Innováció és fenntartható felszíni közlekedés konferencia 2016

Az előadások a következő témára: "Innováció és fenntartható felszíni közlekedés konferencia 2016"— Előadás másolata:

1 Innováció és fenntartható felszíni közlekedés konferencia 2016
Multiszenzoros objektumdetektálás közúti közlekedésben Bernoulli szűrővel Törő Olivér, Dr. Bécsi Tamás

2 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

3 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)

4 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

5 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:

6 Objektum detektálás valószínűségi halmazokkal
A véges valószínűségi halmazok statisztikájának (FISST) kidolgozása Ronald Mahler nevéhez fűződik “Statistics 101” for Multisensor, Multitarget Data Fusion ( /MAES ) “Statistics 102” for Multisource-Multitarget Detection and Tracking ( /JSTSP ) Mérnökök igényeihez illeszkedő formalizmus A szokásos statisztikai műveletek elvégezhetők Bayes szűrő eljárásokban felhasználhatók FISST sűrűségfüggvény:

7 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

8 Bernoulli szűrő Bayes formula:
Bernoulli valószínűségi halmaz sűrűségfüggvénye:

9 Bernoulli szűrő Bayes predikció: Bayes korrekció:

10 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)

11 Szimuláció – szenzorok
Kamera Sávdetektálás szimulálása Sávkövető algoritmus kormányozza a járműveket Stanley kontroller: Radar Távolság, irány, sebesség

12 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

13 Szimuláció Most már ugye jó???

14 Szimuláció Most már ugye jó???

15 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

16 Köszönöm a figyelmet!