Sensor Fusion and Tracking Toolbox™ offre des algorithmes et des outils pour la conception, la simulation et le test de systèmes fusionnant les données issues de multiples capteurs pour le maintien de la localisation et de la conscience situationnelle Les exemples de référence fournissent un point de départ pour la mise en oeuvre de composants de pistage multi-objets et de fusion de données issues de multiples capteurs, utiles dans des systèmes autonomes et de surveillance aéroportés, terrestres, navals et sous-marins.
Vous pouvez fusionner des données réelles provenant de sources diverses : radar actif ou passif, sonar, LiDAR, EO/IR, IMU et GPS. Vous pouvez également générer des données synthétiques à partir de capteurs virtuels pour tester vos algorithmes dans différents scénarios. Cette toolbox comprend des trackers multi-objets et des filtres d'estimation pour évaluer les architectures combinant le niveau grille, le niveau détection, et la fusion au niveau objet ou piste. Elle propose également des métriques, notamment l'affectation optimale (OSPA) et l'affectation optimale généralisée (GOSPA), pour valider les performances par rapport à des données de vérité-terrain.
Pour l'accélération de la simulation et le prototypage rapide, la toolbox supporte la génération de code C et C++.
En savoir plus:
Surveillance de l'espace aérien
Suivez plusieurs objets en exploitant les données de capteurs actifs et passifs comme les radars, les capteurs ADS-B et EO/IR. Personnalisez les trackers pour supporter des objets en mouvement.
Pistage des aéronefs avec des scénarios géocentriques
Surveillance spatiale
Suivez plusieurs objets spatiaux avec des données de capteurs radar pour générer une conscience situationnelle spatiale. Vous pouvez configurer les trackers pour utiliser un modèle de mouvement képlérien ou d'autres modèles orbitaux.
Pistage de débris spatiaux avec des modèles de mouvement képlérien
Surveillance terrestre et maritime
Suivez des objets étendus sur terre ou sur mer avec des capteurs radar et LiDAR haute résolution.
Pistage pour les systèmes autonomes
Améliorez les systèmes de perception dans les véhicules autonomes en pistant des objets étendus avec des données radar, LiDAR et provenant de caméras. Fusionnez les nuages de points, les détections et les pistes de plusieurs capteurs pour estimer la position, la cinématique, l'étendue et l'orientation de ces objets.
Pistage par capteur unique
Modélisez et simulez des trackers multi-objets pour réaliser le traitement requis dans des capteurs intelligents. Transformez notamment vos données brutes en listes de pistes relatives à des objets.
Fusion centralisée
Pistez des objets étendus avec un tracker centralisé qui fusionne des données de plusieurs capteurs dans différents modes. Utilisez un tracker PHD (Probability Hypothesis Density) pour estimer la cinématique des objets en mouvement, en même temps que leurs dimensions et leur orientation. Pour les environnements urbains complexes, mettez en place un tracker RFS (Random Finite Set) basé sur grille pour pister l'occupation de chaque cellule de la grille ainsi que sa cinématique.
Fusion au niveau piste
Fusionnez les pistes provenant de plusieurs sources pour obtenir une estimation plus complète de l'environnement. Évaluez les architectures de fusion piste à piste dans des systèmes avec des contraintes de bande passante ou des systèmes s'appuyant sur le contrôle par rumeur pour écarter les résultats périmés.
Filtres d'estimation et association de données
Estimez les états des objets avec une bibliothèque proposant de multiples filtres d'estimation, notamment des filtres de Kalman linéaires et non linéaires, des filtres multi-modèles et des filtres à particules. Trouvez la meilleure ou les k-meilleures solutions aux problèmes d'affectation 2D ou S-D. Associez des détections à des détections, des détections à des pistes, ou des pistes à des pistes.
Pistage en distance avec des filtres non gaussiens
Trackers multi-objets
Intégrez des filtres d'estimation, des algorithmes d'affectation et une logique de gestion de pistes dans des trackers multi-objets pour fusionner les détections en pistes. Convertissez les données de vos capteurs dans un format de détection et utilisez un tracker GNN (Global Nearest Neighbor) dans des scénarios simples. Basculez facilement vers un tracker JPDA (Joint Probabilistic Data Association), MHT (Multiple Hypothesis Tracker) ou PHD pour des scénarios complexes, par exemple le pistage de cibles rapprochées avec des ambiguïtés de mesures.
Trackers d'objets étendus et basés sur des grilles
Utilisez un tracker PHD pour suivre la cinématique, la taille et l'orientation des objets étendus. En vous appuyant sur des données de capteurs haute résolution comme les nuages de points lidar et radar, utilisez des trackers RFS basés sur grilles pour estimer les caractéristiques dynamiques des cellules d'une grille dans des environnements urbains complexes.
Fusion au niveau piste
Fusionnez les pistes générées par les capteurs de pistage ou autres objets de fusion piste à piste. Concevez des systèmes de pistage décentralisés dans des systèmes à bande passante limitée. Réduisez la propagation de rumeur pour écarter les données périmées issues des trackers.
Architectures de fusion
Explorez les architectures de trackers et recherchez les compromis de design entre la fusion piste à piste, le pistage au niveau central ou les architectures de pistage hybrides. Utilisez la fusion statique (détection) pour combiner les détections issues des capteurs d'angle ou de distance tels que les capteurs infrarouges, les ESM ou les radars bistatiques.
Pistage avec des capteurs passifs synchrones distribués
Simulation de scénarios de pistage
Générez des rapports de capteurs pour tester les systèmes de pistage. Définissez des scénarios multi-plateformes et générez des profils de mouvement pour chaque plateforme en utilisant des trajectoires basées sur des points de passage et des cinématiques. Attachez des modèles de capteurs et des signatures à chaque plateforme et simulez statistiquement leurs rapports. Appuyez-vous sur une vérité-terrain simulée dans les simulations de Monte-Carlo pour vérifier et valider les systèmes de pistage.
Trajectoire des objets et génération de poses
Définissez des scénarios de manière interactive avec l'application Tracking Scenario Designer et générez des scripts MATLAB qui définissent et convertissent la position, la vitesse et l'orientation réelles des objets dans différents référenciels.
Modèles de capteurs actifs et passifs
Modélisez des capteurs actifs (notamment radar, sonar et lidar) pour générer des détections d'objets. Simulez des balayages mécaniques et électroniques en azimut et/ou en élévation. Modélisez des capteurs RWR (Radar Warning Receiver), ESM (Electronic Support Measure), sonar passif et infrarouges pour générer des détections d’angle à utiliser dans des scénarios de pistage. Modélisez des systèmes radar et sonar multistatiques avec émetteurs et capteurs.
Simulations de Monte-Carlo
Exécutez des simulations de Monte-Carlo en utilisant différentes valeurs de bruit aléatoire. Ajoutez des perturbations dans la vérité terrain et la configuration des capteurs pour augmenter la robustesse des tests.
Localisation pour le pistage de plateformes
Fusionnez les données des capteurs IMU, GPS et de l'altimètre pour déterminer l'orientation et la position dans le temps et permettre le pistage avec des plateformes mobiles. Estimez l'orientation et la position dans le temps pour les systèmes de navigation inertielle (INS) avec des algorithmes optimisés pour différentes configurations de capteurs, exigences de sortie et contraintes de mouvement.
Modèles de capteurs INS
Modélisez des IMU (unités de mesure inertielle), des GPS, des altimètres et des INS. Réglez les paramètres environnementaux comme la température et les propriétés du bruit des modèles pour simuler des environnements réels.
Modéliser des capteurs IMU et GPS pour tester les algorithmes de fusion inertielle.
Estimation de l'orientation
Fusionnez les lectures d'un accéléromètre et d'un magnétomètre pour simuler un compas électronique (eCompass). Fusionnez les lectures d'un accéléromètre, d'un gyroscope et d'un magnétomètre avec un filtre de système de référence d'attitude et de cap (AHRS) pour estimer l'orientation.
Estimation de la pose
Estimez la pose avec et sans contrainte de cap non holonome avec des capteurs inertiels et un GPS. Déterminez la pose sans GPS en fusionnant des capteurs inertiels avec des altimètres ou une odométrie visuelle.
Odométrie visuelle-inertielle avec fusion de données IMU et caméra
Visualisation de scénarios
Tracez l'orientation et la vitesse des objets, les trajectoires de la vérité terrain, les mesures de capteurs et les pistes en 3D Tracez les incertitudes de détection et de pistage. Visualisez les identifiants de piste avec les traces historiques.
Tracé théâtral dans un scénario multi-plateformes
Métriques des capteurs et des pistes
Générez des métriques d'établissement, de maintien et de suppression des pistes, y compris la longueur des pistes, les ruptures de piste et les échanges d'identifiants de piste. Estimez la précision de la piste avec la position, la vitesse, l’accélération et l'erreur quadratique moyenne en lacet (RMSE), ainsi que l’erreur d’estimation normalisée au carré (ANEES). Utilisez les métriques intégrées OSPA et GOSPA pour résumer les performances en un seul score. Analysez le bruit des capteurs inertiels en utilisant la variance d'Allan.
Réglage des filtres et trackers
Ajustez les paramètres des trackers multi-objets comme le seuil d'affectation, la fonction d'initialisation des filtres et les seuils de confirmation et de suppression pour maximiser les performances. Comparez les résultats entre les différents trackers et configurations de trackers. Réglez automatiquement les filtres INS pour optimiser les paramètres de bruit.
Génération de code
Générez du code C/C++ et MEX pour accélérer la simulation ou le prototypage avec MATLAB Coder™. Appliquez des seuils de calcul de coûts pour réduire le temps consacré aux coûts d'affectation.
Ressources produits:
You can also select a web site from the following list:
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asia Pacific
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)