在大多数目标跟踪场景中，可以监视传感器以执行可能对测量质量和信息内容产生重大影响的各种操作。些操作也会影响跟踪系统的估计性能。常，这些行为可能包括的位置，方向或传感器的平台的运动的变化，从而影响传感器的探测，跟踪和场景识别物体的能力。些控制决策基于人工干预或不保证最优性的确定性控制策略。本文中，我们选择Cauchy-Schwarz作为控制函数的分歧。理多传感器随机有限集发散柯西 – 施瓦茨分类号：Q945.3文献代码：甲背景：多靶向传感器控制这种类型的控制的问题通常可以表示为部分可观察马尔科。策（POMDP）的过程在POMDP中，多目标动态建模为马尔可夫过程，但是已知的（基于限于此多目标状态的后验概率密度函数（pdf）先前的措施）条件）和真正的潜在状态是未知的。论何时做出决定，目标都是找到最大化返回函数的控制行为。另一方面，基于基于信息优化，他试图从量化的控制动作的执行获得的信息汇总，因此也不会出现的竞争目标的问题。然控制信息理论可能无法为特定任务做出最佳决策，但任务目标的总体效益可能更大。
般而言，已经提出了分歧R？yi来监测单目标和多目标传感器管理中的问题。这样的问题中，最优控制行为是先前和后面目标密度之间的信息增益的预期发散或计算，并将其用作选择的基础。
然基于技术的KL和R€yi差异已被证明是有用的，但其主要限制是其高计算成本。别是，除少数特殊情况外，这些差异无法通过分析计算，因此需要昂贵的近似值，通常基于蒙特卡罗（MC）方法。提出了基于Fisher信息矩阵概念的其他控制算法，例如用于选择传感器波形和轨迹规划。Cauchy-Schwarz（CS）的分歧是信息分歧的另一种衡量标准。本文中，我们通过标记随机有限集（RFS）来检查多目标跟踪的传感器控制问题。别是，我们使用称为GLMB过滤器（DML）的跟踪算法，其结果不能直接应用。产品创新的关键是两个密度之间的差GLMB解析表达式柯西 – 施瓦茨，用于构建基本POMDPs传感器的反馈功能的控制方案。们在这里描述。多目标跟踪中，我们将多目标状态表示为每个时刻k的有限个体目标状态集。状态对象值X k X和多用途观测žķZ的建模为随机有限，并且是基于整合/密度的与所述过程的理论是一致的概念运行的RFS的一部分FISST点。以使用贝叶斯递归来计算后多物体密度。感器管理的问题在于，当我们想要执行控制动作时，恒温阀芯我们不知道它会产生后验概率密度。没有对信息的真正分歧的情况下，使用信息分歧的预期价值与所有可能的未来措施有关。体来说，让我们从定义以下符号开始：k是GLMB的后GLMB多对象概率密度。Ck是在时间k允许的一组控制动作。
H是计算收益的地平线长度。GLMB是从时间k的多目标预测到k H是一组从时间套措施时间k 1 K H的最优控制问题是由预期的最大值给出返回功能RK H.下面是一组允许的行为：与预测多目标密度之间科普特= ARG MAXC∈CK E [RK H（C）]返回功能后部某种形式的差异给出了Dcs信息。常用于柯西 – 施瓦茨发散获取信息（CS）的量度是库尔贝克-Leibler距离不一致，并且更通常，R€閚义的发散。本节中，我们表明，柯西 – 施瓦茨发散具有数学解最适合于封闭的形式，尤其是在一个单一的目标密度为高斯混合，GLMB密度的一个封闭的形式能够实现的情况下。
于RFS的柯西 – 施瓦茨发散为了确定基于SDR的柯西 – 施瓦茨发散（CS），我们不禁要问勒贝格的积分。于所述RFS的概率密度函数可以通过给定的参考测量U，其类似于在状态空间X勒贝格度量（被定义实际上，当状态空间X为界，它是泊松点，单位强度为u = 1K）非标准化过程分布）。外，它表明，对于这种选择的参考度量，所述函数f的Lebesgue积分：F（X）中，R，使用勒贝格的积分，我们可以定义该产品：这一形状由于密度，内部环路增益和规格是清晰的参考测量f和g和参考无法计算。留并表示每个点过程的FISST密度。论本文：密度和FISST氡Nikodym导，对应概率密度（相对于基准测量）和柯西 – 施瓦茨发散之间的关系可以由以下所有积分来表示处理多目标监控阶段的传感器管理问题。过集中研究，基于最大化的距离全型施瓦茨établi.Le提出的模型传感器管理的调度模型有效地解决了多传感器管理的问题在目标识别的阶段，获得更好的识别结果，恒温阀芯改善整体多传感器识别系统。现。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com