Metodi ibridi basati su modelli e guidati dai dati per il tracciamento dei bersagli e la fusione dei dati dei sensori

This thesis addresses the limitations of traditional model-based approaches to target tracking, particularly in scenarios involving highly maneuvering targets and uncertain measurement conditions. A significant portion of this work is devoted to a comprehensive survey of methods that integrate neural networks within Bayesian estimation frameworks, highlighting their potential to overcome the rigidity of predefined dynamical and noise models, while preserving the ability to interpret the behavior of the tracking system and trace the source of potential errors. Building on these insights, a novel tracking approach is proposed, explicitly designed to provide interpretability of the network behavior while retaining the advantages of probabilistic estimation. The proposed method is extensively evaluated under challenging and varying sensing conditions, first focusing on a single maneuvering target scenario to assess robustness and generalization capabilities. Leveraging its modular structure, the approach is then integrated into a multi-target tracking system. Experimental results indicate improved tracking performance, especially in terms of track continuity, with a reduction in track losses and identity switches. This behavior indirectly reflects a strengthened data association capability compared to traditional methods. Finally, this work presents an experimental study on a possible centralized sensor fusion scheme that incorporates neural networks while maintaining low computational complexity relative to existing learning-based fusion methods. Overall, this thesis advances the integration of learning-based models within Bayesian tracking frameworks, providing interpretable, modular, and computationally efficient solutions for both single- and multi-target tracking problems.

La presente tesi affronta i limiti degli approcci tradizionali basati su modelli per il tracciamento dei bersagli, in particolare in scenari che coinvolgono bersagli altamente manovrabili e condizioni di misurazione incerte. Una parte significativa di questo lavoro è dedicata a un'analisi esaustiva dei metodi che integrano le reti neurali all'interno di paradigmi di stima bayesiana, evidenziandone il potenziale nel superare la rigidità dei modelli dinamici e di rumore predefiniti, pur preservando la capacità di interpretare il comportamento del sistema di tracciamento e di risalire all'origine di potenziali errori. Partendo da queste intuizioni, viene proposto un nuovo approccio di tracciamento, progettato espressamente per garantire l'interpretabilità del comportamento della rete, conservando i vantaggi della stima probabilistica. Il metodo proposto viene ampiamente valutato in condizioni di rilevamento difficili e variabili, concentrandosi inizialmente su uno scenario con un singolo bersaglio in manovra per valutare la robustezza e le capacità di generalizzazione. Sfruttando la sua struttura modulare, l'approccio viene poi integrato in un sistema di tracciamento multi-bersaglio. I risultati sperimentali indicano prestazioni di tracciamento migliorate, specialmente in termini di continuità della traccia, con una riduzione delle perdite di traccia e dei cambi di identità. Questo comportamento riflette indirettamente una capacità di associazione dei dati rafforzata rispetto ai metodi tradizionali. Infine, questo lavoro presenta uno studio sperimentale su un possibile schema centralizzato di fusione dei sensori che integra le reti neurali, pur mantenendo una complessità computazionale ridotta rispetto ai metodi di fusione basati sull'apprendimento esistenti. Nel complesso, questa tesi promuove l'integrazione di modelli basati sull'apprendimento all'interno di quadri di riferimento bayesiani per il tracciamento, fornendo soluzioni interpretabili, modulari ed efficienti dal punto di vista computazionale sia per i problemi di tracciamento di un singolo bersaglio che di più bersagli.