Dans cette thèse nous développons différents algorithmes de pistage multicible qui peuvent traiter les mesures d'un ou plusieurs capteurs. Les filtres sont obtenus par application approximative du filtre de Bayes récursif dans le contexte d'ensemble fini aléatoire, contexte qui est utilisé pour modélisé les états et les observations. Les contributions de la thèse peuvent être organisées en trois parties.Pour fournir une application motivante des algorithmes que nous développons, nous étudions d'abord le problème de tomographie à radiofréquence. Nous validons empiriquement un modèle de mesure pour tomographie à radiofréquence lorsque plusieurs cibles sont présentes à l'intérieur du réseau de capteurs. Nous validons des modèles pour des environnements à la fois intérieurs et extérieurs. Ces modèles sont ensuite utilisés pour réaliser du pistage multicible utilisant différents filtres de Monte Carlo sur les données capturées lors de déploiements sur le terrain de réseaux de capteurs sans-fil.En second lieu, nous développons des implémentations de filtres particulaires auxiliaires pour le filtre ``Probability Hypothesis Density'' et le filtre ``Cardinalized Probability Hypothesis Density'' lorsque le modèle de mesure possède une forme particulière, à savoir le modèle superposé de capteur. Nous obtenons aussi un filtre multi-Bernouilli et un filtre ``Hybrid Multi-Bernoulli Cardinalized Probability Hypothesis Density'' pour les capteurs de modèle superposé et développons leurs implémentations de filtres particulaires auxiliaires. Ces filtres sont évalués à des fins de pistage multicible en utilisant de la tomographie à radiofréquence simulée et plusieurs modèles acoustiques de réseaux de capteurs.En troisième lieu, nous dérivons des équations de mise-à-jour pour le filtre ``General Multisensor Cardinalized Probability Hypothesis Density'' lorsque le modèle de mesure possède une forme particulière, à savoir le modèle standard de capteur. Pour surmonter la complexité combinatoire de ce filtre, nous développons un algorithme glouton avec mélange de gaussiennes qui est effectivement traitable en temps fini. Le filtre est évalué en utilisant des mesures simulées provenant de différents capteurs.

In this thesis we develop various multitarget tracking algorithms that can process measurements from single or multiple sensors. The filters are derived by approximate application of the recursive Bayes filter within the random finite set framework, which is used to model the multitarget state and observations. The contributions of the thesis can be organized into three main categories.To provide a motivating application for the algorithms we develop, we first study the problem of radio frequency tomography. We empirically validate a radio frequency tomography measurement model when multiple targets are present within the sensor network. We validate modelsfor both indoor and outdoor environments. These models are then used to perform multitarget tracking using various Monte Carlo filters on data gathered from field deployments of radio frequency sensor networks.Second, we develop auxiliary particle filter implementations of the Probability Hypothesis Density filter and Cardinalized Probability Hypothesis Density filter when the measurement model has a specific form, namely the superpositional sensor model. We also derive Multi-Bernoulli filter and Hybrid Multi-Bernoulli Cardinalized Probability Hypothesis Density filter for superpositional sensors and develop their auxiliary particle filter implementations. These filters are evaluated for multitarget tracking using simulated radio frequency tomography and acoustic sensor network models.Third, we derive update equations for the General Multisensor Cardinalized Probability Hypothesis Density filter when the measurement model has a specific form, namely the standard sensor model. To overcome the combinatorial computational complexity of this filter we develop a Gaussian mixture model-based greedy algorithmto implement the filter in a computationally tractable manner. The filter is evaluated using simulated multisensor measurements.

Coates, Mark (Supervisor)