עקיבה אחרי מספר מטרות בשיטת קורלציה + JPDAF מגיש : לוטן קפלנסקי מנחה : ד " ר גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION - ISRAEL INSTITUTE OF TECHNOLOGY.

Slides:



Advertisements
Similar presentations
מבוא למדעי המחשב לתעשייה וניהול
Advertisements

1 Formal Specifications for Complex Systems (236368) Tutorial #4 Refinement in Z: data refinement; operations refinement; their combinations.
אלכסנדר ברנגולץ מסננים דו-ממדים מסננים דו-ממדים קונוולוציה גרפית קונוולוציה גרפית קונוולוציה בשני ממדים ( כולל גרפית ) קונוולוציה בשני ממדים ( כולל גרפית.
דבורקין מיכאל אלתרמן יגאל בהנחיית ד " ר גבי דוידוב.
עיבוד תמונות ואותות בעזרת מחשב
נושא הפרויקט : עקיבה אחר שתי מטרות מתנגשות בעזרת מסנן קלמן.
עקיבה אחר מטרה בשיטת מרכז מסה
חורף - תשס " ג DBMS, Design1 שימור תלויות אינטואיציה : כל תלות פונקציונלית שהתקיימה בסכמה המקורית מתקיימת גם בסכמה המפורקת. מטרה : כאשר מעדכנים.
Performed by: Osnat Shlomo & Sharon Shlomo Instructor: Yossi Hipsh המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי.
מטרות הפרויקט הבנת בעיית העקיבה לימוד בעיית העקיבה החד ממדית לימוד השימוש במסנן קלמן לפתרונה שימוש בלוגיקה עמומה לשיפור הפתרון לימוד בעיית העקיבה הדו.
1 שיפור עקיבה אחר מטרה בשיטת קורלציה ומרכז כובד בשילוב אלגוריתם IMM מגיש: שישלניקוב דניס מנחה: דר' גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION -
המעבדה לבקרה ורובוטיקה 1 חקירה אמפירית של ניתוב תחרותי ברשתות תקשורת מגישים : דרור עמר & איתי ג ' ורג ' י מנחה : ישי מנשה סמסטר : חורף תשס "
Performed by: Volokitin Vladimir Tsesis Felix Instructor: Mony Orbah המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון.
אוטומט מחסנית הפקולטה למדעי המחשב אוטומטים ושפות פורמליות ( ) תרגיל מספר 11.
Performed by: Farid Ghanayem & Jihad Zahdeh Instructor: Ina Rivkin המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי.
הטכניון – מכון טכנולוגי לישראל הפקולטה להנדסת חשמל המעבדה לחקר הראיה ומדעי התמונה שחזור תמונה באמצעות אלגוריתם MRF מבוסס מגישים : ערד שייבר ואיל שינדלר.
מבוא להנדסת חשמל מעגל מסדר שני.
Map-Reduce Input: a collection of scientific articles on different topics, each marked with a field of science –Mathematics, Computer Science, Biology,
1 Data Structures, CS, TAU, Splay Tree Splay Tree  מימוש של עץ חיפוש בינארי  מטרה לדאוג ל- Amortized Time  פעולה בודדת יכולה לקחת O(N)  אבל כל רצף.
1 Formal Specifications for Complex Systems (236368) Tutorial #5 Refinement in Z: data refinement; operations refinement; their combinations.
מצגת פרויקט עקיבה אחרי גוף נע פרויקט סמסטריאלי סטודנטים : וסילי גנקין מראט אקולוב מנחה : אריה נחמני סמסטר אביב תשס " ז.
בהסתברות לפחות למצא בעיה במודל PAC עבור בהסתברות ε הפונקציה f טועה מודל ONLINE 1. אחרי כל טעות הפונקציה משתפרת 2. מספר הטעיות קטן.
תוכנית דעת, שנה"ל תשס"ח, מרצה יהודה הופמן1 מערכות מידע ארגוניות מערכות מידע ארגוניות הרצאה מס' 2: מהו מידע ?
א " ב, מילים, ושפות הפקולטה למדעי המחשב אוטומטים ושפות פורמליות ( ) תרגיל מספר 1.
Data Structures, CS, TAU, Splay Tree 1 Splay Tree - עץ חיפוש בינארי - מטרה לדאוג ל - Amortized Time - פעולה בודדת יכולה לקחת O(N) - אבל כל רצף M פעולות.
א " ב, מילים, ושפות הפקולטה למדעי המחשב אוטומטים ושפות פורמליות ( ) תרגיל מספר 1.
מגישים: אנדרי זמנסקי יבגני שיפמן מנחה: ד"ר גבי דוידוב עקיבה אחרי ארבע מטרות תוך כדי מיון אוטומטי בשיטת קורלציה ו - JPDAF.
ספריה וירטואלית בטכנולוגית J2EE הטכניון – מכון טכנולוגי לישראל הפקולטה להנדסת חשמל המעבדה למערכות תוכנה עזרן אייל טרבלסי אורדן סמסטר חורף תשס " ד מנחה.
א " ב, מילים, ושפות הפקולטה למדעי המחשב אוטומטים ושפות פורמליות ( ) תרגיל מספר 1.
עקיבה אחר אובייקטים בסרט וידאו באמצעות שילוב אלגוריתם Condensation/Particle filter ו –Mean shift מגישים: אור שור תומר מץ מנחה : אריה נחמני.
השוואה בין מערכות למסדי נתונים בשקפים אלו נשווה בין מסד הנתונים של רכבת ישראל למסד של רכבת גרמניה. בהרבה מקרים, המסד של מערכת הרכבות הישראלית לא יכול למצוא.
01/01/01 אמיר ווינשטוק עירן חוף שקופית מס ’ 1 מימוש ובדיקת אלגוריתם ללמידה ע"י חיזוקים עבור רובוט המשחק הוקי - אויר : מגישים עירן חוף אמיר ווינשטוק : מנחה.
שיפור תמונות צבע תוך שימוש ב -Multiscale Retinex מבצעים : מרינה בלבנוב ירון זליכה מנחה : דר’ דורון שקד סמסטר חורף תשנ”ט.
פרויקט עקיבה בצבע אחרי מספר מטרות בעזרת קורלציה, מסנן קלמן, JPDAF
איתור ותפיסת כדור לזריקה תוך שיתוף שתי זרועות רובוטיות הטכניון - מכון טכנולוגי לישראל הפקולטה להנדסת חשמל המעבדה לבקרה ורובוטיקה תופאחה חיסאוי יגאל סיגל.
עקיבה בזמן אמת אחר מטרה מתמרנת בעזרת חזאי קלמן פילטר וחזאי IMM מגישים : נקש שלמה זילברשטיין שלמה מנחה : ד " ר גבי דוידוב אפריל 2004.
ערכים עצמיים בשיטות נומריות. משוואה אופינית X מציין וקטור עצמי מציינת ערך עצמי תואם לוקטור.
Kalman Filter תומר באום Based on ch. 8 in “Principles of robot motion” By Choset et al. ב"הב"ה.
The Cyclic Multi-peg Tower of Hanoi מעגלי חד-כווני סבוכיות הפתרון בגרסאות עם יותר מ-3 עמודים.
טיב פני שטח (טפ"ש) טיב פני שטח- רמת החלקות של המשטח.
Galileo Navigation System Software Systems lab Software Systems lab סמסטר חורף תשס " ט סמסטר חורף תשס " ט מנחה: ולדימיר זדורנוב משה חיות מבצעים: גליה סימנובסקי.
עקיבה אחר מטרה באמצעות אלגוריתם Mean-Shift
Performed by: Husam Khshiaboun & George Gantous Instructor: Yossi Hipsh המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון.
הטכניון – מכון טכנולוגי לישראל הפקולטה להנדסת חשמל מעבדה לבקרה ורובוטיקה בחינה של אלגוריתמים לעקיבה אחר טילים בליסטיים מגישים : נדב רוזנבלט ויבגני גנדין.
מערכות הפעלה ( אביב 2006) חגית עטיה © 1 סיכום הקורס.
עיבוד תמונות ואותות בעזרת מחשב תרגול מס' 8: Template Matching
Bus Project Yaniv Stern Rachel Stahl Instructor: Ari Todtfeld.
Markov Decision Processes (MDP) תומר באום Based on ch. 14 in “Probabilistic Robotics” By Thrun et al. ב"הב"ה.
1 עקיבה אחר מטרה בשיטת קורלציה בשילוב אלגוריתם IMM מגישים: קיריצ'נקו אלכס שישלניקוב דניס מנחה: דר' גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION -
Particle Filter תומר באום ב"ה. מוטיבציה אנו רוצים להעריך מצב של מערכת (מיקום,מהירות טמפרטורה וכו') בעזרת מדידות שנעשות בזמנים שונים. ( כמו טווח לנקודות.
Performed by: Tal Kormas Instructor: Alex Gerber המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי לישראל הפקולטה.
1 Spring Semester 2007, Dept. of Computer Science, Technion Internet Networking recitation #3 Internet Control Message Protocol (ICMP)
חיפוש כתבי עת בקטלוג האוניברסיטה. חיפוש בסיסי לכתב עת אלקטרוני בקטלוג המאוחד לכתבי עת אלקטרוניים של האוניברסיטה, ניתן לבצע חיפוש עבור כתבי עת אלקטרוניים.
Performed by: Lior Fayena & Assaf Almog Instructor: Emilia Burlak המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי.
בקרה תומר באום ב"הב"ה. סוגי בקרה חוג פתוח Open-loop control : אנו מכוונים את הרובוט למצב הבא שהוא אמור להיות בו לפי מודל מסוים, כמו שעשינו בקינמטיקה הפוכה.
Performed by: Smadar Katan & Gal Mendelson Instructor: Yossi Hipsh המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי.
עקיבה אחר מטרה בשיטת מרכז כובד בשילוב אלגוריתם IMM מגישים: שי בן שחר גלעד רבינוביץ מנחה: דר' גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION - ISRAEL.
Costs and Filters Dr. Avi Rosenfeld Department of Industrial Engineering Jerusalem College of Technology
Performed by: Anat Klempner Instructor: Malisha Marijan Prof. Yonina Eldar המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון.
Performed by: Ziv Landesberg Instructor:Evgeniy Kuksin המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי לישראל.
Performed by: Kfir Toledo Tzofnat Grinberg Instructor: Ina Rivkin המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי.
Ari Avitzur And Asher Pilai Performed by: Ari Avitzur And Asher Pilai Yossi Hipsh Instructor: Yossi Hipsh המעבדה למערכות ספרתיות מהירות High speed digital.
המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי לישראל הפקולטה להנדסת חשמל Technion - Israel institute of technology.
Performed by: Sameeh J & khalid A Instructor: Mony Orbach המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי לישראל.
דוח אמצע סמסטר אביב תשס"ב 2002 שם הפרויקט :סביבת בדיקה ל PCIX PCIX environment מנחה : איתי אדר מגישים : שמיל ניסימוב גוילי יואב הטכניון.
Performed by: Orit Arnon Dotan Barak Instructor: Yosi Hipsh המעבדה למערכות ספרתיות מהירות High speed digital systems laboratory הטכניון - מכון טכנולוגי.
Data Structures, CS, TAU, Splay Tree
מגישים: עמיר ניצני דורון זטלמן מנחה: דר' גבי דוידוב
מבוא למערכות מידע פרק 1.
Presentation transcript:

עקיבה אחרי מספר מטרות בשיטת קורלציה + JPDAF מגיש : לוטן קפלנסקי מנחה : ד " ר גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION - ISRAEL INSTITUTE OF TECHNOLOGY הפקולטה להנדסת חשמל המעבדה לבקרה ורובוטיקה

נושאים לדיון – מטרות – עקיבה : מושגים, הגדרות ומבנה  כללי  זיהוי – קורלציה  מסנני עקיבה  מסנן קלמן  מסננים סטנדרטיים  PDAF –JPDAF  מבנה המסנן  דוגמאות ומגבלות – סיכום – הצעות לשיפור

מטרות מימוש אלגוריתם עקיבה המטפל ב : מימוש אלגוריתם עקיבה המטפל ב : – מספר מטרות (3-4) – הסתרות ( חיצוניות והדדיות ) – הטעיות ע " י שימוש בשיטות : ע " י שימוש בשיטות : – קורלציה –JPDAF

מושגים והגדרות פריים פריים חלון חיפוש חלון חיפוש מטרה מטרה מדידה מדידה מסלול ( עוקב ) מסלול ( עוקב ) הטעיות (clutter) הטעיות (clutter)

מבנה מערכת העקיבה פריים נוכחי איסוף מדידות קביעת מצב חיזוי נוכחי שיוך מדידות למסלולים עדכון מסלולים מצב חיזוי קודם סימון מטרות פריים נוכחי מסומן קביעת חלון החיפוש לפריים הבא מסנן עקיבה

זיהוי מטרות – שיטת קורלציה נוסחת הקורלציה : נוסחת הקורלציה :

קורלציה - יתרונות מטרה : f= הבחנה טובה בין מטרות : הבחנה טובה בין מטרות : יכולת זיהוי גם בהסתרה חלקית : יכולת זיהוי גם בהסתרה חלקית : התמודדות עם רעש התמודדות עם רעש g

קורלציה - חסרונות סיבוכיות גבוהה סיבוכיות גבוהה רגישות גבוהה לשינוי צורה רגישות גבוהה לשינוי צורה מקצה שיפורים ? מקצה שיפורים ? –SAD, SSD – דילול מטרות – מטרות מתעדכנות

מסנן קלמן מסנן קלמן – ממדל את המערכת לפי משוואות מצב : ( סדר III) מסנני עקיבה – מטרה אחת x – וקטור מצב x – וקטור מצב z – ווקטור מדידות z – ווקטור מדידות v – רעש תהליך v – רעש תהליך w – רעש מדידה w – רעש מדידה

משוואות המסנן P –קוואריאנס וקטור המצב ( בהינתן המדידות ) - שערוך מיטבי של ווקטור המצב - שערוך מיטבי של ווקטור המצב (1) + (2) נותן :

מסנני עקיבה – מסננים סטנדרטיים בתרחישים : בתרחישים : – ריבוי מטרות זהות – הטעיות (clutter) נדרשת בחירה בין מדידות. מסננים סטנדרטיים : מסננים סטנדרטיים : –NNSF –SNSF

מסננים סטנדרטיים - המשך NNSF SNSF NNSF SNSF Corr=0.7 Corr=0.8 Corr=0.7 Corr=0.8 לאחר בחירת המדידה הרלוונטית, הקידום מתבצע כמו במסנן קלמן רגיל. - חלון החיפוש - מרכז החלון - מדידה

מסננים סטנדרטיים – סיכום יכולות : יכולות : – הצלחה בטיפול ב :  הסתרות  דינמיקה מהירה מגבלות : מגבלות : – כשלון בטיפול ב :  הטעיות  מטרות זהות

מסנן - PDAF Probablistic Data Association filter נותן ביטוי לכל המדידות התקפות נותן ביטוי לכל המדידות התקפות

PDAF – המשך יתרונות יתרונות  מתגבר על הטעיות קצרות מועד מגבלות : מגבלות : – הטעיות ארוכות מועד :  clutter מרובה  תנועה איטית – מטרות זהות משיקות

PDAF – דוגמאות התמודדות עם הטעיות : התמודדות עם הטעיות :

PDAF - מגבלות הטעיות מרובות : הטעיות מרובות : הצלחה : כשלון :

PDAF - מגבלות מטרות משיקות : מטרות משיקות :

PDAF - המשך האם ניתן לפתור את מגבלות המסנן ? האם ניתן לפתור את מגבלות המסנן ? – הטעיות :  השגיאה הנוצרת נובעת מאי - דיוקים במודל ובמערכת המדידה.  פתרונות אפשריים : – הקטנת גודל חלון – הקשחת פרמטרי מסנן קלמן  אלו מוגבלים ע " י דיוקי מערכת המדידה, והמודל.

שיפור PDAF – המשך – מטרות משיקות :  כל מסלול שואף להתייצב בין שתי המדידות דוגמא : פעולת מסנן ה -PDAF: דוגמא : פעולת מסנן ה -PDAF: כיוון שגוי האם ניתן לצמצם את השגיאה ?

מסנן JPDAF – Joint Probabilistic Data Association Filter בודק מאורעות שיתופיים : בודק מאורעות שיתופיים : – הנחה : כל מדידה מגיעה ממטרה אחת בלבד מאורע א : מדידה מטרה מאורע ב : הסתברות שולית הסתברות מצרפית ( לא מנורמלת ) הסתברות מאורע א ' ( מנורמלת ) – 0.92 הסתברות מאורע ב ' ( מנורמלת ) – 0.08

JPDAF - המשך כיוון שגוי השימוש ב - JPDAF מקטין את השגיאה PDAFJPDAF

JPDAF - תיאור t=0 t=1 t=2 t=3 m=1 m=2 m=6 m=1,2..6 t=1,2,3 מטריצת תקפות (Validation matrix) מאורעות תקפים (feasible joint events) האם למטרה t משויך מקור ( כלשהו ) האם למדידה j משויכת מטרה ( כלשהי ) מספר מדידות שקריות ( הטעיות ) במאורע הסתברות שהמטרה t אותרה ( בכלל ) נפח אזור התקפות

JPDAF - המשך חידוש (innovation) העדכון לפי מדידה j ( באותו מאורע ) משקל החידוש חיזוי ( קלמן ) לפי מדידה j הסתברות שולית שמדידה j הגיעה ממטרה t שערוך מיטבי של X

JPDAF – המשך הערות : הערות : –Feature measurements: –Detection probability P Dt: - קורלציה בין מטרה t למדידה j

JPDAF - דוגמאות שיפור ביצועים עבור : שיפור ביצועים עבור : – מטרות משיקות – דיוק עקיבה ( בהשוואה ל -PDAF)

JPDAF – דוגמאות - המשך מגבלות : מגבלות : – מטרות משיקות + הטעיות

JPDAF – סיכום ביצועים שיפור במקרים של : שיפור במקרים של :  מטרות זהות משיקות לאורך זמן  מטרות זהות משיקות לפני הסתרה ללא שיפור במקרים של : ללא שיפור במקרים של :  מטרות זהות משיקות + הטעיות בשאר המקרים – שיפור זניח בשאר המקרים – שיפור זניח

JPDAF – מגבלות נוספות מטרות זהות ( דומות ) עוקפות : מטרות זהות ( דומות ) עוקפות : PDAF JPDAF PDAF JPDAF

הצעות לשיפור עיבוד תמונה עיבוד תמונה MHT - פתרון להסתרות / הטעיות MHT - פתרון להסתרות / הטעיות JPDAIMMF – שיפור גמישות מודל תנועה JPDAIMMF – שיפור גמישות מודל תנועה

FIN