Innováció és fenntartható felszíni közlekedés konferencia 2016 Multiszenzoros objektumdetektálás közúti közlekedésben Bernoulli szűrővel Törő Olivér, Dr. Bécsi Tamás
Bevezetés Fejlett vezetőtámogató rendszerek (ADAS) Forgalommenedzsment Adaptív tempomat Ütközés figyelmeztetés Akadály elkerülés Gyalogosvédelem Forgalommenedzsment Objektum detektálás/követés Változó számú szenzorok Változó számú objektumok Szenzorfúzió Radar Ultrahang Kamera Lidar GPS 2018.11.17.
Lehetséges alkalmazások Megkülönböztetett jelzésű jármű előnyben részesítése (centralizált) Autópályán előzés, sávváltás biztonságos végrehajtása Kereszteződésben a forgalom haladásának segítése Forgalmi dugók, balesetek megelőzése (elosztott) Szükséges: járművek közötti kommunikáció (VANET) 2018.11.17.
Objektum detektálás és követés Korábban tipikusan katonai alkalmazás volt A közúti közlekedésben is egyre fontosabb szerepe van Vezetőtámogató rendszerek elengedhetetlen része Hagyományos megközelítés: Bayes-becslés, vektoros formalizmus Alfa-beta szűrő, Kalman szűrők, Gaussian sum filter A szenzorok és objektumok időben változó száma nehezen kezelhető Multiple Hypothesis Tracker: egy elterjedt, kiterjesztett Kalman szűrőn alapuló megoldás Felcímkézett objektumok, mérés-objektum trajektória asszociáció Valószínűségi halmazok használata vektorok helyett 2018.11.17.
Objektum detektálás valószínűségi halmazokkal Természetes módon modellezhetők a szenzorhibák, objektumok eltűnése és megjelenése (szenzor hatótáv) Nincs szükség mérési asszociációra A mérési modellt nem kell invertálni Az objektumokat egy véges valószínűségi halmaz elemeivel írjuk le A halmaz kardinálisa is véletlen szám, sűrűségfüggvénye: 2018.11.17.
Objektum detektálás valószínűségi halmazokkal A véges valószínűségi halmazok statisztikájának (FISST) kidolgozása Ronald Mahler nevéhez fűződik “Statistics 101” for Multisensor, Multitarget Data Fusion (10.1109/MAES.2004.1263231) “Statistics 102” for Multisource-Multitarget Detection and Tracking (10.1109/JSTSP.2013.2253084) Mérnökök igényeihez illeszkedő formalizmus A szokásos statisztikai műveletek elvégezhetők Bayes szűrő eljárásokban felhasználhatók FISST sűrűségfüggvény: 2018.11.17.
Bernoulli szűrő Bayes-szűrő eljárás dinamikus rendszerek számára Linearitás és gaussi zajmodell nem megkötés Egy objektum detektálása lehetséges több szenzorral, kooperatívan Egzakt megoldás Objektum feltűnése Bernoulli folyamat 2018.11.17.
Bernoulli szűrő Bayes formula: Bernoulli valószínűségi halmaz sűrűségfüggvénye: 2018.11.17.
Bernoulli szűrő Bayes predikció: Bayes korrekció: 2018.11.17.
Bernoulli szűrő Megvalósítás részecske szűrővel Tetszőleges, többmóduszú eloszlások közelítésére alkalmas Részecskék: objektum pozíció és sebesség Predikciós lépés Születő részecskék Előző ciklus részecskéi Korrekciós lépés Mintavételezés a fontossági súlyok szerint (likelihood) 2018.11.17.
Szimuláció – szenzorok Kamera Sávdetektálás szimulálása Sávkövető algoritmus kormányozza a járműveket Stanley kontroller: Radar Távolság, irány, sebesség 2018.11.17.
Szimuláció – algoritmus Inicializálás, kezdeti pozíció for t=2:T Control(t-1); MoveVeh(t); MoveObj(t); UpdateScene(t); GetMeas(t); Camera(); Radar(); RFS(); Bernoulli(t); end 2018.11.17.
Szimuláció 2018.11.17. Most már ugye jó???
Szimuláció 2018.11.17. Most már ugye jó???
Kitekintés Több objektum kooperatív detektálása és követése Multi-Bernoulli szűrő, PHD, CPHD szűrő Járművek heterogén szenzorozottságának figyelembe vétele Szenzor kontroll (kiválasztás) implementálása Kényszerek figyelembe vétele Járművek közötti kommunikáció (VANET) hibáinak figyelembe vétele 2018.11.17.
Köszönöm a figyelmet! 2018.11.17.