Validation of radar image tracking algorithms with simulated data

• Autorzy: Heymann F. , Hoth J. , Banyś P. , Siegert G.

Identyfikatory

DOI

10.12716/1001.11.03.18

• Języki publikacji: EN

Abstrakty

EN

Collision avoidance is one of the high-level safety objectives and requires a complete and reliable description of the maritime traffic situation. The radar is specified by the IMO as the primary sensor for collision avoidance. In this paper we study the performance of multi-target tracking based on radar imagery to refine the maritime traffic situation awareness. In order to achieve this we simulate synthetic radar images and evaluate the tracking performance of different Bayesian multi-target trackers (MTTs), such as particle and JPDA filters. For the simulated tracks, the target state estimates in position, speed and course over ground will be compared to the reference data. The performance of the MTTs will be assessed via the OSPA metric by comparing the estimated multi-object state vector to the reference. This approach allows a fair performance analysis of different tracking algorithms based on radar images for a simulated maritime scenario.

Słowa kluczowe

EN

marine radar; radar image; tracking algorithms; simulated data, multi-target tracker (MTT); maritimetraffic situation; joint probabilistic data association (JPDA); optimal sub-pattern assignment (OSPA)

• Wydawca: Faculty of Navigation, Gdynia Maritime University
• Czasopismo: TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
• Rocznik: 2017
• Tom: Vol. 11, no. 3
• Strony: 511--518
• Opis fizyczny: Bibliogr. 28 poz., rys.

Twórcy

autor

Heymann F.

• German Aerospace Centre (DLR), Neustrelitz, Germany

autor

Hoth J.

• German Aerospace Centre (DLR), Neustrelitz, Germany

autor

Banyś P.

• German Aerospace Centre (DLR), Neustrelitz, Germany

autor

Siegert G.

• German Aerospace Centre (DLR), Neustrelitz, Germany

Bibliografia

• 1 Bar‐Shalom, Y., Daum, F., & Huang, J. (2009, December).  The Probabilistic Data Association Filter. IEEE Control  Systems Magazine
• 2 Bar‐Shalom, Y., & Li, X.‐R. (1995). Multitarget‐Multisensor  Tracking: Principles and Techniques. 
• 3 Blom, H. A. P., & Bar‐Shalom, Y. (1988). The Interacting  Multiple Model Algorithm for Systems with Markovian  Switching Coefficients. IEEE Transactions on Automatic  Control, 33
• 4. Braca, P., Vespe, M., Maresca, S., & Horstmann, J. (2012). A  Novel  Approach  to  High  Frequency  Radar  Ship  Tracking  Exploiting  Aspect  Diversity. Geoscience and  Remote  Sensing  Symposium  (IGARSS),  2012  IEEE  International, 6895‐6898. 
• 5. Doucet,  A.,  Godsill,  S.,  &  Andrieu,  C.  (2000,  July).  On  sequential monte carlo sampling methods for bayesian  filtering.  Statistics  and  Computing,  10(3),  197–208.  Retrieved  from  http://dx.doi.org/10.1023/A:  1008935410038 doi: 10.1023/A:1008935410038 
• 6. Doucet, A., Smith, A., de Freitas, N., & Gordon, N. (2001).  Sequential Monte Carlo methods in practice. Springer  New  York.  Retrieved  from  https://books.google.de/  books?id=uxX‐koqKtMMC 
• 7. Fortmann,  T.,  Bar‐Shalom,  Y.,  &  Scheffe,  M.  (1983,  Jul).  Sonar  tracking  of  multiple  targets  using  joint  probabilistic data association. IEEE Journal of Oceanic  Engineering, 8(3), 173184. doi: 10.1109/JOE.1983.1145560
• 8. Glass, J. D., Blair, W. D., & Bar‐Shalom, Y. (2013). IMM  Estimators with Unbiased Mixing for Tracking Targets  Performing  Coordinated  Turns.  Proceedings  IEEE  Aerospace Conference. 
• 9. Gordon, N., Salmond, D., & Smith, A. (1993, April). Novel  approach  to  nonlinear/non‐gaussian  bayesian  state  estimation.  IEE  Proceedings  F  (Radar  and  Signal  Processing), 140, 107113(6)
• 10. Guerriero, M., Willett, P., Coraluppi, S., & Carthel, C. (2008).  Radar/AIS Data Fusion and SAR tasking for Maritime  Surveillance. In International Conference on Information  Fusion (Vol. 11th).
• 11 Heymann  F.,  Banyś  P.,  Sáez‐Martínez  C.  (2015).  Radar  Image Processing and AIS Target Fusion. TransNav, the  International Journal on Marine Navigation and Safety  of Sea Transportation, Vol. 9, No. 3, pp. 443‐448. 
• 12. Hue, C., & Le Cadre, J.‐P., & Pérez, P. (2002, July). Tracking  multiple  objects  with  particle  filtering.  IEEE Transactions  on  Aerospace  and  Electronic  Systems,  38(3). 
• 13 Isard,  M.,  &  Blake,  A.  (1998,  August).  Condensation  conditional density propagation for visual tracking. In  (Vol. 28, p. 5‐28).
• 14 Isard, M., & MacCormick, J. (2001). BraMBLe: A Bayesian  multiple‐blob  tracker.  In  Eighth  IEEE  International  Conference on Computer Vision (Vol. 2, p. 34‐41).
• 15 Julier, S. J., & Uhlmann, J. K. (1997). A New Extension of the  Kalman  Filter  to  Nonlinear  Systems.  In  Proc.  of  AeroSense: The 11th Int. Symp. on Aerospace/Defence  Sensing, Simulation and Controls. (pp. 182–193)
• 16 Kazimierski,  W.,  &  Stateczny,  A.  (2015).  Radar  and  Automatic  Identification  System  Track  Fusion  in  an  Electronic Chart Display and Information System. The  Journal of Navigation(68), 1141‐1154. 
• 17 Khaleghi, B., Khamis, A., Karray, F. O., & Razavi, S. N.  (2013). Multisensor data fusion: A review of the state‐ofthe‐art.  Information  Fusion,  14(1),  28  44.  doi:  http://dx.doi.org/ 10.1016/j.inffus.2011.08.00
• 18 Kim,  C.,  Li,  F.,  Ciptadi,  A.,  &  Rehg,  J.  M.  (2015,  Dec).  Multiple  hypothesis  tracking  revisited.  In  2015  IEEE  International Conference on Computer Vision (ICCV) (p.  4696‐4704). doi: 10.1109/ICCV.2015.533
• 19 Kitagawa, G. (1996). Monte carlo filter and smoother for  nongaussian  nonlinear  state  space  models.  Journal  of  Computational and Graphical Statistics, 5(1), 1‐25. 
• 20 Mahler,  R.  (2015,  Oct).  A  brief  survey  of  advances  in  randomset  fusion.  In  Control,  automation  and  information  sciences  (iccais),  2015  international  conference  on  (p.  62‐67).  doi:  10.1109/ICCAIS.2015.7338726 
• 21 Mazzarella,  F.,  &  Vespe,  M.  (2015,  April).  SAR  Ship  Detection  and  Self‐Reporting  Data  Fusion  Based  on  Traffic  Knowledge.  IEEE  Geoscience  and  Remote  Sensing Letters.
• 22 Perera, L. P., Ferrari, V., Santos, F. P., Hinostroza, M. A., &  Soares, C. G. (2015, APRIL). Experimental Evaluations  on  Ship  Autonomous  Navigation  and  Collision  Avoidance  by  Intelligent  Guidance.  IEEE  Journal  of  Oceanic Engineering, 40. 
• 23 Pulford, G. W. (2005, October). Taxonomy of multiple target  tracking methods. IEEE Proceedings Radar, Sonar and  Navigation, 152(5), 291‐304. doi: 10.1049/ip‐rsn:20045064 
• 24 Schuhmacher, D., Vo, B. T., & Vo, B. N. (2008, June). On  performance  evaluation  of  multi‐object  filters.  In  Information fusion, 2008 11th international conference  on (p. 1‐8)
• 25 Siegert,  G.,  Banyś,  P.,  &  Heymann,  F.  (2016,  July).  Improving the Maritime Traffic Situation Assessment for  a  Single  Target  in  a  Multisensor  Environment.  In  Maritime knowledge discovery and anomaly detection  workshop proceedings (p. 7882). Ispra, Italy: European  Commission Joint Research Center. doi: 10.2788/025881
• 26 Siegert,  G.,  Banyś,  P.,  Hoth,  J.,  &  Heymann,  F.  (2017,  February). Counteracting the Effects of GNSS Jamming  in a Maritime Multi‐Target Scenario by Fusing AIS with  Radar  Data.  In  ION  International  Technical  Meeting.  Monterrey,  CA,  USA:  International  Organization  of  Navigation
• 27 Siegert, G., Banyś, P., Martínez, C. S., & Heymann, F. (2016,  April).  EKF  Based  Trajectory  Tracking  and  Integrity  Monitoring of AIS Data. In IEEE/ION Position, Location  and  Navigation  Symposium  PLANS  (p.  887  897).  Savannah, GA: IEEE. 
• 28 Tugnait,  J.  K.  (2003,  June).  Tracking  of  multiple  maneuvering targets in clutter using multiple sensors,  imm  and  jpda  coupled  filtering.  In  American  control  conference,  2003.  proceedings  of  the  2003  (Vol.  2,  p.  1248‐1253). doi: 10.1109/ ACC.2003.1239759