[논문 리뷰] Multi-objects association in perception of dynamical situation

Dominique Gruyer, V. Berge-Cherfaoui|arXiv (Cornell University)|2013. 01. 23.

Multi-Criteria Decision Making참고 문헌 7인용 수 20

한 줄 요약

이 논문은 지능형 차량의 동적 환경 인식을 위한 신뢰 이론과 퍼지 논리 기반 다중 객체 연동 알고리즘을 제안하며, 센서의 불확실성과 모호성 상황에서도 강인한 추적을 가능하게 한다. 수치적 데이터와 기호적 데이터를 융합하고 할당 알고리즘을 통해 갈등을 해결함으로써, 객체의 등장/사라짐 또는 혼란스러운 인식 상황에서도 신뢰할 수 있는 객체 연동을 달성하며, 환경 지ap 정확도와 추적 안정성을 크게 향상시킨다.

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.

연구 동기 및 목표

• 지능형 차량의 동적 환경에서 인식된 객체를 기존의 알려진 객체와 연동하는 데 도전 과제를 해결하기 위해.
• 불완전한 센서에서 발생하는 불확실성과 모호성을 관리하여 환경 인식의 신뢰도를 향상시키기 위해.
• 객체의 등장, 사라짐 또는 혼란 상황에서도 추적을 유지할 수 있는 강인한 연동 메커니즘을 개발하기 위해.
• 신뢰 이론과 퍼지 수학을 통해 수치적 데이터와 기호적 데이터를 융합하여 종합적인 인식을 실현하기 위해.
• 객체 연동 갈등을 할당 알고리즘을 사용하여 해결하여 일관되고 최적의 추적 솔루션을 보장하기 위해.

제안 방법

• 알고리즘은 객체 연동에 대한 신뢰도를 정량화하기 위해 덴스터-셰이퍼 증거 이론을 활용하여 불확실성과 모호성을 다룬다.
• 퍼지 수학은 센서 데이터와 객체 특징을 모델링하는 데 사용되어 부정확하거나 모호한 정보의 표현을 가능하게 한다.
• 기반 신뢰 매칭 과정은 각 인식된 객체가 각 알려진 객체와 대응될 가능도를 계산한다.
• 모호한 인식이나 센서 노이즈로 인해 발생하는 갈등은 할당 알고리즘을 사용하여 최적의 연동 집합을 선택함으로써 해결된다.
• 시간이 지남에 따라 확인된 객체 연동을 통합함으로써 시스템은 환경 지도를 동적으로 업데이트한다.
• 신뢰 구조 프레임워크를 통해 수치적(예: 위치, 속도) 및 기호적(예: 객체 유형) 데이터의 융합이 네이티브로 지원된다.

실험 결과

연구 질문

• RQ1 불확실하고 정밀도가 떨어지는 센서 데이터가 존재하는 동적 환경에서 어떻게 객체 연동을 안정적으로 유지할 수 있는가?
• RQ2 여러 개의 인식된 객체가 하나의 알려진 객체와 매칭될 수 있을 경우, 객체 연동 갈등을 해결할 수 있는 메커니즘은 무엇인가?
• RQ3 지능형 차량의 인식 시스템에서 수치적 데이터와 기호적 데이터를 효과적으로 융합하는 방법은 무엇인가?
• RQ4 신뢰 이론은 객체 추적 과정에서 불확실성을 정량화하는 데 어떤 역할을 하는가?
• RQ5 객체의 등장, 사라짐 또는 혼란 상황에서도 어떻게 일관된 추적을 유지할 수 있는가?

주요 결과

• 제안된 알고리즘은 할당 알고리즘을 활용하여 객체 연동 갈등을 성공적으로 해결하여 일관되고 최적의 추적 솔루션을 보장한다.
• 신뢰 이론과 퍼지 수학의 융합은 불확실하고 정밀도가 떨어지며 모호한 센서 데이터를 효과적으로 처리할 수 있도록 한다.
• 객체의 등장 또는 사라짐 상황에서도 시스템은 신뢰할 수 있는 객체 추적을 유지하며, 이는 동적 환경에서 흔한 과제이다.
• 수치적 데이터와 기호적 데이터의 융합이 통합된 프레임워크 내에서 이루어져 환경 인식의 강인성이 향상된다.
• 결정론적 매칭에 의존하는 것보다 연동에 대한 신뢰도를 정량화함으로써 환경 지도 갱신의 신뢰도가 향상됨을 입증하였다.
• 이 방법은 지능형 차량 인식의 맥락에서 검증되었으며, 센서 제약 조건이 존재하는 현실 세계의 동적 시나리오에 적용 가능함을 보여주었다.