自主导航,第5部分:什么是扩展对象跟踪?
从系列:自主导航
布莱恩•道格拉斯
在很多场景中,还有其他的对象,我们可能需要观察和跟踪中为了有效地驾驭环境。这个视频是要看扩展对象跟踪:返回多个传感器检测的对象。
我们将讨论扩展对象跟踪技术的一个基本的概述,使它具有挑战性,然后简要提供一些直觉的一些算法开发来解决这个问题。
从上一节,我们知道如何计划一个路径通过静态环境一旦我们有地图。但在很多实际场景,环境不是静态的。经常有其他对象,通过相同的位置,我们试图导航中。因此,我们可能需要观察和跟踪这些对象为了有效地计划和决策。
这个视频是要看扩展对象跟踪,这是,我将解释它是什么在这个视频。但我希望提供一个基本的概述什么是扩展对象跟踪,使它具有挑战性,然后简要提供一些直觉的一些算法开发来解决这个问题。我是布莱恩。欢迎来到MATLAB技术说话。
如果您正在开发一个自治的车中,静态环境的地图会让你做事情喜欢计划最优路由通过一个城市或确定车道是如果你有一个即将到来的转变。然而,环境绝对不是静态的。
如果汽车正试图确定是否安全变换车道,一个静态地图不够好。它需要了解环境的动态部分。这些都是其他车辆和行人和自行车等等。所以我们需要给我们的自主车辆感知方式和跟踪这些对象,如果我们希望能够顺利度过这个环境。
现在,我们已经讨论过如何跟踪单个对象和多传感器融合中的对象和跟踪系列,我下面的联系。我有偏见,但我认为这是值得一看,因为我们要建立在知识。
在这个系列中,我们讨论如何跟踪远程对象要求我们找到正确的模型,描述了对象的运动,如何不确定性系统中很难把正确的测量正确的对象,以及如何加减跟踪对象进入和离开当地环境。我们做了所有的所谓的点对象。这些是足够小,传感器返回的对象大多数单一检测每个对象。
现在,这是一个重要的区别,一个对象不需要身体上的小点。它只是需要小于传感器的分辨率。例如,一个雷达站可以跟踪一个非常大的飞机也很遥远。雷达将返回一个ping或一个反射为整个飞机,和整个事情已经减少到一个单一的检测。
如果你跟踪多个飞机,那么我们必须把每个点检测其各自跟踪飞机然后估计他们的国家——也就是说,飞机的位置和运动状态,比如速度和航向。如果对象是小于传感器的分辨率,然后我们可以应用的算法,我们讨论了传感器融合和跟踪系列。
然而,小对象的假设并不总是对的。有时,像早些时候在汽车的例子,你跟踪的对象或对象相比大传感器分辨率。这就是我们所说的一个扩展的对象。与扩展对象,我们可以接收多个测量相同的对象在同一个样品的时间。
例如,看看这车如何看待环境的多个激光雷达传感器。如果我冻结在这里,看看多少数据生成只是从前面激光雷达。看看有多少数据点组成的红色汽车通过在前面。我们有多个数据点为每个场景中的其他动态和静态汽车。这是信息,我们可以使用它来更好地理解这些对象的状态。
但这种附加信息,我们可以估计不仅仅是在用我们的运动状态点对象。我们可以估计大小、形状和方向的跟踪对象。我们可以叫这个对象的程度。
例如,如果这些返回测量汽车,自行车和行人,然后看看我们可以想象一个可能的场景的大小、形状和方向。随着时间的推移,我们观察这些对象移动,我们可以变得更加自信程度的估计。
和很好的如果我们的跟踪算法能做同样的事情,因为理解的程度环境中的其他对象放置在地图上,是至关重要的,它可以指规划路径,避免了对象之间的区别和把它当作一个点和撞击,它提出的问题是我们如何模型的程度?
乍一看,很容易认为,嗯,为什么我们不只是模型完全一样吗?如果我们有一个足够高的分辨率传感器,难道我们跟踪所有的曲线和特征的汽车或不管它是你跟踪?这样,我们有最高的忠诚表示对象,对吧?
嗯,那就好了,除了它可能太计算复杂的求解和维护,它可能不会增加太多价值。因此,目前,可能最受欢迎的方法是近似程度作为一个简单的几何对象,像一个矩形或一个椭球体。这些形状可以提供一个基本的空间表示对象不需要大量的计算工作。例如,一个2 d椭圆可以表示为三个状态变量,两个半轴长度,L1和L2,和椭圆取向角,α。
这是概述扩展对象的跟踪问题。我们需要一个跟踪器,可以在很多测量扩展对象的数目不详,可能接近其他对象的环境,然后估计场景中对象的数量和位置,运动学,每一个人的程度。
现在,一般来说,扩展对象追踪器仍然需要做同样的点对象追踪者做的事——即在测量,检测对象联系起来,添加和删除,并确定运动模型。除了扩展对象,我们必须做更多的信息。和数据关联的步骤是特别困难的,因为可能有多个检测每个对象,并试图将一组检测一个对象不一定是简单的。
这就是我们将主要关注的这个视频。我想尝试在几个不同的方式提供一些直觉扩展对象追踪处理所有的数据。
让我们先从一个简单的场景。假设一个传感器返回这些8检测。与点对象,我们会知道传感器是检测八个不同的对象。然而,随着扩展对象,我们只是不知道。这些是两个不同的对象?或有三个对象吗?也许他们都是同一个对象的一部分。
决定如何组织这些检测这是分区的问题。我们需要找到一种方法,这些检测分割成团体,所有属于同一个对象。现在,分区可以是一个相对容易的工作如果我们追踪的对象是间隔的距离相对于它们的大小,就像我们与测量汽车、自行车和行人。
我们可以看到,这里可能是三个不同的对象,因为他们是如此的远。在这种情况下,我们可以使用像DBSCAN聚类算法的分组。DBSCAN发现组点是基于两个调优参数——紧紧挤在一起彼此如何从远点,仍然是在一组和最小数量的点组成一组。
一旦组织已确定,范围和位置的对象可以使用检测的分布估计。我们可以适应一个椭圆的中心位置和索赔的质量检测。然后跟踪一个简单的方法来解决这个问题是使用这个位置和程度与卡尔曼滤波更新追踪信息。
这种方法的好处是,我们可以带着一个场景成千上万的测量,得到的激光雷达自主车,我们可以很快把所有这些信息压缩成尽可能多的点在现场,有对象,计算可以比试图运行一个简单的跟踪器使用成千上万的个人观点。
但是这样的聚类的缺点是它变得很困难,当跟踪对象相互接近或接近静态障碍环境中。测量不再漂亮,离散的集群,还有一些模棱两可的测量属于对象。如果我们做出错误的假设在聚类步骤——比如,假设这群只是一个对象,那么当我们喂这个错误的信息到我们的跟踪算法,它将产生一个错误的结果。
所以我们需要小心不要过早承诺一个集群,直到我们确信一组测量实际上属于同一个对象。这就是multi-hypothesis性质的多目标跟踪器是杠杆。例如,我们不需要检测的单个分区。记住,当我们有八个不同的测量之前,我们走过不同的分区数据的方法。我们不知道哪个是正确的。
这是这种不确定性的途径之一。我们假设每个分区是可能的。然后我们进行数据关联和跟踪每个分区,所有并行。我们保持状态和概率估计为每个这些假设或检测是如何分区的猜测。
然后在将来的某个时候,我们得到了一组新的测量,我们可以使用它来更新我们的过滤器。我们在每一个可能的方式对它们进行分区。我们将它们应用于跟踪中存在的不同的假设。在这一点上,一些假设是极其不可能的。这些产生的集群相比,测量对象的状态大大偏离到估计状态。
我们可以开始摆脱这些假设所以我们没有继续维护他们永远前进。以这种方式,我们不断添加新的可能的数据分区和最不可能摆脱旧的。尽管过滤器保持所有这些信息在内部,它将返回的是对象的跟踪和状态从最可能的假设。
现在,很明显分区的数量可以是巨大的。例如,有4140个不同的分区八测量的方法。和扩展对象可以返回更多misdetections。所以这是不可行的保持跟踪,许多假说。加上,大多数这些分区将垃圾,因为,例如,其中一个就是把他们像这样。这个分组是不太可能。
因此,我们需要找到一个方法来减少分区的数量,我们看看,最好是附近的一个方式,使检测彼此在同一组。和一组的方法是简单地基于他们的相对距离的检测。两个检测属于同一个组如果他们的相对距离小于给定阈值。这很类似于我们所做的与DBSCAN早些时候,它确保我们不得到这个疯狂的情况。
创建分区,我们可以从一个大的距离阈值来产生第一个分区,然后创建额外的距离阈值降低,创造越来越小的团体。你可以看到一个这样的例子在文档分区检测功能传感器融合和跟踪工具盒。
在这里,我们从10开始测量。和函数返回第一个六个分区。随着距离阈值降低,你可以看到越来越多的检测细胞返回。再一次,我们不知道哪个分区是正确的。所以我们要保持所有这些活跃的假设跟踪。
但即使是这种类型的分区方法会产生误导,因为如果两个物体重叠和激光雷达的例子中,我们看到这样的分区仍将这作为一个组来进行分类。或者把它分成一堆小群体,对象的数量多,距离阈值降低。因此,甚至有更聪明的方式划分,跟踪器的输出用于帮助确定分区。
这就是所谓的预测分区。这样,如果认为有两个物体的追踪器在这个领域,我们可以告诉这里的分区算法创建两组。但是现在,分区完成,我们最终得到的是许多不同的假设这些检测是如何分组。和下一个步骤是将每个假设所有的检测与跟踪对象。
早在这个视频中,我们估计的程度和位置测量之前喂养跟踪算法。和这种方法的问题是,测量不告诉你整个故事的状态对象。所以我们可能犯坏假设对象的范围和位置。
例如,有时车子只是从后侧并产生一个测量,看起来就像一条直线。如果我们使用这个测量的长度和宽度,我们会想出一个零长度和位置偏向后面的车,这显然是错误的。因此,它有利于使用更复杂的传感器建模方法,利用所有的检测更新程度上,位置,和跟踪所有在同一时间。
现在,从概念上讲,是这样的。跟踪器是维护一个对象状态的估计。这是它的位置和如何移动及其程度。假设这里的估计程度作为一个矩形。跟踪器可以使用它的运动预测未来状态的对象模型。现在的跟踪估计的对象应该在将来的某个时候。
传感器模型内的追踪可以预测传感器应该返回什么,假设跟踪知道传感器相对于它认为对象在哪里。然后,当我们得到一个真正的测量和检测分割成团体,我们可以更新整个国家之间不匹配的跟踪对象的基于预测和检测。
当然,所有这一切的不确定性。估计的不确定性的我们自己的位置,开始估计的对象状态,预测未来状态的运动模型。有估计的不确定性对象的范围和传感器模型,我们使用预测检测。当然,有传感器测量本身的不确定性。
和跟踪所有这些不确定性的所有过滤器内的不同假设,然后利用这种不确定性来决定如何更新状态和确定哪些假设是最有可能是一个神奇的扩展对象跟踪算法。现在,当然,这不是魔术。但是他们如何做到这一点的数学是超出了这个视频的范围。但我将链接到另一个资源,进入细节如果你有兴趣。
的最后一件事我想说,至少在这个视频,是我在这里所描述的是背后的一般概念聚类和作业类型扩展对象追踪器集群检测,然后进行集群与跟踪对象相关联。
但也有其他的方法来解决这个问题,绕过聚类步骤,直接将个人检测与跟踪对象。这些都是所谓的基于可能性数据关联算法。有链接描述文件和视频覆盖。希望这个视频提供了一定数量的直觉如何扩展对象追踪器不同于他们的观点对象。
这就是我要离开这个视频。下一节,我们将把所有的自主导航零件。映射,定位、跟踪和计划。然后我们将讨论如何评估如果整个系统工作。
如果你不想错过或任何其他未来科技视频说话,别忘了订阅这个通道。同样,如果你想看看我的通道,控制系统讲座,我覆盖更多的控制理论主题。谢谢收看,下次再见。
相关产品s manbetx 845
了解更多
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。