ПРОСТОРОВО-ЧАСОВА ДЕДУПЛІКАЦІЯ В РЕАЛЬНОМУ ЧАСІ В РОЗПОДІЛЕНИХ СИСТЕМАХ СУПРОВОДЖЕННЯ БАГАТЬОХ ЦІЛЕЙ НА ОСНОВІ АРХІТЕКТУРИ З ОБМЕЖЕНИМ ПОГІРШЕННЯМ ЯКОСТІ

Анотація

Розподілені системи відстеження кількох цілей мають тенденцію до руйнування під великим
навантаженням: затримки обробки зростають, треки зливаються одна з одною, і першопричиною зазвичай є
необмежена алгоритмічна складність у поєднанні з непередбачуваними шаблонами доступу до пам'яті. Ця стаття
зосереджена на оцінці стану та просторово-часовій дедуплікації треків на децентралізованих вузлах обробки.
Мета полягає в тому, щоб зберегти детермінований час виконання кадру та запобігти обміну ідентифікаторами
між треками, навіть під час щільних ройових зіткнень. Для досягнення цієї мети в дослідженні використовуються
моделі маневруючих цілей, що досягають прискорення 10g, та імітовані потоки телеметрії, що досягають межі
насичення перешкодами 11×. Цей підхід поєднує буферизацію кільця без блокування, структуру пам'яті масивів,
плоскі просторові хеш-сітки з простим добутком з лінійним зондуванням та локалізовану спільну ймовірнісну
асоціацію даних. Результати показують, що бюджет обробки менше 10 мс становить 5500 точок перешкод на кадр,
з піковою прогнозованою затримкою 4,6 мс, коли всі вісім перехресних блокувань активні одночасно. Протягом
1000 симульованих випробувань симетричних перетинів з високим g, фреймворк забезпечив нульову заміну міток
та підтримував послідовне відстеження за показників втрати пакетів до 30%. Основним науковим внеском є
формалізація парадоксу гарячого кешу: за умов сильного засмічення обмежена повнорангова факторизація
Холецького, що повністю виконується в кеші L1, перевершує номінально дешевше низькорангове наближення
Шермана-Моррісона-Вудбері, яке має вузьке місце через глобальну затримку пам'яті. Другим внеском є
адитивний коригувальний член для правила вибору NEES, який поглинає інфляцію інновацій, спричинену
низькоранговими наближеннями шуму процесу, запобігаючи помилковим передачам власності через мережеві з
втратами.
Ключові слова: відстеження цілі в реальному часі, спільне проектування апаратного та програмного
забезпечення, оцінка розподіленого стану, парадокс гарячого кешу, спільна ймовірнісна асоціація даних,
дедуплікація треків, обмежена деградація, децентралізовані сенсорні мережі.

Перелік посилань
1. Axis AB, "Multipath classification in radar detections," European Patent Application EP4092447A1, Nov. 23,
2022. Patent Identifier: EP4092447A1. https: // worldwide.espacenet.com / publicationDetails / biblio?II=0&ND=3&
adjacent=true&locale=en_EP&FT=D&date=20221123&CC=EP&NR=4092447A1&KC=A1.
2. Shenyang Ligong University, "Research on Fusion Tracking Technology in Heterogeneous Multi-Sensor,"
Academic Report, Oct. 2014. https://doi.org/10.4028/www.scientific.net/AMR.1056.158.
3. S. S. Blackman, "Multiple-Hypothesis Tracking for Multiple Target Tracking," IEEE Signal Processing
Magazine, vol. 21, no. 1, pp. 41-52, Jan. 2004. https://doi.org/10.1109/MAES.2004.1263228.
4. Y. Bar-Shalom, X. R. Li, and T. Kirubarajan, Estimation with Applications to Tracking and Navigation: Theory,
Algorithms and Software, Wiley-Interscience, 2001. https://doi.org/10.1002/0471221279.
5. X. R. Li and V. P. Jilkov, "Survey of Maneuvering Target Tracking. Part I: Dynamic Models," IEEE
Transactions on Aerospace and Electronic Systems, vol. 39, no. 4, pp. 1333-1364, Oct. 2003. https://doi.org/10.1109
/TAES.2003.1261132.
6. Fortem Technologies, Inc., "System and method for fusing asynchronous sensor tracks in a track fusion
application," U.S. Patent Application US20230215277A1, Feb. 20, 2023. Patent Identifier: US20230215277A1.
https://ppubs.uspto.gov/api/patents/html/US-20230215277-A1?source=US-PGPUB&requestToken=eyJzdWIiOiIwNjQyMjAyOC1hNDE5LTQ5NzgtYjk3Ni0zODhhNzY2ZGNkNzIiLCJ2ZXIiOiIwZDEzYTk0OC01M2NmLTRjYzYtYmU
xYy02OTA5YzJhNmU3NzIiLCJleHAiOjB9.
7. Dalian Maritime University, "Multi-Sensor Data Fusion Method Based on Improved Evidence Theory," Journal
of Marine Environmental Sensing, May 2023. https://doi.org/10.3390/jmse11061142.
8. A. Balachandran, A. Acharya, S. Chomal, and R. Tharmarasa, "Multipath-Assisted Multitarget Tracking with
Better Track Formation," IEEE Transactions on Aerospace and Electronic Systems, vol. 60, no. 3, pp. 3021-3037, June
2024. https://doi.org/10.1109/TAES.2024.3360012.
9. Politechnika Gdanska, "Sensors and Sensor’s Fusion in Autonomous Vehicles," Civil and Defense Navigation
Studies, Oct. 2021. https://doi.org/10.3390/s21196586.
10. Xian Electronic Engineering Research Institute, "Target tracking system for multi-sensor data fusion,"
Technical Report, Dec. 2017. https://doi.org/10.1109/ITNEC.2017.8285099.
11. Beihang University, "Study on Multi-Heterogeneous Sensor Data Fusion Method Based on Millimeter-Wave
Radar and Camera," Journal of Intelligent Transportation Systems, Jun. 2023. https://doi.org/10.3390/s23136044.
12. "An algorithm based on hierarchical clustering for multi-target tracking of multi-sensor data fusion," Journal
of Multi-Target Tracking, Jul. 2016. https://doi.org/10.1109/ChiCC.2016.7554147.
13. H. A. P. Blom and Y. Bar-Shalom, "The Interacting Multiple Model Algorithm for Systems with Markovian
Switching Coefficients," IEEE Transactions on Automatic Control, vol. 33, no. 8, pp. 780-783, Aug. 1988.
https://doi.org/10.1109/9.1299.
14. C. Hue, J.-P. Le Cadre, and P. Pérez, "Sequential Monte Carlo Methods for Multiple Target Tracking and Data
Association," IEEE Transactions on Signal Processing, vol. 50, no. 2, pp. 309-324, Feb. 2002. https://doi.org/10.1109/
78.978386.
15. Università degli Studi di Napoli Federico II, "Multi-sensor data fusion: A tool to enable UAS integration into
civil airspace," Journal of Aerospace Engineering, Oct. 2011. https://doi.org/10.1109/DASC.2011.6096082.
16. Chongqing Changan Automobile Co. Ltd., "Method and apparatus for associating radar target with visual
target, vehicle, and storage medium," Australian Patent AU2024200065A1, Jan. 04, 2024. Patent Identifier:
AU2024200065A. https://ipsearch.ipaustralia.gov.au/patents/2024200065.
17. Wuhan University of Technology, "Research on Target Detection Based on Distributed Track Fusion for
Intelligent Vehicles," Journal of Automated Driving Perception, Dec. 2019. https://doi.org/10.3390/s20010056.
18. Xi'an Jiaotong University, "Track-to-Track Association Based on Structural Similarity in the Presence of
Sensor Biases," Journal of Spatial and Coordinate Association, Jan. 2014. https://doi.org/10.1155/2014/294657.