[论文解读] 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 20

一句话总结

本文提出了一种基于信任理论与模糊逻辑的多目标关联算法，用于智能车辆在动态环境中的感知，能够在传感器不确定性和模糊性条件下实现鲁棒跟踪。通过融合数值与符号数据，并利用分配算法解决冲突，该方法即使在目标出现/消失或感知混淆的情况下也能实现可靠的对象关联，显著提升了环境地图的准确性与跟踪的稳定性。

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.

研究动机与目标

• 为解决智能车辆在动态环境中将感知对象与已知对象关联的挑战。
• 通过管理不完美传感器带来的不确定性和模糊性，提升环境感知的可靠性。
• 开发一种鲁棒的关联机制，确保在目标出现、消失或混淆时仍能维持跟踪。
• 通过信任理论与模糊数学融合数值与符号数据，实现全面感知。
• 利用分配算法解决对象关联中的冲突，确保一致且最优的跟踪解。

提出的方法

• 该算法采用Dempster-Shafer证据理论量化对象关联中的信任度，以处理不确定性和不精确性。
• 使用模糊数学建模传感器数据与对象特征，实现对不准确或模糊信息的表示。
• 基于信任的匹配过程计算每个感知对象与每个已知对象之间对应关系的信任程度。
• 利用分配算法解决由感知模糊性或传感器噪声引发的冲突，以选择最优关联集合。
• 通过随时间整合已确认的对象关联，动态更新环境地图。
• 通过信任结构框架原生支持数值（如位置、速度）与符号（如对象类型）数据的融合。

实验结果

研究问题

• RQ1 在具有不确定性和不精确传感器数据的动态环境中，如何可靠地维持对象关联？
• RQ2 当多个感知对象可能匹配单个已知对象时，应采用何种机制解决对象关联中的冲突？
• RQ3 如何在智能车辆感知系统中有效融合数值与符号数据？
• RQ4 信任理论在量化对象跟踪过程中的不确定性方面发挥什么作用？
• RQ5 系统如何在目标出现、消失或混淆期间保持一致的跟踪？

主要发现

• 所提出的算法通过分配算法成功解决对象关联中的冲突，确保获得一致且最优的跟踪解。
• 信任理论与模糊数学的融合有效处理了不确定、不精确及模糊的传感器数据。
• 即使在目标出现或消失的情况下，系统仍能保持可靠的对象跟踪，这在动态环境中是常见挑战。
• 在统一框架内实现了数值与符号数据的融合，提升了环境感知的鲁棒性。
• 通过量化关联中的信任度而非依赖确定性匹配，该方法在环境地图更新方面表现出更高的可靠性。
• 该方法在智能车辆感知背景下得到验证，表明其适用于具有传感器限制的真实动态场景。