (ja) * | 2016-01-06 | 2018-02-14 | 三菱電機株式会社 | 目標追尾装置 |
JPWO2017119081A1 (ja) * | 2016-01-06 | 2018-03-29 | 三菱電機株式会社 | 目標追尾装置 |
JP2020034363A (ja) * | 2018-08-29 | 2020-03-05 | 沖電気工業株式会社 | 信号追尾装置、信号追尾システム、信号追尾方法およびプログラム |
JP7067373B2 (ja) | 2018-08-29 | 2022-05-16 | 沖電気工業株式会社 | 信号追尾装置、信号追尾システム、信号追尾方法およびプログラム |
CN112162246A (zh) * | 2020-07-17 | 2021-01-01 | 中国人民解放军63892部队 | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 |
CN112162246B (zh) * | 2020-07-17 | 2024-02-09 | 中国人民解放军63892部队 | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 |
WO2022190703A1 (ja) * | 2021-03-11 | 2022-09-15 | 株式会社デンソー | トラッキング装置、トラッキング方法、トラッキングプログラム |
CN113537347A (zh) * | 2021-07-15 | 2021-10-22 | 北京航空航天大学 | 一种基于航迹运动特征的无人机和飞鸟目标分类方法 |
CN113537347B (zh) * | 2021-07-15 | 2023-07-18 | 北京航空航天大学 | 一种基于航迹运动特征的无人机和飞鸟目标分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vo et al. | A random finite set conjugate prior and application to multi-target tracking | |
CN103472445B (zh) | 一种针对多目标场景的检测跟踪一体化方法 | |
CN105719312B (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 | |
Beard et al. | A generalised labelled multi-Bernoulli filter for extended multi-target tracking | |
JP2015121473A (ja) | 目標追尾装置及び目標追尾方法 | |
García-Fernández et al. | A Poisson multi-Bernoulli mixture filter for coexisting point and extended targets | |
WO2018098926A1 (zh) | 一种适用于闪烁噪声的多目标跟踪方法及系统 | |
Gostar et al. | Multi-Bernoulli sensor control for multi-target tracking | |
Wang et al. | Detection-guided multi-target Bayesian filter | |
CN104867163A (zh) | 一种传递边缘分布的测量驱动目标跟踪方法与跟踪系统 | |
JP4549929B2 (ja) | センサ信号処理システム | |
Baser et al. | A novel auxiliary particle PHD filter | |
Si et al. | Robust Poisson multi-Bernoulli filter with unknown clutter rate | |
Fontana et al. | Bernoulli merging for the Poisson multi-Bernoulli mixture filter | |
Tugac et al. | Radar target detection using hidden Markov models | |
Boström-Rost et al. | PMBM filter with partially grid-based birth model with applications in sensor management | |
Gostar et al. | OSPA-based sensor control | |
JP2018146351A (ja) | マルチセンサシステム、センサバイアス推定装置、センサバイアス推定方法及びセンサバイアス推定プログラム | |
Daniyan et al. | Kalman-gain aided particle PHD filter for multitarget tracking | |
Liu et al. | Multi-target tracking in clutter with sequential Monte Carlo methods | |
Ru et al. | A range rate based detection technique for tracking a maneuvering target | |
Qiu et al. | Multiple targets tracking by using probability data association and cubature Kalman filter | |
JP2005083867A (ja) | 目標追尾装置 | |
JP2004012351A (ja) | 目標追尾装置及び方法並びにプログラム | |
Yang et al. | Altitude estimation using multipath with a two-dimensional radar over spherical earth |