von Herrn Sebastian Acerbi, B. Eng.
Kurzfassung:
Eines der zentralen Probleme im Multiobjekt-Tracking ist das Datenassoziationsproblem, welches in der korrekten Zuordnung von Sensormessungen zu Objekten besteht. Harte Zuweisungen führen insbesondere bei mehrdeutigen Messungen zu fehlerhaften Zustandsschätzungen. Probabilistische Datenassoziationsalgorithmen, wie sie im Labeled Multi-Bernoulli (LMB) Filter verwendet werden, vermeiden eine solche starre Zuordnung. Hierfür werden mehrere mögliche Assoziationen anhand ihrer Wahrscheinlichkeit gewichtet und für die Schätzung verwendet. Dies verbessert das Schätzergebnis vor allem in komplexen von Clutter beeinflussten Szenarien, wie beispielsweise dem Straßenverkehr.
Im Framework des LMB-Filters wird die Unsicherheit der Assoziation durch gewichtete Assoziationshypothesen repräsentiert. In der Praxis ist es jedoch unpraktikabel, alle möglichen Hypothesen vollständig zu berechnen, weshalb Approximationsalgorithmen zum Einsatz kommen. Traditionelle Verfahren wie Murty’s Algorithmus oder Gibbs Sampling werden genutzt, um eine Teilmenge möglichst relevanter Hypothesen zu bestimmen. Im Vortrag zur Masterarbeit wird ein alternativer Ansatz vorgestellt, der auf der Darstellung des Problems als Faktor-Graph basiert. Diese Modellierung ermöglicht eine effiziente Approximation der a-posteriori LMB-Dichte, ohne dass eine explizite Berechnung von Datenassoziationshypothesen erforderlich ist. Zur Evaluation wird dieser Ansatz mit etablierten Methoden wie Murty’s Algorithmus oder Gibbs Sampling simulativ und auf dem nuScenes Datensatz verglichen.
Zu diesem Vortrag wird recht herzlich eingeladen!