Asociación de Datos MCMC y Actualización de Factorización Dispersa para Seguimiento Multobjetivo en Tiempo Real con Mediciones Fusionadas y Múltiples

En varias aplicaciones de seguimiento multobjetivo, un objetivo puede devolver más de una medición por objetivo y los objetivos interactuantes pueden devolver múltiples mediciones fusionadas entre objetivos. Los algoritmos existentes para el seguimiento y la asociación de datos, aplicados inicialmente al seguimiento por radar, no abordan adecuadamente estos tipos de mediciones. Aquí, introducimos un modelo probabilístico para objetivos interactuantes que aborda ambos tipos de mediciones simultáneamente. Proporcionamos un algoritmo para inferencia aproximada en este modelo utilizando un filtro de partículas de variable auxiliar basado en cadenas de Markov Monte Carlo (MCMC). Rao-Blackwellizamos la cadena de Markov para eliminar el muestreo sobre el espacio de estado continuo de los objetivos. Una contribución importante de este trabajo es el uso de técnicas de actualización y downdating de mínimos cuadrados dispersos, que reducen significativamente el costo computacional por iteración de la cadena de Markov. Además, cuando se combinan con una heurística simple, permiten que el algoritmo se enfoque correctamente en los objetivos interactuantes. Incluimos resultados experimentales sobre una secuencia de simulación desafiante. Probamos la precisión del algoritmo utilizando dos modalidades de sensores: video y datos de rango láser. También mostramos que el algoritmo exhibe un rendimiento en tiempo real en una PC convencional.