1 séminaire love du 29/03/07 combinaison d'objets (fusion centralisée) t3.2 combinaison de...
TRANSCRIPT
1Séminaire LOVe du 29/03/07
Combinaison d'objets (fusion centralisée)
T3.2
Combinaison de pistages (fusion décentralisée)
T3.3
2Séminaire LOVe du 29/03/07
T3.2
T3.3
Détecteur LidarDétecteur Monovision
Détecteur stéréovision {
pistage
Pistes LidarPistes Monovision
Pistes stéréovision {combinaisonde pistages
Pistes piétons
Pistes piétons
3Séminaire LOVe du 29/03/07
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
4Séminaire LOVe du 29/03/07
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
5Séminaire LOVe du 29/03/07
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
6Séminaire LOVe du 29/03/07
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
7Séminaire LOVe du 29/03/07
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.
8Séminaire LOVe du 29/03/07
T3.3 – Combinaison décentralisée E/S
[1] Repère Universel du Système LOVe
•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
•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 dimen-sion
R
•Date : t
9Séminaire LOVe du 29/03/07
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
10Séminaire LOVe du 29/03/07
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
11Séminaire LOVe du 29/03/07
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
12Séminaire LOVe du 29/03/07
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
13Séminaire LOVe du 29/03/07
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
T3.2 – Combinaison décentralisée – Fusion des estimations
14Séminaire LOVe du 29/03/07
EKF vs PF
T3.2 – Combinaison décentralisée – Fusion des estimations
15Séminaire LOVe du 29/03/07
16Séminaire LOVe du 29/03/07
T3.2 – Combinaison décentralisée – Fusion des estimations
lien
lien
17Séminaire LOVe du 29/03/07
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
18Séminaire LOVe du 29/03/07
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 »
19Séminaire LOVe du 29/03/07
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
20Séminaire LOVe du 29/03/07
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
21Séminaire LOVe du 29/03/07
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