Avaliação do método MHT em cenários com múltiplos alvos.

Rastrear múltiplos alvos é um requisito fundamental para sistemas de vigilância ou de controle de tráfego aéreo que empregam um ou mais sensores aliados a sistemas computacionais para interpretar o ambiente observado e criar uma visão situacional coerente e única dos alvos presentes no cenário real. O método MHT (do inglês, Multiple Hypothesis Tracking) é uma técnica especialmente desenvolvida para lidar com o problema de associação de dados - decorrente da incerteza quanto à origem de medidas tomadas do ambiente - em cenários com múltiplos alvos. Enquanto os métodos de associação tradicionais assumem apenas uma hipótese de associação entre pistas e medidas, o MHT assume várias hipóteses de associação simultâneas e aguarda até que mais informação sensorial do ambiente esteja disponível para julgar quais hipóteses devem ser eliminadas e quais devem ser mantidas. Este trabalho compara o método MHT com técnicas tradicionais em termos de métricas bem determinadas para a quantificação da efetividade de rastreamento. A principal motivação é entender como a estratégia alternativa de associação de dados empregada pelo MHT se reflete na sua complexidade e no seu desempenho quando comparado a métodos convencionais de associação de dados. Para tanto, a abordagem de implementação do MHT adotada neste trabalho - orientada a pistas - é submetida a uma análise de complexidade algorítmica, que, por sua vez, indica que o gargalo dessa abordagem está concentrado no passo de re-geração de hipóteses. Não obstante, para quantificar a melhoria na efetividade de rastreamento, esse trabalho oferece uma comparação da efetividade de rastreamento do MHT com um método benchmark - o GNN (do inglês, Global Nearest Neighbor) - em quatro cenários de complexidade incremental compostos por múltiplos alvos e apenas um sensor. Os resultados encontrados indicam que a efetividade do método MHT se degrada suavemente na medida em que a complexidade do cenário aumenta e sugerem que o MHT possui maior robustez que o método GNN diante do aumento de densidade de falsos alarmes (ou medidas espúrias).