Sensor Fusion and Tracking Toolbox

監視システムの追跡

固定および移動プラットフォームに取り付けられたアクティブセンサーやパッシブセンサーのデータを使用して、監視領域のターゲットを追跡します。

空域監視

レーダー、ADS-B、EO/IR センサーなどのアクティブセンサーやパッシブセンサーからのデータを使用して、複数のオブジェクトを追跡します。操縦対象物に対応できるようにトラッカーをカスタマイズします。

ルート上の航空機を追跡するレーダーシステム。

地球を中心としたシナリオによって、航空機を追跡。

宇宙監視

レーダーセンサーからのデータを使用して、複数の宇宙飛行物体を追跡し、宇宙状況認識を生成します。トラッカーで、ケプラー運動モデルや他の軌道モデルを使用するよう設定することができます。

地球を周回するスペースデブリを追跡するレーダーシステム。

ケプラー運動モデルを使用してスペースデブリを追跡。

地上監視と海洋監視

高解像度レーダーと Lidar センサーを使用して、地上および海洋アプリケーションの拡張オブジェクトを追跡します。

Lidar による拡張オブジェクトの追跡。

自律システムの追跡

カメラ、レーダー、Lidar データを使用して拡張オブジェクトを追跡し、自律型車両の知覚システムを改善します。複数のセンサーからの点群、検出、軌跡を融合して、これらのオブジェクトの位置、運動学、範囲、および方向を推定します。

単一センサー追跡

スマートセンサーで必要になる処理を実行するために、マルチオブジェクト トラッカーをモデル化してシミュレーションします。たとえば、生データをオブジェクトのトラックリストに変換します。

Lidar 点群から生成された 3D 境界ボックスを使用してオブジェクトを追跡。

集中型フュージョン

複数のセンサーやセンサーモダリティからのデータを融合した集中型トラッカーを使用して、拡張オブジェクトを追跡します。確率仮説密度 (PHD) トラッカーを使用して、移動オブジェクトの運動学と、オブジェクトの次元および方向を推定します。複雑な都市環境では、グリッドベースのランダム有限集合 (RFS) トラッカーを実装して、各グリッドセルの占有率とその運動学を追跡します。

都市での運転シーンで動的な占有グリッドマップを使用します。

トラックレベル フュージョン

環境をより包括的に推定できるように、複数の追跡源からのトラックを融合します。帯域幅制約のあるシステムや、陳腐化した結果を取り除くために流言制御を採用したシステムのトラック間フュージョンのアーキテクチャを評価します。

Lidar およびレーダーセンサーを使ったトラックレベル フュージョン。

マルチオブジェクト追跡

カルマンフィルター、粒子フィルター、データ関連付けアルゴリズム、マルチセンサーのマルチオブジェクト トラッカーを統合して設定します。追跡するオブジェクトに関する単一または複数の仮説を維持します。

推定フィルターとデータ関連付け

線形/非線形のカルマンフィルター、マルチモデル フィルター、粒子フィルターなどの推定フィルターの豊富なライブラリを使用して、オブジェクトの状態を推定します。2D 割り当て問題や S-D 割り当て問題に対する最適解または k-best な最適解を求めます。検出を検出、検出をトラック、トラックをトラックに割り当てます。

カバレッジ内での移動に応じて単一のオブジェクトを追跡する複数のセンサー。

非ガウスフィルターを使ったレンジのみの追跡。

マルチオブジェクト トラッカー

推定フィルター、割り当てアルゴリズム、トラック管理ロジックをマルチオブジェクト トラッカーに統合し、検出をトラックに融合します。センサーデータを検出形式に変換し、シンプルなシナリオにはグローバル最近傍 (GNN) トラッカーを使用します。測定の曖昧さが存在する密接ターゲットの追跡など、難易度の高いシナリオでは、同時確率データ結合トラッカー (JPDA)、多重仮説トラッカー (MHT)、または PHD トラッカーに簡単に切り替えることができます。

測定の曖昧さが存在する密接ターゲットを追跡。

拡張オブジェクトとグリッドベースのトラッカー

PHD トラッカーを使用して、拡張オブジェクトの運動学、サイズ、方向を追跡します。Lidar やレーダー点群などの高解像度センサーデータを使用して、グリッドベースの RFS トラッカーで追跡し、複雑な都市環境におけるグリッドセルの動的特性を推定します。

サイズと方向の推定による拡張オブジェクトの追跡

集中型および分散型の追跡

通信帯域幅の制限内でセンサーレポートを融合する集中型および分散型の追跡アーキテクチャを構築します。状態および状態共分散の融合では、別の方法を使用します。

トラックレベル フュージョン

追跡センサーや他のトラック間フュージョン オブジェクトによって生成されたトラックを融合します。帯域幅に制約のあるシステムにおける分散型追跡システムの構築流言伝播を抑え、陳腐化したトラッカーの結果を削減します。

2 台の車両間のトラック間フュージョン。

フュージョンのアーキテクチャ

トラッカー アーキテクチャについて詳しく調べ、トラック間フュージョンや中央レベルの追跡、ハイブリッド追跡アーキテクチャの間の設計トレードオフを評価します。静的 (検出) フュージョンを使用して、IR や ESM、バイスタティック レーダーなど、角度のみのセンサーやレンジのみのセンサーによる検出を組み合わせることができます。

角度のみの検出を使用して複数のオブジェクトを追跡する分散同期パッシブセンサー。

分散型同期パッシブセンサーを使った追跡。

追跡シナリオのシミュレーション

追跡システムをテストするためのセンサーレポートを生成します。マルチプラットフォームのシナリオを定義し、ウェイポイントに基づく軌跡と運動学に基づく軌跡を使用して、各プラットフォームのモーション プロファイルを生成します。センサーモデルとシグネチャを各プラットフォームに取り付け、それらのレポートを統計的にシミュレーションします。モンテカルロ シミュレーションでシミュレートされたグラウンド トゥルースを使用して、追跡システムの検証と妥当性確認を行います。

アクティブ/パッシブ センサーモデル

アクティブセンサー (レーダー、ソナー、Lidar など) をモデル化して、オブジェクトの検出を生成します。方位角、高度、またはその両方において、機械的および電子的なスキャンをシミュレーションします。レーダー警報受信機 (RWR)、電子戦支援装置 (ESM)、パッシブソナー、赤外線センサーをモデル化し、追跡シナリオで使用するために角度のみの検出を生成します。エミッターとセンサーを搭載したマルチスタティック レーダーとソナーシステムをモデル化します。

マルチスタティック センサーによる追跡。

モンテカルロ シミュレーション:

さまざまなランダムノイズ値を使用して、モンテカルロ シミュレーションを行います。グラウンド トゥルースとセンサーの構成に摂動を与えることで、テストのロバスト性が向上します。

軌跡やセンサーに摂動を与えて、テストデータを生成。

追跡プラットフォームの位置推定

方向と位置を経時的に判定し、移動プラットフォームで追跡できるように、IMU、GPS、高度計のセンサーフュージョンを行います。さまざまなセンサー構成や出力要件、運動拘束向けに最適化されたアルゴリズムを使用して、慣性航法装置 (INS) の方向と位置を経時的に推定します。

INS センサーモデル

慣性計測装置 (IMU)、GPS、高度計、および INS センサーをモデル化します。モデルの温度やノイズ特性などの環境パラメーターを調整して、実際の環境をエミュレートします。

慣性フュージョン アルゴリズムの開発およびテスト用のデータを生成するための IMU および GPS センサー。

IMU および GPS センサーをモデル化して、慣性フュージョン アルゴリズムをテスト。

方向推定

加速度計と磁力計の測定値を融合して、電子コンパス (eCompass) をシミュレーションします。加速度計、ジャイロスコープ、磁力計の測定値を姿勢方位基準装置 (AHRS) フィルターと融合し、方向を推定します。

慣性センサーの融合によるプラットフォームの方向推定。

姿勢推定

慣性センサーおよび GPS を使用して、非ホロノーム方位拘束の有無による姿勢を推定します。GPS を使用せずに姿勢を決定するには、慣性センサーと、高度計またはビジュアル オドメトリを融合します。

非 GPS 環境におけるビジュアル慣性オドメトリを使った自車の位置推定。

IMU とカメラデータの融合によるビジュアル慣性オドメトリ。

可視化と解析

グラウンド トゥルースに対する追跡システムの性能を解析し、評価します。

シナリオの可視化

オブジェクトの方向や速度、グラウンド トゥルースの軌跡、センサーの測定値、トラックを 3D でプロットします。検出とトラックの不確実性をプロットします。過去の追跡痕でトラック ID を可視化します。

3 つのセンサーと複数のターゲットを持つマルチプラットフォームのシナリオで生成された検出。

マルチプラットフォーム シナリオのシアタープロット。

センサーおよび追跡メトリクス

トラックの長さ、トラックの途切れ、トラック ID のスワップなどの、トラック確立、維持、および削除のメトリクスを生成します。位置や速度、加速度、ヨーレートの二乗平均平方根誤差 (RMSE)、または二乗平均正規化推定誤差 (ANEES) を使用して、トラックの正確性を推定します。OSPA と GOSPA メトリクスを統合して、性能を 1 つのスコアにまとめます。アラン分散を使用して、慣性センサーノイズを解析します。

追跡メトリクスの統合によって、グラウンド トゥルースに対するトラッカーの性能を評価。

フィルターとトラッカーの調整

割り当てしきい値やフィルター初期化関数と、確認および削除のしきい値など、マルチオブジェクト トラッカーのパラメーターを調整して、性能を最大限に高めます。異なるトラッカーやトラッカー構成間で結果を比較します。INS フィルターを自動調整して、ノイズパラメーターを最適化します。

GM-PHD トラッカーを使用して、密集したクラッターのポイントターゲットを追跡。

アルゴリズムの高速化とコード生成

粗いゲーティングの適用、C/C++ や MEX コードの生成、またはワーカーのプールの使用により、シミュレーションを高速化します。

コード生成

MATLAB Coder™ を使用して、シミュレーションの高速化やデスクトップ プロトタイピングのために、C/C++ コードおよび MEX コードを生成します。コスト計算のしきい値を適用して、割り当てコストの計算にかかる時間を短縮します。

生成したコードを使用して、最速のシミュレーション時間で数千のターゲットを追跡。