Tutkaseuranta koneoppimismenetelmin

Abstract

Tässä työssä tutkittiin koneoppimismenetelmien ja näistä tarkemmin neuroverkkojen soveltuvuutta tutkaseurannassa. Tavoitteena oli toteuttaa kokonainen koneoppimiseen perustuva tutkaseuranta-algoritmi yhden kohteen seurantaan. Algoritmin kouluttamiseen ja testaamiseen käytettiin valmista tutkasimulaattoria. Lisäksi tavoitteena oli tutkia kyseisille menetelmille soveltuvia tutkahavaintojen assosiointialgoritmeja. Työ tehtiin Insta Advance Oy:lle ja siinä käytettiin yrityksen toteuttamaa tutkasimulaatioympäristöä.

Työn alussa tutkittiin tutkien sekä perinteisten seuranta-algoritmien toimintaa ja toimintaperiaatteita. Lisäksi tutkittiin neuroverkkojen teoriaa ja toimintaperiaatteita. Näiden ja aikaisempien neuroverkkopohjaista monen kohteen seurantaa koskevien tutkimuksien perusteella lähdettiin muotoilemaan ratkaisua työssä käytettävää ympäristöä varten. Työssä kehitettiin menetelmät erilaisten simuloitavien reittien luomiseen. Valittiin reittien kanssa käytettävä koordinaatisto, reittien ja havaintojen keskittämiseen ja skaalaukseen käytettävät menettelyt sekä harjoitusdatasetin tasapainotukseen käytettävä menettely. Tämän jälkeen luotiin neuroverkkopohjainen seurantaalgoritmi, jonka rakenne sai vaikutteita perinteisistä seuranta-algoritmeista sekä aikaisemmissa neuroverkkopohjaista seurantaa tutkivissa julkaisuissa käytetyistä menettelyistä. Algoritmia varten toteutettiin kolme erilaista havaintojen assosiointimenetelmää. Näitä olivat vakioikkunainen assosiointi ennustusta käyttäen, muuttuvaikkunainen assosiointi ja autoenkoodaajaan perustuva assosiointi. Seuranta-algoritmin suorituskykyä testattiin ja arvioitiin näillä kaikilla.

Työn lopputuloksena oli, että yksinkertainen vakioikkunainen ennustusta käyttävä assosiointi oli suorituskyvyn ja menetelmän vähäisten muutettavien parametrien vuoksi testatuista assosiointimenetelmistä paras käytetyssä ympäristössä ja käytetyllä testausdatalla. Tuloksista havaittiin myös se, että toteutettu seuranta-algoritmi toimi kokonaisuutena kohtalaisesti työssä käytetyssä ympäristössä ja käytetyillä yksinkertaisilla reiteillä. Toteutetun seuranta-algoritmin neuroverkkomallien erillisissä evaluoinneissa havaittiin merkkejä siitä, ettei niiden suorituskyky ollut toivotulla tasolla. Algoritmia ei myöskään käytännön syistä pystytty vertaamaan perinteisempiin menetelmiin, jonka takia sen suorituskyvystä verrattuna niihin ei ole tietoa. Käytetyt menettelyt vaativat täten jatkotutkimusta ennen kuin niiden soveltuvuudesta tehtävään voidaan tehdä kunnollisia johtopäätöksiä.