1 |
1
다중 라이다 센서를 이용하여 인식된 다중 물체에 대한 추적을 수행하는 다중 물체 추적 시스템에서, 인식된 물체의 데이터에 대한 데이터 연관 작업을 수행하여, 기존 트랙 또는 새롭게 생성된 트랙에 할당하기 위한 데이터 연관 모듈;상기 데이터 연관 모듈에서 트랙에 할당된 물체의 운동 상태를 추정하기 위한 상태 추정 모듈; 가짜 트랙을 취소하고, 트랙을 유지하고 관리하기 위한 트랙 관리 모듈; 및인식된 물체에 대한 추적 작업을 수행한 결과인 추적 정보를 시각화하여 표출하고, 외부에 전송하기 위한 시각화 모듈을 포함하고, 상기 상태 추정 모듈은, 다른 모션 패턴을 캡쳐하기 위한 IMM(Interactive Multiple Model), 모션 모델의 비선형성을 처리하기 위한 UKF(Unscented Kalman Filter) 및 클루터(clutter) 존재시 상기 물체에 대한 측정 데이터를 연관시키기 위한 JPDAF(Joint Probabilistic Data Association Filter)를 포함하는 IMM-UKF-JPDAF를 이용하여 물체의 운동 상태를 추정하며, 상기 IMM-UKF-JPDAF를 이용하여 물체의 운동 상태를 추정하는 것은 상호 작용 단계, 상태 예측 및 유효성 검사 단계, 데이터 연관 및 모델 특정 필터링 단계, 모드 확률 업데이트 단계 및 조합 단계로 구성되며, r개 모델의 집합 을 형성하는 비선형 확률 상태 공간 모델을 수학식을, (1) (2)로 나타낼 수 있고, 여기서, 입력 벡터는 이고, 측정 벡터는 zk이고, f는 시스템이고, h는 측정 함수를 나타내고, w, v는 제로-평균 가우시안 시퀀스를 특징짓는 각각 서로 독립적인 공분산 행렬이고, r 모델들 사이에서 시스템의 진행은 시불변 마르코비안 모델 전이 확률 행렬의 최상부에서 작동하는 1 차 마르코프 체인으로 간주되며, 이를 다음과 같은 식으로 나타낼 수 있고, (3)여기서, 행렬의 요소 pij는 모델 i에서 j로의 모드 전이 확률을 나타내며, 상기 상호 작용 단계에서, 각 모델 필터에 대응하는 초기 상태 및 공분산은 확률적으로 이전 타임 스탬프의 상태 및 공분산과 혼합되며, 이를, (4) (5)로 나타낼 수 있고, 여기서, 는 시스템이 이전 타임 스탬프의 모드 i에서 현재 시간주기의 모드 j로 전이했음을 나타내는 조건부 모드 확률을 나타내고, 다음과 같이 계산되며, (6)조건부 모드 확률은 현재 프레임의 선험적인 모드 확률, 에 의존하고, 이는 이전 프레임의 모드 확률의 예측과 상기 수학식 (3)에서의 행렬 요소 에 의해 기술되고, 상기 상태 예측 및 유효성 검사 단계에서는 상호 작용 단계로부터 초기 상태 및 공분산이 얻어지면, 예측 단계가 실행되고, 각 모델은 각각의 확률론적 비선형 모델을 통해 현재 상태를 개별적으로 예측하고, 비선형성 때문에 UKF는 예측된 상태와 공분산을 추정하기 위해 전개되며, 이를, (7) (8) (9) (10)으로 나타낼 수 있고, 초기에는 행렬 형태 에서 2n + 1 시그마 포인트 Xi(i=0,
|
2 |
2
삭제
|
3 |
3
청구항 1에 있어서, 상기 트랙 관리 모듈은,트랙을 초기화하고 트랙의 유효성을 검사하는 초기화 및 유효성 검사 과정과, 불필요한 트랙을 제거하기 위한 트랙 가지 치기 과정과, 트랙 초기화가 진행된 후에 요, 속도 및 각속도 매개 변수를 업데이트하는 운동학적 매개 변수 업데이트 과정을 수행하는 것을 특징으로 하는 다중 물체 추적 시스템
|
4 |
4
다중 라이다 센서를 이용하여 인식된 다중 물체에 대한 추적을 수행하는 다중 물체 추적 시스템에서의 다중 물체 추적 방법에서, 인식된 물체의 데이터에 대한 데이터 연관 작업을 수행하여, 기존 트랙 또는 새롭게 생성된 트랙에 할당하기 위한 데이터 연관 단계; 상기 데이터 연관 단계에서 트랙에 할당된 물체의 운동 상태를 추정하기 위한 상태 추정 단계; 가짜 트랙을 취소하고, 트랙을 유지하고 관리하기 위한 트랙 관리 단계; 및인식된 물체에 대한 추적 작업을 수행한 결과인 추적 정보를 시각화하여 표출하고, 외부에 전송하기 위한 시각화 단계를 포함하며, 상기 상태 추정 단계는, 다른 모션 패턴을 캡쳐하기 위한 IMM(Interactive Multiple Model), 모션 모델의 비선형성을 처리하기 위한 UKF(Unscented Kalman Filter) 및 클루터(clutter) 존재시 상기 물체에 대한 측정 데이터를 연관시키기 위한 JPDAF(Joint Probabilistic Data Association Filter)를 포함하는 IMM-UKF-JPDAF를 이용하여 물체의 운동 상태를 추정하고, 상기 IMM-UKF-JPDAF를 이용하여 물체의 운동 상태를 추정하는 것은 상호 작용 단계, 상태 예측 및 유효성 검사 단계, 데이터 연관 및 모델 특정 필터링 단계, 모드 확률 업데이트 단계 및 조합 단계로 구성되며, r개 모델의 집합 을 형성하는 비선형 확률 상태 공간 모델을 수학식을, (1) (2)로 나타낼 수 있고, 여기서, 입력 벡터는 이고, 측정 벡터는 zk이고, f는 시스템이고, h는 측정 함수를 나타내고, w, v는 제로-평균 가우시안 시퀀스를 특징짓는 각각 서로 독립적인 공분산 행렬이고, r 모델들 사이에서 시스템의 진행은 시불변 마르코비안 모델 전이 확률 행렬의 최상부에서 작동하는 1 차 마르코프 체인으로 간주되며, 이를 다음과 같은 식으로 나타낼 수 있고, (3)여기서, 행렬의 요소 pij는 모델 i에서 j로의 모드 전이 확률을 나타내며, 상기 상호 작용 단계에서, 각 모델 필터에 대응하는 초기 상태 및 공분산은 확률적으로 이전 타임 스탬프의 상태 및 공분산과 혼합되며, 이를, (4) (5)로 나타낼 수 있고, 여기서, 는 시스템이 이전 타임 스탬프의 모드 i에서 현재 시간주기의 모드 j로 전이했음을 나타내는 조건부 모드 확률을 나타내고, 다음과 같이 계산되며, (6)조건부 모드 확률은 현재 프레임의 선험적인 모드 확률, 에 의존하고, 이는 이전 프레임의 모드 확률의 예측과 상기 수학식 (3)에서의 행렬 요소 에 의해 기술되고, 상기 상태 예측 및 유효성 검사 단계에서는 상호 작용 단계로부터 초기 상태 및 공분산이 얻어지면, 예측 단계가 실행되고, 각 모델은 각각의 확률론적 비선형 모델을 통해 현재 상태를 개별적으로 예측하고, 비선형성 때문에 UKF는 예측된 상태와 공분산을 추정하기 위해 전개되며, 이를, (7) (8) (9) (10)으로 나타낼 수 있고, 초기에는 행렬 형태 에서 2n + 1 시그마 포인트 Xi(i=0,
|
5 |
5
삭제
|
6 |
6
청구항 4에 있어서, 상기 트랙 관리 단계는,트랙을 초기화하고 트랙의 유효성을 검사하는 초기화 및 유효성 검사 과정과, 불필요한 트랙을 제거하기 위한 트랙 가지 치기 과정과, 트랙 초기화가 진행된 후에 요, 속도 및 각속도 매개 변수를 업데이트하는 운동학적 매개 변수 업데이트 과정을 수행하는 것을 특징으로 하는 다중 물체 추적 방법
|