phản ứng tổng hợp cảm biến mức đối tượng để theo dõi multiobject

Tôi muốn hợp nhất các đối tượng đến từ một số cảm biến, với các trường nhìn khác nhau (đôi khi chồng chéo!). Có danh sách đối tượng, làm thế nào tôi có thể xác định liệu một số đối tượng được quan sát bởi các cảm biến khác nhau có thực sự là cùng một đối tượng không? Chỉ sau đó tôi thực sự có thể viết một thuật toán để dự đoán trạng thái trong tương lai của một đối tượng như vậy.

Từ văn học tôi đọc 4 bước đó:

1. Âm mưu theo dõi liên kết (cập nhật đầu tiên theo dõi các ước tính và sau đó liên kết bằng "cổng chấp nhận" hoặc theo phương pháp thống kê PDAF hoặc JPDAF)
2. Làm mịn theo dõi (rất nhiều thuật toán để tạo ước tính cải tiến mới, ví dụ: EKF, UKF, PF)
3. Theo dõi bắt đầu (tạo các bản nhạc mới từ các lô chưa được liên kết)
4. Bảo trì theo dõi (xóa một bản nhạc nếu không được liên kết cho các lượt M cuối cùng. Ngoài ra: dự đoán các bản nhạc được liên kết, vị trí mới của chúng dựa trên tiêu đề và tốc độ trước đó)

Vì vậy, về cơ bản tôi đang đặt câu hỏi điểm 1, cổng chấp nhận. Đối với một cảm biến duy nhất tôi có thể tưởng tượng nó có thể chỉ là so sánh vị trí xy của đối tượng và đo cảm biến, vận tốc với tiêu đề cuối cùng. Trường hợp của tôi là tuy nhiên, tôi đã sẵn sàng liệt kê các đối tượng từ mỗi cảm biến trong mỗi chu kỳ, có một số thuật toán làm thế nào để hợp nhất thông tin về một đối tượng được thu thập bởi các cảm biến khác nhau (nguồn tuyệt vời là ví dụ ở đây: http://www.mathworks.de/ matlabcentral / fileexchange / 37807-đo lường-fusion-state-vector-fusion ), nhưng câu hỏi là làm thế nào để quyết định những đối tượng nào nên được hợp nhất, và những gì còn lại như chúng? Các lĩnh vực xem có thể chồng chéo một phần, không hoàn toàn.

Điều này được gọi là "hiệp hội dữ liệu" trong tài liệu theo dõi. Khi bạn đo vị trí của một đối tượng, bạn cần biết bạn đã đo đối tượng nào. Nếu bạn có thể ước tính xác suất này, thì bạn có thể tự do lựa chọn hiệp hội có khả năng nhất. Đây là một chủ đề được nghiên cứu rất nhiều, nhưng tập trung vào phân tích Bayes.

Đây là một cách đơn giản:

Giả sử chúng ta có hai đối tượng $o_1$ và $o_2$, một ước tính về vị trí của họ $x_1$ và $x_2$và một phép đo $z$. Giả sử$z$chỉ là một phép đo vị trí. Chúng tôi muốn cập nhật$o_1$ hoặc là $o_2$Vị trí ước tính, nhưng chúng tôi không có ý tưởng với đối tượng chúng tôi vừa đo. Vì vậy, chúng tôi tìm thấy đối tượng có khả năng nhất , và cập nhật điều đó.

1. Ước tính $p(z|x_1)$ và $p(z|x_2)$. Bộ lọc Kalman cung cấp cho bạn các công cụ để làm điều này.

2. NẾU $p(z|x_1)>p(z|x_2)$ VÀ $p(z|x_1)>\gamma$, sau đó cập nhật $x_1$ sử dụng $z$, bộ lọc Kalman cung cấp cho bạn các công cụ để thực hiện điều này.

3. ELSE NẾU $p(z|x_2)>p(z|x_1)$ VÀ $p(z|x_2)>\gamma$, sau đó cập nhật $x_2$ sử dụng $z$, bộ lọc Kalman cung cấp cho bạn các công cụ để thực hiện điều này.

4. ELSE, không có xác suất nào lớn hơn $\gamma$, vì vậy chúng tôi bỏ phép đo. Bạn có thể đặt$\gamma$ về không nếu bạn không quan tâm.

Hai điều: Thứ nhất, bạn cũng cần biết cách khởi tạo một đối tượng. Đó là lý do tại sao$\gamma$là quan trọng Nếu phép đo dường như không khớp với bất kỳ ước tính nào đã biết, bạn có thể vừa phát hiện một đối tượng mới.

Thứ hai, tôi có một nghi ngờ rằng câu hỏi của bạn sẽ được chỉnh sửa rất nhiều, vì vậy tôi không đưa ra nhiều chi tiết ngay bây giờ.

EDIT Để giải quyết câu hỏi mới hơn, được sửa đổi của bạn:

Bạn có một vấn đề khác, nhưng nó hoàn toàn liên quan. Đầu tiên, bạn muốn hợp nhất các đối tượng. Điều này đơn giản như việc ước tính xác suất rằng tất cả các phép đo của đối tượng 1 và tất cả các phép đo của đối tượng 2 trên thực tế là của cùng một đối tượng. Thuật toán đơn giản, nhưng gần như không thể tính toán được. Điều này giống như sáp nhập theo dõi.

Để thực sự làm điều này với các đối tượng trong 3D, bạn cần một mô hình của đối tượng cho phép bạn ước tính xác suất hai đối tượng chồng chéo một phần (hoặc có thể chỉ ở gần đó) trên thực tế là cùng một đối tượng). Nhưng điều này hoàn toàn giống với cách tiếp cận cổng chấp nhận.

Ghi chú

Chỉ có một vài cách thực sự hữu ích để chỉ đo lường, và chúng được xác định rõ. Tôi thực sự khuyên bạn nếu bạn muốn tiếp tục với các nhiệm vụ theo dõi và ước tính trừu tượng mà bạn đã đọc cuốn sách Theo dõi và Ước tính của Bar-Shalom . Vui lòng lấy nó từ thư viện nếu bạn có thể. Tôi chỉ không biết về một tài liệu tham khảo tốt hơn.

Điều này phụ thuộc vào rất nhiều thứ. Những loại cảm biến? Họ có đứng yên không? Có phải họ ít nhất là cố định đối với nhau?

Ví dụ: nếu bạn có một hệ thống nhiều camera cố định với nhau, bạn có thể hiệu chỉnh chúng, để bạn biết vị trí và hướng tương đối của chúng. Sau đó, bạn không chỉ có thể xác định xem hai phát hiện trong các máy ảnh khác nhau có phải là cùng một đối tượng hay không, mà bạn còn có thể xác định vị trí của nó trong 3D.

Đây là bài báo kinh điển về hiệu chuẩn máy ảnh . Để thực sự hiệu chỉnh, bạn có thể sử dụng OpenCV hoặc Hộp công cụ hiệu chỉnh máy ảnh Caltech cho Matlab . OpenCV có một ứng dụng ví dụ để hiệu chỉnh máy ảnh, dễ sử dụng hơn hộp công cụ Caltech.