• search hit 6 of 18
Back to Result List

Multiple object tracking for extended targets using JIPDA filters

  • Autonomous moving systems require very detailed information about their environment and potential colliding objects. Thus, the systems are equipped with high resolution sensors. These sensors have the property to generate more than one detection per object per time step. This results in an additional complexity for the target tracking algorithm, since standard tracking filters assume that an object generates at most one detection per object. This requires new methods for data association and system state filtering. As new data association methods, in this thesis two different extensions of the Joint Integrated Probabilistic Data Association (JIPDA) filter to assign more than one detection to tracks are proposed. The first method that is introduced, is a generalization of the JIPDA to assign a variable number of measurements to each track based on some predefined statistical models, which will be called Multi Detection - Joint Integrated Probabilistic Data Association (MD-JIPDA). Since this scheme suffers from exponential increase of association hypotheses, also a new approximation scheme is presented. The second method is an extension for the special case, when the number and locations of measurements are a priori known. In preparation of this method, a new notation and computation scheme for the standard Joint Integrated Data Association is outlined, which also enables the derivation of a new fast approximation scheme called balanced permanent-JIPDA. For state filtering, also two different concepts are applied: the Random Matrix Framework and the Measurement Generating Points. For the Random Matrix framework, first an alternative prediction method is proposed to account for kinematic state changes in the extension state prediction as well. Secondly, various update methods are investigated to account for the polar to Cartesian noise transformation problem. The filtering concepts are connected with the new MD-JIPDA and their characteristics analyzed with various Monte Carlo simulations. In case an object can be modeled by a finite number of fixed Measurement Generating Points (MGP), also a proposition to track these object via a JIPDA filter is made. In this context, a fast Track-to-Track fusion algorithm is proposed as well and compared against the MGP-JIPDA. The proposed algorithms are evaluated in two applications where scanning is done using radar sensors only. The first application is a typical automotive scenario, where a passenger car is equipped with six radar sensors to cover its complete environment. In this application, the location of the measurements on an object can be considered stationary and that is has a rectangular shape. Thus, the MGP based algorithms are applied here. The filters are evaluated by tracking especially vehicles on nearside lanes. The second application covers the tracking of vessels on inland waters. Here, two different kind of Radar systems are applied, but for both sensors a uniform distribution of the measurements over the target's extent can be assumed. Further, the assumption that the targets have elliptical shape holds, and so the Random Matrix Framework in combination with the MD-JIPDA is evaluated. Exemplary test scenarios also illustrate the performance of this tracking algorithm.
  • Autonome Fahrzeuge benötigen eine sehr detaillierte Beschreibung ihrer Umgebung und möglicher Hindernisse. Entsprechend werden diese Systeme mit hochauflösenden Sensoren ausgestattet. Diese haben das charakteristische Merkmal mehrere Detektionen für ein einzelnes Objekt während eines einzigen Scans zu erzeugen. Dies führt zu einer deutlichen Steigerung der Anforderungen an einen Objektverfolgungsalgorithmus, da die bisherigen Standardverfahren maximal eine Detektion pro Objekt berücksichtigen. In der vorliegenden Arbeit werden zwei verschiedene Erweiterungen des Joint Integrated Probabilistic Data Association (JIPDA) Filters vorgeschlagen. Der erste Ansatz ist die allgemeingültige Ableitung des sogenannten Multi Detection - Joint Integrated Probabilistic Data Association (MD-JIPDA) Verfahrens, welches eine beliebige Anzahl von Detektionen basierend auf einem statischen Modell einem Objekt zuordnen kann. Da es bei diesem Verfahren sehr leicht zu einer unlösbaren Anzahl an Assoziationshypothesen kommen kann, wird zusätzlich ein Approximationsverfahren vorgeschlagen um die Echtzeitfähigkeit des Algorithmus zu verbessern. Der zweite Ansatz geht von der Annahme aus, dass die einzelnen Detektionen auf dem Zielobjekt näherungsweise ortsfest sind und damit auch die Anzahl der Detektionen genau vorhergesagt werden kann. Hierfür wird ebenfalls ein JIPDA Verfahren präsentiert, für welches aber ein beschleunigtes Berechnungsverfahren benötigt wird um Echtzeitfähigkeit zu ermöglichen. In dieser Arbeit wird hierzu das sogenannte balanced permanent-JIPDA Verfahren vorgeschlagen, welches für das JIPDA eine Matrixnotation aufzeigt und diese mittels Approximation der Permanenten löst. Zur Objektzustandsschätzung werden ebenfalls zwei verschiedene Verfahren angesetzt: das Random Matrix Framework und die Measurement Generating Points (MGP). Für das Random Matrix Framework wird zunächst ein alternativer Prädiktionsschritt vorschlagen, welcher eine leichterte Integration von Abhängigkeiten der Objektbewegung auf seine Ausdehnungsschätzung ermöglicht. Ebenso wird das Problem der Polar-zu-Kartesisch Transformation untersucht sowie die mögliche Integration von Doppler-Geschwindigkeiten zur Verbesserung der Ausdehnungsschätzung bei der Messdatenaktualisierung aufgezeigt. Die neuen als auch die bekannten Varianten des Random Matrix Framework werden mit dem MD-JIPDA verknüpft und deren charakteristischen Eigenschaften in ausführlichen Monte-Carlo Simulationen untersucht. Für den Fall das die Objektmessungen über ortsfeste MGPs modelliert werden können, wird ein Algorithmus mittels des balanced permanent-JIPDA präsentiert. Zusätzlich wird für den Spezialfall, das ein Objekt maximal zwei Detektionen erzeugt, ein Track-zu-Track Fusionsverfahren vorgestellt, welches ebenfalls eine einfache Ausdehnungsschätzung ermöglicht. Beide Verfahren werden ebenfalls im Detail durch Simulationen untersucht. Die aufgezeigten Algorithmen werden abschließend für zwei verschiedene, auf Radar basierende Umfelderkennungsszenarien eingesetzt. Die erste Anwendung beschäftigt sich mit dem autonomen Fahren im Straßenverkehr: Ein PKW wird mit insgesamt sechs Radarsensoren ausgestattet, um sowohl den vorausfahrenden und rückwärtigen Verkehr als auch den Verkehr auf den Nachbarspuren zu überwachen. In dieser Anwendung kann davon ausgegangen werden, dass Objekte rechteckig sind und Detektionen bevorzugt an markanten Punkten wie Nummernschilder, Kotflügeln und Radhäusern auftreten. Entsprechend werden für dieses Szenario Ergebnisse der MGP-basierten Ansätze präsentiert. Die zweite Anwendung beschäftigt sich mit der Erkennung von Booten auf Binnengewässern. Auch hier werden zwei verschiedene Radarsensoren eingesetzt, wobei stets davon ausgegangen werden kann das sich die einzelnen Detektionen über die gesamte Ausdehnung eines Zielobjekts gleichmäßig verteilen. Zudem ist die Beschreibung eines Objektes mittels einer Ellipse recht akkurat, womit sich dieses Szenario besonders für die Anwendung des Random Matrix basierten MD-JIPDA eignet. Für beide Anwendungsfälle werden sowohl simulative als auch Realdatenergebnisse präsentiert.

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Michael SchusterGND
ISBN:978-3-8440-5703-4
Parent Title (German):(Forschungsberichte der Professur Nachrichtentechnik ; Band 12)
Publisher:Shaker Verlag
Place of publication:Aachen
Referee:Gerd WanielikGND, Johannes ReuterORCiD
Advisor:Johannes Reuter
Document Type:Doctoral Thesis
Language:English
Year of Publication:2018
Granting Institution:Technische Universität Chemnitz
Date of final exam:2017/09/01
Release Date:2019/01/11
Tag:Probabilistic Data Association; Random Matrices; Target Tracking
Pagenumber:X, 224
Institutes:Institut für Systemdynamik - ISD
Open Access?:Nein
Relevance:Abgeschlossene Dissertation