Multi-sensor target tracking: Communication- and computation-efficient algorithms

Target tracking is a well-studied research topic with a vast array of applications. The basic idea is to track one or more targets of interest using data collected by one or more sensors. While a single sensor may provide enough data, it is more beneficial to establish a network of sensors that collaborate with each other. In this thesis, we study multi-sensor target tracking and present three manuscripts.In the first manuscript, we present a distributed bearings-only single-target particle filter. Unlike the existing literature, the proposed filter incorporates the Earth's curvature in the measurement model to provide more accurate bearing computation. Furthermore, we derive an approximate joint log-likelihood function to reduce the total communication overhead. In the second manuscript, we extend our work in the first manuscript and present two compression algorithms for distributed particle filters. The proposed algorithms construct a graph over the particles and exploit the resulting graph Laplacian matrix to encode the particle log-likelihoods. The proposed algorithms are not limited to any measurement models and can be incorporated in any generic particle filter. We also derive theoretical results showing that the proposed algorithms outperform existing methods at low communication overhead. In the third manuscript, we study data assignment in multi-target tracking. We propose two heuristic but computationally efficient algorithms for multi-sensor multi-target data assignment that can generate a number of likely target-measurement associations. We also implement these algorithms in a generalized labeled multi-Bernoulli filter to validate their performance.Le suivi des cibles est un sujet de recherche bien etudié avec beaucoup d'applications. Le but est de suivre une ou plusieurs cibles d'intérêt en utilisant des données recueillies par un ou plusieur capteurs. Alors qu'un seul capteur peut fournir une quantité suffisante de données, il est plus avantageux d'établir un réseau de capteurs qui collaborent les uns avec les autres. Dans cette thèse, nous étudions le problème de suivi des cible avec un réseau de capteurs et nous présentons trois manuscrits.Dans le premier manuscrit, nous présentons un filtre à particules pour le suivi d'une seul cible avec des mesures de gisement. Le fitre proposé diffère de la littérature existante et inclut la courbure de la Terre dans le calcul pour obtenir des mesures plus précises de gisements. De plus, nous dérivons une fonction logarithmique de vraisemblance approximative pour réduire la quantité de données transmises.Dans le deuxième manuscrit, nous étendons notre travail et présentons deux algorithmes de compression pour les filtres à particules distribuées. Les algorithmes proposés construisent un graphe des particules et utilisent la matrice laplacienne du graphe pour encoder les vraisemblances logarithmiques des particules. Les algorithmes proposés sont applicables pour tous les modèles de mesure et nous pouvons les intégrer dans un filtre à particules générique. Nous obtenons aussi des résultats théoriques démontrant que les algorithmes proposés surpassent les méthodes existantes.Dans le troisième manuscrit, nous étudions l'association des measures aux cibles dans le problème de suivi de multiple cibles. Nous proposons deux algorithmes heuristiques et efficaces pour l'association des mesures de multiple capteurs auxmultiple cibles. Les algorithimes proposés sont capables de générer un grand nombre d'associations. Nous implémentons ces algorithmes dans un filtre de type multi-Bernoulli pour valider leur performance