Académique Documents
Professionnel Documents
Culture Documents
La quantité m(A) s’interprète comme la part de croyance fiable en exploitant la complémentarité et la redondance,
placée strictement sur A. Cette quantité se différencie aussi elle est commutative et associative ce qui permet de
d’une probabilité au sens classique du terme, par le fait fusionner les informations de N sources. Elle possède
que la totalité de la masse de croyance est répartie non aussi un élément neutre qui est la fonction d’ignorance
seulement sur les hypothèses simple Hn, mais aussi sur totale [5]:
les hypothèses combinées A. Nous pouvons donc m1 ⊕ m2 = m1 si m2 ( θ ) = 1 (8)
accorder une partie de croyance à une hypothèse
Et un élément absorbant qui est la masse de croyance de
combinée A, ainsi d’affecter une croyance à la réalisation
l’hypothèse singleton :
des hypothèses contenues dans A sans prendre partie de
la masse affectée à A. Les sous ensembles A dont la m1 ⊕ m2 = m2 si m2 ( H n ) = 1 (9)
masse est non nulle sont appelés éléments focaux.
Il existe des BF particulières définissant des 3. FONCTION D’ASSOCIATION DE DONNEES
connaissances bien précises parmi lesquelles nous
citons [5]: 3.1. Méthode proposée
La fonction de Crédibilité
La méthode adoptée pour l’association de données est
Elle est définie de la manière suivante :
influencée par l’algorithme décrit en [6,7], où la théorie
Cr ( A ) = ∑ m ( B ) ∀A ⊆ θ (3) des BF est utilisée pour résoudre le problème
B⊆ A
d’association de données pour la poursuite des véhicules.
Elle mesure la force avec laquelle on croit en la véracité Soit Ω = {P1,P2,…,PI} et θ={A1,A2,…,AJ} respectivement
de A [5]. l’ensemble de I cibles existantes et de J mesures reçues.
La fonction de Plausibilité Pour chaque cible et chaque mesure, nous définissons le
Elle est définie de la manière suivante : cadre de discernement Ωij par :
Pl ( A ) = ∑ m ( B )
( A∩ B ) ≠∅
∀A ⊆ θ (4) {
Ωij = Pi RA j ,Pi RA j } (10)
Pour la poursuite et la classification de mouvements Nous pouvons maintenant écrire, sous forme développée,
−1
nous avons utilisé l’algorithme IMM-EKF, qui combine les équations de P ( k ) et de x̂ ( k ) :
le filtre EKF pour l’estimation d’état avec la méthode
⎡⎣ P ( k ) ⎤⎦ = ⎡⎣ P ( k k − 1) ⎤⎦ + H1 ( k ) ⎡⎣ R1 ( k ) ⎤⎦ H1 ( k )
−1 −1 −1
T
(33)
IMM pour la classification de mouvements.
L’algorithme IMM-EKF est résumé ci-dessous [11] : + H 2 ( k ) ⎡⎣ R2 ( k ) ⎤⎦ H 2 ( k ) + " + H N ( k ) ⎡⎣ RN ( k ) ⎤⎦ H N ( k )
T −1 T −1
Les trois radars sont situés en (0, 0) Km, (25,80) Km 70 Traj réelle2
Traj réelle3
et (50,0) Km, et ayant les mêmes caractéristiques. 60
Estimée Traj1
Estimee Traj2
La matrice de transition entre les modèles de Estimee Traj3
O rdonnée (K m )
50
p mn = Toeplitz([0.98 0.01 0.01])
40
Pour la poursuite nous avons utilisé le filtre « EKF »
avec une initialisation à 90% de l’état réel. 30
Les résultats obtenus permettent de dégager les
remarques suivantes : 20
Probabilité d'association
Probabilité d'association
0.7
0.6 0.6
Dans cet article, nous avons traité le problème de la
poursuite des cibles manoeuvrantes et rapprochées (où 0.6 0.5 0.5
7
10
25
REQ M Position (Km )
20 5
4
15
5
3
10
2
5
1
0 0 0
0 100 200 0 100 200 0 100 200
Echantillons Echantillons Echantillons
REFERENCES
(d)
Cible1 [1] A. Dempster, “A generalization of bayesian inference”. In
1 Journal of Royal Statistical Society, series B, 30, pages 205-
P ro b a b ilité s d e s m o d è le s
M1 247, 1968.
0.5 M2
M3
0.5
M1
M2
Shalom, Noorwood, MA: Artech House, (1990).
M3
M1
association filter”. IPMU 2010, Dortmund Germany.
0.5 M2
M3
0
0 20 40 60 80 100 120 140 160 180 200 [8] H. Dang, C. Han, “Multi-target Data Association Approach
Echantillons
Cible3 for Vehicle Tracking in Road Situation”. IEEE international
1 workshop on Robot & Human Interactive Communication, Mar
P ro b a b ilité d e s m o d è le s
M1 17, 2003.
0.5 M2
M3
1
M1 tracking: Dynamic models, in Proc”.
0.5 M2 SPIE: Signal Data Process. Small Targets 2000, vol. 4048-22,
M3
Apr. 2000.
0
0 20 40 60 80 100 120 140 160 180 200
Echantillons