CB-MeMBer Filtresinin GM ve SMC Gerçeklemelerinin Sensör Kontrolü Performanslarının Farklı Ödül Fonksiyonları İçin Karşılaştırılması [Pamukkale Univ Muh Bilim Derg]
Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-48344 | DOI: 10.5505/pajes.2018.48344  

CB-MeMBer Filtresinin GM ve SMC Gerçeklemelerinin Sensör Kontrolü Performanslarının Farklı Ödül Fonksiyonları İçin Karşılaştırılması

Ahmet Güneş
D7 Sualtı Teknolojileri A.Ş.

Bu çalışmada rastgele sonlu kümeler teorisi çerçevesinde geliştirilmiş olan kardinalitesi dengelenmiş çoklu Bernoulli filtresinin ardışık Monte Carlo ve Gaus karışımı gerçeklemeleri farklı sensör kontrolü uygulaması için karşılaştırılmıştır. Simülasyonlarda belirsizlik azaltılması ve bilgi kazancına dayalı iki farklı ödül/ceza fonksiyonu kullanılmıştır. Bu fonksiyonlar, kısmen gözlemlenebilir Markov karar süreçleri yöntemi kullanılarak optimize edilmiş ve platformların bir sonraki hamlesi buna göre belirlenmiştir. Literatürde hali hazırda ardışık Monte Carlo gerçeklemeleri için kardinalitesi dengelenmiş çoklu Bernoulli filtresi ile sensör kontrolü alanında yayınlar bulunmaktadır. Ancak rastgele sonlu kümeler tabanlı filtrelerin Gaus karışımları üstüne fazla çalışma yoktur. Bu nedenle, algoritmaların Gaus karışımlarında da kullanılabilmesi için denklemler sunulmuştur. Bu iki farklı gerçekleme farklı sensörler ve farklı ödül/ceza fonksiyonları açısından simülasyonlarla karşılaştırılmıştır. Algoritmaların gerçek sistemlerde uygulandığında gösterecekleri performansları hakkında fikir vermesi açısından, çalışma süreleri sunulmuştur.

Anahtar Kelimeler: Sensör kontrolü, Rastgele sonlu kümeler, Gaus karışımları


Comparison of Performances of GM and SMC Implementations of CB-MeMBer Filter for Sensor Control

Ahmet Güneş
D7 Underwater Technologies Inc.

In this work, sequential Monte Carlo and Gaussian mixture implementations of cardinality balanced multi-Bernoulli filter, developed under random finite set theory framework, are compared for sensor control application. In the simulations, two different types of reward/penalty functions are utilized. They are based on reduction of uncertainty and information gain. These functions are calculated using partially observable Markov decision processes framework. The sensors move according to the outputs of these functions. The formulations for sequential Monte Carlo methods can already be found in the literature. However, there is not much work done on Gaussian mixtures. Gaussian mixtures based formulations are presented in this work. These two different implementations are compared for different sensor types, reward/penalty functions. In order to give an idea on a possible implementation on a real application, run times of the algortihms are also presented.

Keywords: Sensor control, Random finite sets, Gaussian mixtures




Sorumlu Yazar: Ahmet Güneş, Türkiye


ARAÇLAR
Yazdır
Alıntıyı İndir
RIS
EndNote
BibTex
Medlars
Procite
Reference Manager
E-Postala
Paylaş
Yazara e-posta gönder

Benzer makaleler
Google Scholar


 
Creative Commons Lisansı
Bu dergi Creative Commons Al 4.0 Uluslararası Lisansı ile lisanslanmıştır.


LookUs & Online Makale