Démarrer avec Sensor Fusion and Tracking Toolbox
Définitions des termes liés à la localisation
Accéléromètre
- Un capteur qui mesure l'accélération de l'objet.
Gyroscope
- Un capteur qui mesure la vitesse angulaire de l'objet.
Magnétomètre
- Un capteur qui mesure le champ magnétique autour de l'objet.
IMU (unité de mesure inertielle)
- Un dispositif qui se compose d'accéléromètres et de gyroscopes.
MARG (magnétique, taux angulaire et gravité)
- Également connu sous le nom de magnétomètre, gyroscope et accéléromètre.
AHRS (système de référence d'attitude et de cap)
- Un système qui fusionne des accéléromètres, des gyroscopes et des magnétomètres et fournit des informations sur l'attitude des objets (MARG plus algorithme de fusion).
GPS (système de positionnement global)
- Un système satellitaire qui assure un positionnement précis.
INS (système de navigation inertielle)
- Un système qui fusionne les données provenant des accéléromètres, des gyroscopes, des magnétomètres et parfois des altimètres, pour calculer en continu la position, l'orientation et la vitesse des objets en mouvement sans source externe.
GPS/INS
- Un système qui fusionne les informations GPS avec les informations du système de navigation inertielle (INS).
Remarque :
Les filtres sont classés par ordre de complexité computationnelle.
| Nom du filtre | Supporte les modèles non linéaires | Notes gaussiennes | Complexité computationnelle | Commentaires |
|---|---|---|---|---|
| Alpha-Bêta |
|
Sous-optimal. | ||
| Kalman | Optimal pour les systèmes linéaires. | |||
| Kalman étendu | Utilise des modèles linéarisés pour propager la covariance d'incertitude. | |||
| Kalman sans parfum | Échantillonne la matrice de covariance d'incertitude pour la propager. Peut devenir numériquement instable en précision simple. | |||
| Cubature de Kalman | Échantillonne la matrice de covariance d'incertitude pour la propager. Numériquement stable. | |||
| Somme gaussienne | Suppose une somme pondérée |
Bon pour les cas partiellement observables (par exemple, le suivi angulaire uniquement). | ||
| Modèles multiples interactifs (MMI) | Modèles multiples | Suppose une somme pondérée de distributions | Manœuvrer des objets (par exemple, accélération, virages). | |
| Particule | Peut être n'importe quelle distribution | Échantillonne la distribution d'incertitude en utilisant des particules pondérées. |
Une étape clé du suivi multi-objet consiste à assigner les nouvelles détections de capteurs aux pistes existantes. Le diagramme montre deux pistes (A et B) et quatre détections (1–4).
Les algorithmes d'affectation ci-dessous sont utilisés pour résoudre ce problème, également connu sous le nom de problème d'affectation 2D (ou biparti).
| Nom de l'affectation | Description | Exemple de résultat | Algorithmes |
|---|---|---|---|
| Plus proche voisin global (GNN) | Affectation à hypothèse unique, optimale. | Dét 3 vers la piste A Dét 1 vers la piste B Déts 2 et 4 non attribués |
|
| Association probabiliste conjointe de données (JPDA) | La probabilité que chaque détection soit attribuée à une piste est calculée, en tenant compte de toutes les pistes. | Dét 3 très probablement vers A Dét 1 très probablement vers B Dét 2 assez probablement vers A et B Dét 4 non attribué |
|
| Suivi multiple-hypothèse orienté piste (TOMHT) | Chaque piste crée des branches (hypothèses) pour chaque affectation possible et pour l’absence d’affectation. | Dét 3 crée la branche A3 Dét 2 crée la branche A2 Dét 2 crée la branche B2 Dét 1 crée la branche B1 Branche A0 (A n'est pas attribué) Branche B0 (B n'est pas attribué) Nouvelle piste pour chaque détection |
|
| Suivi multiple-hypothèse orienté hypothèse (HOMHT) | Nous considérons les k-meilleures affectations. Chaque affectation met à jour les pistes en conséquence. |
Meilleure hypothèse = résultat GNN. Une autre hypothèse : Dét 2 vers la piste A Dét 1 vers la piste B Dét 3 et 4 ne sont pas attribués |
assignkbest |
| Densité de probabilité d’hypothèse (PHD) | N'effectue pas l'affectation. Au lieu de cela, le modèle considère le problème de suivi multi-objet comme un ensemble d'objets inconnus et aléatoires et estime la probabilité à chaque emplacement en fonction des détections. |
|
|
