[論文レビュー] Multi-objects association in perception of dynamical situation

Dominique Gruyer, V. Berge-Cherfaoui|arXiv (Cornell University)|Jan 23, 2013

Multi-Criteria Decision Making参考文献 7被引用数 20

ひとこと要約

本稿では、知能車における動的環境認識のための信念理論およびファジィ論理に基づくマルチオブジェクト連携アルゴリズムを提案する。この手法により、センサーの不確実性や曖昧性に対しても頑健なトラッキングが可能となる。数値的および記号的データを統合し、割り当てアルゴリズムを用いて矛盾を解消することで、オブジェクトの出現・消滅や混乱した認識が生じる状況でも信頼性の高いオブジェクト連携を実現し、環境マップの正確性とトラッキングの安定性を著しく向上させる。

ABSTRACT

In current perception systems applied to the rebuilding of the environment for intelligent vehicles, the part reserved to object association for the tracking is increasingly significant. This allows firstly to follow the objects temporal evolution and secondly to increase the reliability of environment perception. We propose in this communication the development of a multi-objects association algorithm with ambiguity removal entering into the design of such a dynamic perception system for intelligent vehicles. This algorithm uses the belief theory and data modelling with fuzzy mathematics in order to be able to handle inaccurate as well as uncertain information due to imperfect sensors. These theories also allow the fusion of numerical as well as symbolic data. We develop in this article the problem of matching between known and perceived objects. This makes it possible to update a dynamic environment map for a vehicle. The belief theory will enable us to quantify the belief in the association of each perceived object with each known object. Conflicts can appear in the case of object appearance or disappearance, or in the case of a confused situation or bad perception. These conflicts are removed or solved using an assignment algorithm, giving a solution called the " best " and so ensuring the tracking of some objects present in our environment.

研究の動機と目的

• 知能車における動的環境下で、認識されたオブジェクトを既知のオブジェクトと関連付ける課題に対処すること。
• 不完全なセンサーからの不確実性や曖昧性を管理することで、環境認識の信頼性を向上させること。
• オブジェクトの出現・消滅や混乱が生じる状況でもトラッキングを維持できる頑健な連携メカニズムを開発すること。
• 信念理論とファジィ数学を用いて、数値的および記号的データを統合し、包括的な認識を実現すること。
• 割り当てアルゴリズムを用いてオブジェクト連携における矛盾を解消し、一貫性があり最適なトラッキング解を保証すること。

提案手法

• アルゴリズムは、オブジェクト連携における信念を定量化するためにDempster-Shafer証拠理論を採用し、不確実性や不正確さを扱う。
• ファジィ数学を用いてセンサー情報およびオブジェクト特徴をモデル化し、不正確または曖昧な情報を表現可能にする。
• 信念に基づくマッチングプロセスにより、各認識オブジェクトが各既知オブジェクトに対応する度合い（信念度）を計算する。
• 曖昧な認識やセンサーノイズに起因する矛盾は、最適な連携集合を選択するための割り当てアルゴリズムを用いて解消する。
• 時間経過とともに確認されたオブジェクト連携を統合することで、環境マップを動的に更新する。
• 信念構造フレームワークを通じて、数値的（例：位置、速度）および記号的（例：オブジェクトタイプ）データの統合がネイティブにサポートされる。

実験結果

リサーチクエスチョン

• RQ1 不確実で不正確なセンサー情報が存在する動的環境下で、オブジェクト連携を信頼性高く維持するにはどうすればよいか？
• RQ2 複数の認識オブジェクトが1つの既知オブジェクトに一致する可能性がある場合、オブジェクト連携における矛盾をどのように解消できるか？
• RQ3 知能車の認識システムにおいて、数値的および記号的データを効果的に統合するにはどうすればよいか？
• RQ4 信念理論は、オブジェクトトラッキングの過程で不確実性をどのように定量化するか？
• RQ5 オブジェクトの出現・消滅や混乱が生じる状況でも、システムが一貫したトラッキングをどのように維持できるか？

主な発見

• 提案されたアルゴリズムは、割り当てアルゴリズムを用いてオブジェクト連携の矛盾を効果的に解消し、一貫性があり最適なトラッキング解を保証する。
• 信念理論とファジィ数学の統合により、不確実で不正確、曖昧なセンサー情報を効果的に処理できる。
• オブジェクトの出現・消滅が生じる状況でも、システムは信頼性の高いオブジェクトトラッキングを維持する。これは、動的環境下での一般的な課題である。
• 数値的および記号的データの統合が統一フレームワーク内で実現され、環境認識の頑健性が向上する。
• 確定的マッチングに依存するのではなく、連携に関する信念を定量化することで、環境マップ更新の信頼性が向上している。
• 本手法は知能車認識の文脈で検証され、センサー制限がある実世界の動的シナリオへの適用可能性が示された。