In dieser Arbeit wurde die klassische Verkopplung der Objektdetektion, der Datenassoziation und der Objektverfolgung zu einem Gesamtwahrnehmungssystem hinsichtlich der Verwendung von Schwellwerten, frühen Entscheidungen und Heuristiken analysiert. Dabei konnten innerhalb dieser herkömmlichen Verarbeitungskette mehrfach Fehleranfälligkeiten aufgrund ignorierter Unsicherheiten und Mehrdeutigkeiten identifiziert werden, die speziell in zukünftigen integrierten Fahrerassistenzsystemen mit sicherheitskritischen Aktorikeingriffen nicht tolerierbar sind. Als Ursache wurde das Unvermögen des der bayesschen Zustandsschätzung zugrundeliegenden Zustandsraummodells identifiziert, alle in der Fahrzeugumfelderfassung evidenten Unsicherheiten, namentlich der Existenz-, Assoziations- und Zustandsgrößenunsicherheit, zu repräsentieren. Es wurde erstmalig in einem automobilen Kontext eine parametrische Wissensrepräsentation ausgehend von der aus der Literatur bekannten Theorie der Statistik endlicher zufälliger Mengen (engl. Finite Set Statistics, FISST) gewählt, die in der Lage ist, die vollständige Natur des Wahrnehmungsproblems mit allen inhärenten Unsicherheiten abzubilden. Für diese Wissensrepräsentation, die Multiobjekt-Multi-Bernoulli-Verteilung, konnten Prozess- und Messmodelle für die Fahrzeugumfelderfassung mit heterogenen Sensordaten erstellt werden, die eine echtzeitfähige rekursive Softwareimplementierung ermöglichen. Im Rahmen der Arbeit wurde erstmalig gezeigt, dass die aus dieser Herleitung resultierenden Filtergleichungen denen des aus der Literatur bekannten JIPDA-Filters entsprechen. Nach derzeitigem Wissensstand wurde unabhängig vom Anwendungskontext in dieser Arbeit erstmalig ein FISST-Messmodell verwendet, das Falschdetektion nicht parametrisch durch eine Ereignisrate pro Volumen und Zeit und einer räumlichen Falschalarmverteilung beschreibt, sondern bei dem eine vom Sensor für jede Messung individuell gelieferte Falschalarmwahrscheinlichkeit Verwendung findet. Dieses nichtparametrische Falschalarmmodell ermöglicht zum einen eine sensorunabhängige Datenfusion und ist zum anderen durch die Berücksichtigung messwertindividueller sensorischer Existenzmerkmale viel spezifischer als die in der Literatur verwendete Poisson-Approximation. Das vorgestellte Filter behandelt die Detektion, Assoziation und die zeitliche Verfolgung von Objekten in einem einzigen Algorithmus und ersetzt damit die klassische Modularchitektur. Insbesondere enthält das Verfahren keine frühen Entscheidungen, Heuristiken und Schwellwerte mehr. Dadurch konnte zum einen die Anzahl der freien Parameter und damit der Optimierungsaufwand signifikant gesenkt werden und zum anderen wurden Fehlerquellen in der Signalverarbeitungskette eliminiert.

    Future driver assistance systems with safety critical actuator interventions will depend on reliable environmental perception subsystems. The presented work analyzes the classical system architecture for multi object environment perception consisting of separate modules for detection, data association, and state estimation with respect to early decision making and the usage of thresholds and heuristics. Within this common processing chain several intolerable error sources resulting from the improper handling of uncertainties and ambiguities are identified. The reason behind these drawbacks is the inability of the state space model underlying recursive Bayesian state estimation to inherently represent all existing uncertainty domains in multi sensor multi target tracking.While coding state uncertainties with probability density functions this model cannot describe object existence uncertainties and data association ambiguities. For the first time in an automotive context, a parametric knowledge representation based on Mahler's Random Finite Set Statistics (FISST) theory is used successfully. This approach allows the simultaneous representation of all three uncertainty domains in a single probabilistic knowledge base. For the chosen parametric model, the Multi-Object Multi-Bernoulli distribution on random sets, automotive transition and measurement models get developed. It is shown that under certain assumptions, the resulting FISST filtering equations correspond to the Joint Integrated Probabilistic Data Association Filter (JIPDAF) introduced by Musicki et. al. Instead of using a Poisson clutter distribution with the inadequate necessity of an a priori known occurrence rate of false positives, a non-parametric model is developed and incorporated in the filtering equations. In this model sensors assign an individual feature based false alarm probability to each measurement. As a result, the clutter model can automatically adapt to different situations like changing weather and daylight conditions or even to the exchange of sensors with different measurement principles without adjusting the central fusion unit's code or parameters.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Filtersynthese zur simultanen Minimierung von Existenz-, Assoziations- und Zustandsunsicherheiten in der Fahrzeugumfelderfassung mit heterogenen Sensordaten


    Contributors:

    Publication date :

    2009


    Size :

    205 Seiten, Bilder, Tabellen, 141 Quellen



    Type of media :

    Theses


    Type of material :

    Print


    Language :

    German