Trong điều kiện các sensor bắt tín hiệu tốt, với môi trường ít nhiễu, mật độ chuyển động các mục tiêu không dầy đặc, thì thuật toán bám GNN&UIMM thích hợp do có thời gian tính toán nhanh, và khối lượng tính toán đòi hỏi không nhiều. Nhưng với các môi trường nhiều nhiễu, kéo theo các tín hiệu đo được dày đặc, thuật toán GNN&UIMM dễ gán sai điểm dấu cho các quỹ đạo đã có. Trong các môi trường này, thuật toán tương quan JPDA hoặc thuật toán gán đa giả thiết MHT thích
76
hợp hơn, cho xác xuất gán đúng cao hơn. Tuy nhiên, thời gian và khối lượng tài nguyên tính toán của các thuật toán này lớn hơn rất nhiều so với GNN. Tuy vậy, đây không phải là cản trở quá lớn trong điều kiện sức mạnh tính toán của các máy tính đã tăng lên rất nhiều, và yêu cầu hàng đầu với các trung tâm xử lý dữ liệu sensor cỡ lớn là độ chính xác chứ không phải thời gian tính toán. Hướng phát triển tiếp theo giải quyết bài toán, là kết hợp thuật toán JPDA&MHT với UIMM; áp dụng cho các trung tâm xử lý tín hiệu sensor lớn. Còn, GNN và UIMM, phù hợp hơn với các trung tâm cơđộng, yêu cầu thời gian thực hiện nhanh nhưng chỉ có tài nguyên tính toán hạn chế.
Một hướng phát triển khác của bài toán bám, là mở rộng phạm vi áp dụng cho nó. Không chỉ giới hạn trong xử lý dữ liệu từ một sensor, khi có nhiều sensor cùng quan sát một mục tiêu, việc giải quyết vấn đề bám kết hợp, hợp nhất thông tin của nhiều sensor cũng là một vấn đề hay và thú vị.
77
TÀI LIỆU THAM KHẢO
[1] Blackman S., Popoli R. (August 1999), Design and Analysis of Modern
Tracking Systems, Artech House Radar Library, 1230 pages.
[2] Simon D. (2006), Optimal State Estimation Kalman, H infinity, and
Nonlinear Approaches, A John Wiley & Sons, Inc., Publication, USA, 526 pages.
[3] Raol R.J. 2010. Multi-Sensor Data Fusion with MATLAB, CRC Press,
United Kindom, 534 pages.
[4] Mitchell H.B. (2007), Multi-Sensor Data Fusion, Springer, 250 pages.
[5] Kalman R.E. (1960), A New Approach to Linear Filtering and Prediction
Problems, Transaction of the ASME—Journal of Basic Engineering, pp. 35- 45.
[6] Welch G. (May, 2003), An Introduction to the Kalman Filter.
[7] Julier S.J., Uhlmann J.K., Durrant-Whyte H.F. (2000), A New Approach for The Nonlinear Transformation of Means and Covariance in Filters and Estimators, IEEE Transactions on Automatic Control. Vol. 45, No.3, pp. 477-482.
[8] Julier S.J., Uhlmann J.K. (2001), Unscented Filtering and Non-linear
Estimation, Proceedings of the IEEE. Vol. 92, No.3, pp. 477-482, 2004. [9] Julier S.J., Uhlmann J.K. (1995), A New Approach for Filtering Nonlinear
Systems, Proceedings of the American Control Conference, pp. 1628-1632.
[10] Wan E.A., Van der Merwe R. (2000), The Unscented Kalman Filter for
Nonlinear Estimation, IEEE Proceedings, Communication and Control, pp. 153-158.
[11] Sarkka S. (Sep, 2007), On Unscented Kalman Filtering for State Estimation of Continuous-Time Nonlinear Systems, IEEE Transactions on Automatic Control, Vol.52, No.9.
[12] Hartikainen J., Särkkä S. (2008), Optimal filtering with Kalman filters and smoothers – a Manual for Matlab toolbox EKF/UKF, Department of
78
Biomedical Engineering and Computational Science, Helsinki University of Technology.
[13] Simon D. (2001), Kalman Filtering.
[14] Ribeiro I. (June 2000), Introduction to Kalman Filtering.
[15] Xiong Z., Sun F., Wang X., Hao Y. (2007), Comparison of Unscented
Kalman Filters, Proceedings of the 2007 IEEE International Conference on Mechatronics and Automation, Harbin, China
[16] Jiang Z., Song Q., He Y., Han J. (2007), A Novel Adaptive Unscented
Kalman Filter for Nonlinear Estimation. Proceedings of the 46th IEEE Conference on Decision and Control New Orleans, LA, USA.
[17] Konatowski S., Pieniężny A. T. A comparison of estimation accuracy by the use of KF, EKF & UKF filters, Department of Electronics, Military University of Technology, Poland.