A finite random set method for distributed multi-target tracking in the presence of multi-path propagation

Abstract

Das PHD Multihypothesenfilter ist ein neuartiger Ansatz zur gleichzeitigen sequentiellen Schätzung der Zustände einer beliebigen Anzahl an Objekten.<br />Häufige Anwendung findet das PHD Multihypothesenfilter in der Positionsverfolgung einer beliebigen, zeitlich veränder\-lichen Anzahl an bewegten Objekten (z.B. Fahrzeuge), wobei meist ein einzelner Sensor in jedem diskreten Zeitschritt Messwerte der Objektzustände empfängt.<br />Insbesondere bei der Positionsverfolgung im urbanen Gebiet kann es zum Verlust von Messwerten und in weiterer Folge zu Schätzfehlern kommen, da hier Signalabschattungen durch Gebäude auftreten können. Es ist daher von Bedeutung auch jene Signalpfade zu berücksichtigen, die aufgrund von Reflexionen einen indirekten Pfad zwischen Sensor und Zielobjekt beschreiben --- sogenannte Mehrwegekomponenten.<br />Erst kürzlich wurde eine modifizierte Version des PHD Filters, das sogenannte MPHD Filter, präsentiert, mit dem es möglich ist, Mehrwegekomponenten erfolgreich in die Positionsschätzung des PHD Filters mit einzubeziehen und somit die Zuverlässigkeit und die Qualität der Schätzung zu erhöhen.<br />In der folgenden Arbeit stellen wir einen neuartigen verteilten Ansatz des MPHD Filters vor, der es uns ermöglicht im urbanen Gebiet mit den Messdaten mehrerer Sensoren die Position mehrerer Objekte gleichzeitig zu verfolgen. Jeder Sensor für sich stellt dabei eine Instanz eines MPHD Filters mit lokalen Schätzwerten dar. Unter Zuhilfenahme eines sogenannten Mittelwert-Konsensus Algorithmus werden die lokalen Daten zu einem verbesserten globalen Schätz\-wert zusammengeführt. Dabei wird lediglich lokal zwischen benachbarten Sensoren kommuniziert, wodurch der Algorithmus robust gegenüber Ausfällen von Sensoren und Topologieänderungen des Netzwerkes wird. Simulationsergebnisse bestätigen die verbesser\-te Qualität und Zuverlässigkeit des vorgestellten Algorithmus.<br />

The probability hypothesis density (PHD) filter is a cutting-edge approach for simultaneous sequential estimation of multiple object states which outperforms classical approaches such as multiple hypothesis tracking (MHT). In popular applications, the PHD filter is utilized to track the position of a time-varying number of moving targets using a single sensing device (e.g., radar). Often, in realistic scenarios such as urban environments, target tracking proves to be challenging due to shadowing. If the direct path between sensor and target is blocked, the corresponding measurement signal is lost and tracking fails. Therefore, in order to maintain tracking performance, it is desired to utilize additional signal components that follow an indirect (i.e., reflected) path between sensor and target. In recent research, a modification of the classical PHD filter, the so-called modified PHD (MPHD) filter has been introduced which is capable of incorporating multi-path components in the estimation process and thus successfully combating performance loss due to shadowing.<br />In this thesis, we extend the single-sensor approach by introducing a novel distributed implementation of the MPHD filter by which it is possible to track multiple targets in an urban scenario using multiple sensors. Each individual sensor implements an instance of the MPHD filter, thereby achieving local estimates of the target states. In order to obtain an improved global estimate, all local estimates are fused by utilizing average consensus. The proposed algorithm is a highly scalable approach that is independent of network structure or size. Simulation results show the superior performance of the proposed distributed MPHD filter over the simple MPHD filter.<br />