在这个视频中,我想把你介绍给track-level融合或进行航迹融合。你可能会听到这两个术语可以互换。现在,我们不会进入任何特定的算法。相反,我想解释一下什么是track-level融合跟踪算法以及它们的不同我们已经在本系列中所涵盖。
希望在这个过程中,这将提供一些动力和直觉为什么track-level融合在某些情况下是必要的。然后,我们要通过与之相关联的一些挑战。所以我希望你留下来。我是布莱恩,欢迎来到MATLAB技术说话。
首先,让我们来比较一下两种不同的跟踪架构。我们将首先从一个架构,我们叫了跟踪。你可能会被用于这个如果你一直按照这个系列。在此体系结构中,传感器检测被送入一个分配检测跟踪和更新的跟踪算法跟踪对象的状态和协方差——正是我们看到在过去的几个视频。
这里的关键是,所有的传感器数据融合或混合在一起在同一水平,在相同的追踪,母舰的方法中,有一个集中的单位需要在所有可用的信息和执行必要的计算评估。
现在,在此体系结构中,我们可以只是一个传感器或多个传感器,混合在一起。我们可以跟踪一个目标或多个目标。和目标本身可以点对象或扩展对象。只要传感器测量反馈到中央追踪,不管它的跟踪,我们可以把它作为了跟踪器。
现在,让我们来比较一下这个架构使用所谓sensor-level跟踪和track-level融合。这里的想法是,一个或多个传感器给了跟踪器就像另一个架构。但是现在,我们有一些这些追踪器每个自己的传感器融合在一起。
这些是sensor-level追踪器在此体系结构中。每个生产自己的跟踪估计。但是现在,我们可以结合或融合在一起所有的这些估计跟踪到一个跟踪设置,我们称之为中央跟踪使用track-level熔化炉。
作为一个快速的例子,一个sensor-level追踪者可能会说,这里是一个对象的概率分布。另一个sensor-level追踪对象可能会说,这里有不同的概率分布。track-level定影需要确定这两个轨道是两个不同的对象或副相同的对象。
如果是同一个对象,然后将两个估计要创建一个新的国家和概率分布,更准确比源跟踪自己。我们可以使用这种类型的架构与多个传感器和跟踪单个或多个对象和点和扩展对象,所以类似的功能了跟踪但稍微不同的方法,一个分布式的方式来解决该问题。
所以问题在这一点上,为什么不使用一个跟踪器?为什么要通过多个追踪者的额外步骤,然后一起融合他们的踪迹?好吧,为了回答这个问题,让我们看一些做的好处进行航迹融合的一些场景是一个更有吸引力的选择。之后,我们将看一些挑战。希望你可以形成一个意见,当你可以选择一个架构。
Track-level融合可以是有益的,如果你担心访问数据,带宽、计算能力和专业化。让我们先从对数据的访问。你可能会被迫使用track-level熔化炉如果你没有访问原始的传感器数据,这可能是对的,如果你买一个传感器,内置了一个融合和跟踪算法。
例如,您可能有一个激光雷达系统,不返回一个点云,而是能够跟踪一些场景中的对象并返回的追踪。和一个跟踪可能状态向量位置,速度,方向,和形状,以及一系列的协方差矩阵,表示在每个州有多少信心。
在这种情况下,为了与其他传感器融合这个跟踪信息,说,与可见光摄像系统在你的自主车,你将需要一个track-level熔化炉。现在,即使你购买或建造给你访问检测传感器,它不可能将实时的信息从传感器计算元素的运行跟踪。
一些传感器可以生成数据率太大的带宽通信总线,尤其是激光雷达隐形摄像机采样每秒几十次。如果你有有限的带宽内通信系统,这是一个有限数量的比特每秒,你可以发送,然后你可能会感兴趣的大小减少每个传感器发送的数据。
跟踪信息是小相比,说,相机图像。如果本地计算机可以处理传感器信息和提取下来的最佳估计物体的跟踪,还有少很多信息需要发送到主计算机运行的track-level熔化炉。
现在,即使带宽不是问题,你可以发送你想要的所有数据,计算能力有可能仍然是一个问题。再次,想象有很多的可见的相机和激光雷达传感器在车辆。了跟踪器将需要能够接收和处理所有的数据在一个巨大的跟踪算法。这可能需要太多的处理时间生产估计所需的采样率。
然而,如果一个本地计算机处理自己的传感器数据,所有的初始处理是并行完成,分布在许多计算机。然后跟踪融合算法只需要能够处理规模小得多的跟踪信息,可以大大加快整个处理时间
好吧,也许这对你来说很重要,因为假设你有一个强大的计算机,能够处理所有的数据。这有track-level定影仍可能是有益的,因为它允许sensor-level追踪器是专门给他们特定的传感器类型。
记住,在一个追踪者,我们必须建立运动模型和传感器模型,并将检测对象和现有的跟踪。我们必须调整到一个特定的硬件和预期的环境条件等等。所有可以容易得多,如果我们建立一个跟踪器,着重于融合在一起,说,只是相机数据。然后我们可以融合那些追踪那些由说lidar-based追踪。通过这种方式,我们没有一个巨大的跟踪算法,但许多较小的算法,可以更容易设置,调整和测试。
所以这些原因你可能想要或需要实现一个track-level融合算法在你的车辆。和这些都似乎很好的效益。所以现在的问题是,为什么我们不做track-level融合吗?,为了回答这个问题,让我们来看看两个的挑战——准确性和减少相关的噪音。
让我们先从降低精度。我们已经说过,传感器可以产生大量的数据,并跟踪器会将这些数据提炼状态向量与少了很多信息。这个过程的副产品,我们可能会删除一些有用的信息,信息track-level熔化炉不再有访问权。这样,当我们跟踪融合在一起,它可以产生一个结果,不如我们可以得到准确的传感器融合在一起的所有信息的水平。
作为一个快速的例子,假设我们跟踪相同的两个对象有两个不同的传感器。传感器有以下检测。其跟踪生成的跟踪对象而不是正确的。治疗这些检测伪噪声和忽视,或者,它只是尚未建立了一个跟踪。
传感器B是反其道而行之。它有一个跟踪正确的对象,但它忽略了检测。现在,融合这两个轨道一起导致他们被纳入中央跟踪列表,修改的,因为没有其他的信息来更新它们。然而,如果我们有一起分组的所有传感器检测,单一检测同其他人会被分组,可以用来帮助改进估计。
但有track-level融合的另一个问题,可以说是更重要的是,相关噪声的问题。如果我们的跟踪融合在一起以某种方式相关,那么我们不能将他们的概率相乘就像我们可以在标准的卡尔曼滤波器。
作为一个极端的例子,假设两个追踪器使用相同的过程模型来预测未来的状态。每个模型初始化与完美的知识对象的状态,各自从自己的完美的传感器。随着模型向前传播这完美的状态,我们的不确定性的增加,由于过程模型中的噪声或错误。
我们现在有两个不确定的跟踪估计。我们可能试图融合这两个一起追踪,这样我们有一个中心估计,我们有了更多的信心。我的意思是,如果两个不同的模型预测相同的状态,然后似乎我们应该有更多的信心融合解决方案比我们自己的解决方案。
然而,这些跟踪概率是高度相关的,因为他们使用相同的模型生成。所以我们不应该有任何更多的信心解决方案然后我们做个人的发火的。因为我们基本上只是跑两次相同的模型,那么为什么结合结果给我们更多的信息吗?
如果没有铁轨之间的相关性,那么我们想要追踪利用这个解决方案中,增加我们的信心。但是如果有很多相关性,那么我们希望跟踪融合的解决方案的方式不会增加我们的信心。但这是真正的问题。我们不一定知道或者两个跟踪相关的。和处理这种未知的相关性是一些现有的融合算法背后的想法像协方差交叉。
我留下了一个链接到一个资源,进入更深入,但是让我给你一个可视化约它是如何工作的。假设一个追踪者产生一种概率分布对象所在的2 d平面用椭圆表示。和第二个追踪生产这个分布相同的对象。融合这两个概率在一起,我们可以创建一个第三概率这两个边界的交点。
|是,我们看这两个椭圆相交和创建一个交叉的分布完全包括。
您可以看到,这个分布小于先前的,表明我们有更多的信心的解决方案。然而,当过程噪声或传感器噪声变得越来越相关,这两个概率开始排队,你可以看到十字路口会增加,直到这两个概率完全对齐,就相同的分布。
现在,这是一个保守的融合概率方法,因为你可以想象,我们可能分布,纯粹出于偶然,没有相关性。当这种情况发生时,该方法仍然会对待他们,仿佛他们是相关的
好的,还有最后一件事我想谈谈在这个视频。到目前为止,我们已经看了这个架构在源追踪到fuser来自sensor-level追踪器。然而,在某些情况下,源追踪可能来自其他track-level熔化炉,这可以创建一些有趣的现象。
为了说明这个问题,假设有两个自动车辆每个国家都有自己的一组sensor-level追踪,反馈到track-level熔化炉。后面的车辆定位,这样它看不见一个行人前面,但前面的车辆可以看到它。你可以想象,这将有利于后方车辆知道前面有一个行人,所以当它进入视野,它不需要浪费宝贵的时间建立一个新的轨道。就已经存在。
为了实现这个目标,汽车都可以分享他们的中央相互追踪和融合他们连同自己的估计。但是现在我们推出了一款名为谣言,可能的问题和它发生的这样的。前面车辆告诉后方车辆行人通过分享其轨道。现在,两车都知道对象并传播它州有自己的流程模型。
每个时间步,前面车辆的感官对象和更新它的跟踪和说,嘿,对象仍然在这里。和后方车辆说,是的。我一直在跟踪我的流程模型。我们很好。但是让我们想象现在的对象消失或移动传感器的框架。
前面的车然后可能将跟踪和说,嘿,那对象的消失了。但是后面车是谁传播国家仍可能没有把跟踪到那时,告诉前面的车辆,嘿,别担心。有人告诉我这个对象,和我仍然跟踪它。这是其状态信息,即使做的是宣传国家,前面的车了。
好了,现在,前面的车辆会说,好的,我会把这个跟踪自从你告诉我它还在那里。现在,谣言已经开始。跟踪坚持即使没有车辆实际上是感应了。所以跟踪融合算法需要设置的方式阻止谣言传播,这可能是相当棘手的没有阻止实际non-rumored痕迹。
好的,所以有更多的好处和挑战了中国和track-level融合比我介绍的,但这些都是一些主要的问题。你可能会看到现在,没有一个最适合每种情况的跟踪方法。希望你可以开始拼凑跟踪场景可以受益于track-level融合的速度和效率,和这场景会更适合越复杂,可能更准确了跟踪。
像往常一样,如果你想进一步探索比我介绍的,我与几个资源详细介绍我已经讲过的一切,但我希望这个简短的视频了。如果你不想错过任何其他未来科技视频说话,别忘了订阅这个通道。如果你想看看我的频道,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。
