1 séminaire love du 29/03/07 combinaison d'objets (fusion centralisée) t3.2 combinaison de...

1Séminaire LOVe du 29/03/07

Combinaison d'objets (fusion centralisée)

T3.2

Combinaison de pistages (fusion décentralisée)

T3.3


T3.2

T3.3

Détecteur LidarDétecteur Monovision

Détecteur stéréovision {

pistage

Pistes LidarPistes Monovision

Pistes stéréovision {combinaisonde pistages

Pistes piétons

Pistes piétons


T3.2 – Combinaison centralisée E/S

•Position par rapport au véhicule porteur : repère RUSL (1)

•Dimensions « largeur (L) * hauteur (H) » du piéton•Variance sur les mesures de position :

R •Variance sur les mesures de dimension :

LH

[1] Repère Universel du Système LOVe

( , )R

•Position estimée par rapport au véhicule porteur : repère RUSL(1)

( , )R

•Dimensions estimées :L H

•Vecteur Vitesse relative par rapport au véhicule porteur :

( , )R •Identifiant :

*l’identifiant est le même pour un piéton dont la trajectoire est observée ou prédite au cours du temps ;

*l’identifiant est incrémental. Le premier identifiant est réutilisé lorsque la prochaine piste piéton après la piste piéton x est suivie

•Variance sur les estimations de positionet de vitesse :

R

L H

•Variance sur les estimations de dimension

R

•Date : t


T3.2 – Combinaison centralisée – Formalisation du pb

Association Objets/Pistes

maintien

FUSION DES OBJETS

Destruction piste

CORRECTION INITIALISATION

PREDICTION

1z

Détecteur i Détecteur j

proprio

Pistesrusl

oo

nn

Objetsrusl


T3.2 – Combinaison centralisée – Association

0H : les piétons-capteurs sont issus du même piéton

1H : les piétons-capteurs sont issus de piétons différents

( )

i

ii

i

i

k

R

Z kL

H

( )

j

jj

j

j

k

R

Z kL

H

2

2

2

2

0 0 0

0 0 0( )

0 0 0

0 0 0

iR

ii

iL

iH k

R k

2

2

2

2

0 0 0

0 0 0( )

0 0 0

0 0 0

jR

jj

jL

jH k

R k

( ) ( ) ( )ij i jk Z k Z k

1( ) [ ( )] ( )ij t ij ijk R k k 0H vraie si

( ) ( ) ( )ij i jR k R k R k


T3.2 – Combinaison centralisée – Fusion des objets

Les vecteurs de mesures des capteurs-piétons associés sont concaténés dans un vecteur global :

1

2

3

k

k k

k

Z

Z Z

Z

Les équations classiques de filtrage sont ensuite utilisées afin d’obtenir un estimé de l’état de la piste piéton.

1

2k

k

k

ZZ

Z

1

k kZ Z


T3.2 – Combinaison centralisée – Gestion des pistes

Lorsque plusieurs capteur-piétons sont associés à une piste alors le processus consiste à effecteur les différentes phases du filtre en utilisant comme vecteur de mesure le vecteur concaténé.

Si aucune mesure capteur-piéton n’est associée à une piste existante alors cette piste est maintenue pendant 500 ms en utilisant comme vecteur de mesure la prédiction de l’état précédent. Après cette durée, si aucune mesure n’a été sélectionnée par le processus d’association alors la piste est considérée comme « morte ».

Enfin, si plusieurs mesures associées ne sont pas sélectionnées par une piste existante, une nouvelle piste est initialisée.


T3.3 – Combinaison décentralisée E/S

[1] Repère Universel du Système LOVe


( , )R







R

L H

•Variance sur les estimations de dimension

R

•Date : t


( , )R







R

L H

•Variance sur les estimations de dimen-sion

R

•Date : t


T3.2 – Combinaison décentralisée – Formalisation du pb

Pistes i ti,id_i, rusl Pistes jtj,id_j, rusl

Recalage temporel

Association piste à piste

Prédiction

id_i dispo

id_j dispo

correction

maintien

Initialisation

maintien

correction

Fusion

Validation

Destruction piste

Destruction piste

1z

Pistes globalesrusl

nn

no

o o

o n

proprio


Association de deux pistes capteurs

CAPTEUR 1 CAPTEUR 2

1...i n 1...j nijC

Trouver la meilleure permutation possible qui minimise les Cij

1ˆiX 2

ˆjX

1iP 2 jPijP

matrice de « cross-covariance »

T3.2 – Combinaison décentralisée – Association


Distance de Bar-Shalom

11 2

2

1 2( )

ˆ ˆi j ij ji

i jP P P P

X X

Distance de Mahalanobis (fréquemment utilisée)

11 2

2

1 2( )

ˆ ˆi j

i jP P

X X

T3.2 – Combinaison décentralisée – Association


Kalman : équations classiques de la fusion des filtres

Simple Fusion [Singer] :

1 1

1 1 2 1 2 1 2 2

1

1 1 2 2

ˆ ˆ ˆ( / ) ( / ) ( / ) ( / ) ( / ) ( / ) ( / ) ( / ) ( / )

( / ) ( / ) ( / ) ( / ) ( / )

SF

SF

X k k P k k P k k P k k X k k P k k P k k P k k X k k

P k k P k k P k k P k k P k k

Fusion de covariance pondérée [Bar-Shalom] :

1 1 2 2

11 2

1 2 1

11 1 1

1 2

( / ) ( 1/ 1)

( / ) ( / ) (

ˆ ˆ ˆ ˆ( / ) ( / ) ( / ) ( / )

( / ) ( / ) ( / ) ( / ) ( / ) ( /

/ )

( / ) ( / ) ( / ) ( / )

) (

tt tC C

E

t

CFP

E C C

CFP C E C

P k k I K H FP k k F GQG I K H

W P k k P k k P k

X k k X k k W X k k X k k

P k k P k k P k k P k k P k k

k

P P k k P k k

P k k P

P k k P k k

/ )t

k k

T3.2 – Combinaison décentralisée – Fusion des estimations


Particules : utilisation des poids pour la correction

0

0

0

1

1

1

22

3

mutation

mutationpondération

sélection

/ 1

1

/ 1 / 1

1

ˆ ( ) ( )

ˆ ˆ( ) ( ) ( )

Sk k k kPFF PFF PFF

i

S tk k k k k k k kPFF PFF PFF PFF PFF PFF

i

X w i X i

P w i X i X X i X



EKF vs PF




lien

lien


Problématiques

Fusion

Pistes lidar

Pistes mono

Pistes stéréo Piéton suivis

Méthode décentralisée

Pistage +

Fusion

Observations lidar

Observations mono

Observations stéréo Piéton suivis

Méthode centralisée

- Gestion des croisements- Gestion du nombres d’observations par capteur

-Gestion des croisements-Gestion du nombres de pistes par capteur


Gestion des croisementsLe croisement de plusieurs objets constitue une réelle difficulté pour un algorithme de suivi et d’association avec le problème de la perte d’objets ou de l’inversion d’ objets.

Améliorationde ce problème

« Espace joint »


Gestion du nombres de pistes ou d’observations

Afin d’avoir une vue globale de la scène observée à un instant k, nous allons gérer le nombres de pistes (ou observations) dans un unique vecteur d’état :

),...,,,( 21 kOkkkkk xxxOX

kO représente l’hypothèse la plus probable d’avoir O pistes (ou observations) suivies à l’instant k.

représente les caractéristiques (position, vitesse, taille…) de la piste (ou observation) suivie à l’instant k.

1kx


Résultats sur scénario routier

Conditions de simulation :- nombres d’objets inconnu et inconstant- modèle d’évolution à vitesse constante- filtre particulaire à hypothèse de Kalman- espace joint- vecteur d’état unique


Dans le cadre du problème d’association de différentes pistes (ou d’observations)délivrées par différents capteurs, nous allons proposé un algorithme avec :

- un filtre particulaire qui permettra l’utilisation d’un modèle d’évolutionnon-linéaire ainsi que l’utilisation d’une loi a posteriori quelconque.

- la mise en œuvre des méthodes de monte-carlo par chaînes de markov qui permettra de prendre une décision finale sur le nombres d’objets qui sont suivis. - un espace joint qui permettra d’éliminer le problème de perte d’objet lors descroisements.

Perspectives

1 séminaire love du 29/03/07 combinaison d'objets (fusion centralisée) t3.2 combinaison de...

Documents