MHT: Basic Methods for Data Association（三）Gating

本节用到的字符和变量含义：

• Binning：数据分箱技术
• $\tilde{y}$：残差（或创新）向量
• $\hat{y}$：预期测量向量
• x ：目标状态
• b(x) ：目标状态 x 的非线性函数
• R ：协方差矩阵
• v ：具有协方差矩阵 R 的零均值高斯白测量噪声。
• $P$ :一步预测协方差矩阵
• M:维度
• $d^2$ :残差（或创新）向量的范数
• △L_U：更新时发生的增量，是运动学和信号相关项的总和。
• △L_K：更新时运动学增量。
• △L_S：更新时信号相关项增量
• P_D:检测的概率。
• $G_0$ ：最大似然门
• $d^2$：残差向量的范数
  $y_s$：信号或属性数据 or 总信号相关数据
  S:测量残差协方差矩阵= HPH’+ R
• β_NT:新的目标密度。
• β_FT:虚假目标密度。
• V_C：测量体积元素，以便在每个元素内发生独立的真实目标检测和误报事件（例如，四维雷达体积元素可能由角度的波束宽度以及距离和距离速率仓宽定义。）
• P_FA:虚警的概率。

6.3 门控

门控是一种消除不太可能的观察到跟踪配对的技术。 正如第 1 章中所讨论的，关于预测的测量值形成了一个门，并且所有满足门控关系（落在门内）的观测值都被考虑用于跟踪更新。实际选择观测以更新轨迹的方式取决于数据关联方法，但大多数数据关联方法利用门控以减少后期计算。

实际的门控过程是逐渐复杂化的操作过程。 一种计算效率高的方法是首先使用粗略形式的门控，例如分箱。 使用分箱方法，测量空间被划分为一个单元格（或分箱）网格。然后，一条轨迹只与它的分箱和相邻分箱中的观测值进行比较。 可以根据轨道质量和可用计算资源自适应地选择箱大小。 [13-15] 中介绍了实现粗选通的有效技术。

数据分箱技术Binning 数据分箱就是按照某种规则将数据进行分类。就像可以将水果按照大小进行分类，售卖不同的价格一样。

将 $\tilde{y}$定义为残差（或创新）向量，即实际和预期$\hat{y}$测量向量之间的差异。 一般来说，在第 k 次扫描时，残差向量为:

其中测量 b(x) 是目标状态 x 的非线性函数，v 是具有协方差矩阵 R 的零均值高斯白测量噪声。

在线性测量的情况下:

在线性或非线性测量情况下，残差协方差矩阵定义为 $S=HP{H}^{\prime }+R$ 其中非线性情况下 $H$ 的计算已在第 3 章中讨论，其中 $P$ 是一步预测协方差矩阵。 为了符号方便，将删除时间索引 k。 假设测量的维度为 M。 那么，定义 $d^2$ 为残差（或创新）向量的范数，$d^2⊵{\tilde{y}}^{\prime }{S}^{-1}\tilde{y}$ ，残差的 M 维高斯概率密度为：

字符含义小结：

• Binning：数据分箱技术
• $\tilde{y}$：残差（或创新）向量
• $\hat{y}$：预期测量向量
• x ：目标状态
• b(x) ：目标状态 x 的非线性函数
• R ：协方差矩阵
• v ：具有协方差矩阵 R 的零均值高斯白测量噪声。
• $P$ :一步预测协方差矩阵
• M:维度
• $d^2$ :残差（或创新）向量的范数

6.3.1 Rectangular Gates 矩形门

可能最简单的门控技术是定义矩形区域，如果残差向量 $\tilde{y}$ 的所有元素 $\widetilde{y_l}$ 满足关系:

• ${\sigma }_o^2$:测量方差
• ${\sigma }_p^2$:预测方差, 取自卡尔曼滤波器协方差矩阵的适当对角元素
• ${\sigma }_r$: ${\sigma }_o^2$和 ${\sigma }_p^2$的残差标准差
  
  $K_{G}I$:矩形门控的系数，其值一般大于等于3.0。
  门控系数$K_{G}I$的这种大选择通常是为了补偿通过卡尔曼滤波器协方差矩阵对目标动力学建模所涉及的近似值。 此外，如果选择 MHT 数据关联方法，门控的目的只是为了从进一步处理中消除极不可能的替代方案。 最后，由于所讨论的门量考虑在[2]中，矩形门控之后应该是更精确的椭圆体门控。
  

6.3.2 Ellipsoidal Gates 椭圆门

定义一个门G，如果残差向量的范数$d^2$满足下列关系，那么数据联合将被允许：

Sea [17] 首次提出的最大似然门 $G_0$ 可以从 (6.11) 到 (614) 推导出来，如果满足下式，注意到 观测到轨迹的关联 比 观测代表新的来源的假设 更有可能。

补充：

• △L_U：更新时发生的增量，是运动学和信号相关项的总和。
• △L_K：更新时运动学增量。
• △L_S：更新时信号相关项增量
• P_D:检测的概率。
• $G_0$ ：最大似然门
• $d^2$：残差向量的范数
  $y_s$：信号或属性数据 or 总信号相关数据
  S:测量残差协方差矩阵= HPH’+ R

例如，如果测量中不包含信号或属性数据（$y_s$），则（6.26）给出的条件满足下式：

这给出，作为必要的门控条件:

数量 $\beta$ 定义为新的源密度，因此一般来说满足下式;

• β_NT:新的目标密度。
• β_FT:虚假目标密度。
• V_C：测量体积元素，以便在每个元素内发生独立的真实目标检测和误报事件（例如，四维雷达体积元素可能由角度的波束宽度以及距离和距离速率仓宽定义。）
• P_FA:虚警的概率。

但是，实际上，典型地 $\beta NT<<\beta FT$，所以$\beta \sim {\beta }_{FT}=P_{FA}/V_C$。 最后，在考虑测量好信号或属性数据（$y_s$）的情况下，最大似然们的关系式可以由（6.26）和包含△L_S的更一般形式的（6.14）推出。

尽管 [2, 18] 中讨论了更精确的门选择逻辑，但使用(6.27)得来的$G_0$应该足以用于下一节讨论的全局最近邻方法。在 MHT中，通常选择更大的门，并使用 MHT 轨道修剪逻辑 来消除 不太可能的潜在轨道分支。

如 [2] 中进一步讨论的，通常假设 $d^2$ 具有 $X_M^2$ 分布以实现正确的观测到轨道配对。 使用这些属性，表 6.1 给出了满足门 G 的 M 维度的有效观察的概率 $P_G(M)$ 的表达式。

最后，椭圆门内的提及如下：

因此，归一化的体积是：

6.3.3 Maneuver Gating 机动门控

刚刚讨论的矩形和椭圆形门是基于卡尔曼滤波器协方差矩阵，它代表了一个理想化的统计目标动力学模型。因此，实际系统经常允许==“最后的手段”门==，在某些条件下，该门可以应用于潜在的观察到跟踪配对，这些配对未能通过传统的基于卡尔曼滤波器协方差矩阵的门测试。例如，如果没有发现满足给定轨道的常规门测试的观察，则可以应用这些测试。
机动门被定义为更接近地模拟目标可以执行的最严重的潜在机动。例如，Wong 和 Korsak [18] 以及 Singh 等人最近的论文 [19] 讨论了飞机的操纵门，[2] 提出了一种定义船舶操纵门的方法。最后，我们再次提到第 4 章中讨论的 IMM 滤波方法的一个固有优势是能够使用代表最严重目标机动动力学的模型。因此，使用最动力学目标模型很容易形成 IMM 的机动门IMM 过滤器集的过滤器。