.png){kind=icon}
返回
Multi-Target Tracking Based on Two-Layer Reinforcement Learning Optimization
.png){kind=icon}
PRE
AI
DOI：10.1002/oca.70032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据关联（DA）能够有效匹配传感器量测与目标，这对多目标跟踪（MTT）的整体性能至关重要。为解决MTT在密集杂波环境下的DA问题，本文提出了一种基于双层强化学习（RL）优化的MTT算法，该算法在优化DA的同时，考虑了传感器位置对DA过程的影响。在所提算法中，第一层RL聚焦于传感器路径规划，使传感器能够在每个时间步到达最优观测位置，以提升目标的量测信息；第二层RL基于前述最优传感器路径规划得到的精炼量测，优化DA决策。该过程涉及训练联合概率中候选量测的权重，使其更好地与目标的运动特性相匹配，从而提高滤波估计性能。仿真结果表明，所提算法能够有效提升MTT的估计性能。
Keyword:
data association
deep reinforcement learning
multi-target tracking
path planning
reward function
期刊
IF:
1.5
论文数:
39
被引数:
2.2K
机构
暂无机构信息
引用论文
Track Consensus-Based Labeled Multi-Target Tracking in Mobile Distributed Sensor Network移动分布式传感器网络中基于轨迹一致性的标记多目标跟踪
PREAI
分享收藏Capacity estimation of lithium-ion cells by combining model-based and data-driven methods based on a sequential extended Kalman filter通过基于顺序扩展卡尔曼滤波器的基于模型和数据驱动方法相结合的锂离子电池容量估计.png)
ENERGY
OAAI
ENERGYIF9.4
OAAI分享收藏A Joint Multiple Hypothesis Tracking and Particle Filter Approach for Aerial Data Fusion一种联合多假设跟踪与粒子滤波的空中数据融合方法
PREAI
分享收藏分享收藏
Path Planning of Autonomous Mobile Robot in Comprehensive Unknown Environment Using Deep Reinforcement Learning基于深度强化学习的全未知环境下自主移动机器人路径规划
PREAI
分享收藏
查看更多内容