Extended target tracking using PHD filters
The world in which we live is becoming more and more automated, exemplified by the numerous robots, or autonomous vehicles, that operate in air, on land, or in water. These robots perform a wide array of different tasks, ranging from the dangerous, such as underground mining, to the boring, such as...
Main Author: | |
---|---|
Format: | Doctoral Thesis |
Language: | English |
Published: |
Linköpings universitet, Reglerteknik
2012
|
Online Access: | http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-82348 http://nbn-resolving.de/urn:isbn:978-91-7519-796-8 |
Summary: | The world in which we live is becoming more and more automated, exemplified by the numerous robots, or autonomous vehicles, that operate in air, on land, or in water. These robots perform a wide array of different tasks, ranging from the dangerous, such as underground mining, to the boring, such as vacuum cleaning. In common for all different robots is that they must possess a certain degree of awareness, both of themselves and of the world in which they operate. This thesis considers aspects of two research problems associated with this, more specifically the Simultaneous Localization and Mapping (SLAM) problem and the Multiple Target Tracking (MTT) problem. The SLAM problem consists of having the robot create a map of an environment and simultaneously localize itself in the same map. One way to reduce the effect of small errors that inevitably accumulate over time, and could significantly distort the SLAM result, is to detect loop closure. In this thesis loop closure detection is considered for robots equipped with laser range sensors. Machine learning is used to construct a loop closure detection classifier, and experiments show that the classifier compares well to related work. The resulting SLAM map should only contain stationary objects, however the world also contains moving objects, and to function well a robot should be able to handle both types of objects. The MTT problem consists of having the robot keep track of where the moving objects, called targets, are located, and how these targets are moving. This function has a wide range of applications, including tracking of pedestrians, bicycles and cars in urban environments. Solving the MTT problem can be decomposed into two parts: one part is finding out the number of targets, the other part is finding out what the states of the individual targets are. In this thesis the emphasis is on tracking of so called extended targets. An extended target is a target that can generate any number of measurements, as opposed to a point target that generates at most one measurement. More than one measurement per target raise interesting possibilities to estimate the size and the shape of the target. One way to model the number of targets and the target states is to use random finite sets, which leads to the Probability Hypothesis Density (PHD) filters. Two implementations of an extended target PHD filter are given, one using Gaussian mixtures and one using Gaussian inverse Wishart (GIW) mixtures. Two models for the size and shape of an extended target measured with laser range sensors are suggested. A framework for estimation of the number of measurements generated by the targets is presented, and reduction of GIW mixtures is addressed. Prediction, spawning and combination of extended targets modeled using GIW distributions is also presented. The extended target tracking functions are evaluated in simulations and in experiments with laser range data. === Den värld i vilken vi lever har med tiden blivit allt mer automatiserad. Ett av många tecken på detta är det stora antal robotar, eller autonoma farkoster, som verkar bland annat i luften, på land, eller i vatten. De här robotarna kan utföra ett brett spektrum av olika uppgifter, allt ifrån direkt farliga, som underjordisk gruvdrift och sanering av havererade kärnreaktorer, till alldagliga och tråkiga, som dammsugning och gräsklippning. På samma sätt som en människa behöver använda sina sinnen och sitt medvetande för att hantera vardagen, måste alla typer av robotar ha en viss medvetenhet för att kunna utföra sina uppgifter. Det krävs bland annat att robotarna kan uppfatta och förstå sin arbetsmiljö. I den här avhandlingen behandlas ett antal delar av två stycken övergripande forskningsproblem som är relaterade till detta. Det första forskningsproblemet kallas för samtidig positionering och kartering, vilket på engelska heter Simultaneous Localization and Mapping och förkortas SLAM. Det andra forskningsproblemet kallas för målföljning. SLAM-problemet går ut på att låta roboten skapa en karta av ett område, och samtidigt som kartan skapas positionera sig i den. Exakt vad som menas med karta i det här sammanhanget varierar beroende på robotens specifika arbetsuppgift. Exempelvis kan det, för en inomhusrobot, röra sig om en virtuell modell av var golv, väggar och möbler finns i ett hus. En oundviklig del av SLAM-problemet är att roboten hela tiden gör små fel, vilket påverkar kartan som skapas, samt hur väl roboten kan positionera sig. Enskilda fel har inte särskilt stor inverkan, men om felen ackumuleras under en längre tid kan det leda till att kartan förvrängs, eller att roboten helt enkelt inte kan finna sin position i kartan. Ett sätt att undvika att så sker är att utrusta roboten med en funktion vilken gör det möjligt för roboten att känna igen platser som den har besökt tidigare, vilket kallas platsigenkänning. När roboten känner igen en plats kan den jämföra med vad kartan och positionen säger. Om kartan och positionen inte säger att roboten är tillbaka på en plats som tidigare besökts kan denna diskrepans korrigeras. Resultatet är en karta och en position som bättre representerar verkligheten. I den här avhandlingen har platsigenkänning studerats för robotar som är utrustade med laserscanners, och en funktion för platsigenkänning har skapats. I en serie experiment har det visats att funktionen kan känna igen platser såväl inomhus i kontorsmiljö, som utomhus i stadsmiljö. Det har även visats att funktionens egenskaper jämför sig väl med tidigare arbete på området. Den resulterande SLAM-kartan bör av naturliga skäl endast innehålla stationära föremål. Vår värld innehåller dock även rörliga föremål, och för att en robot ska kunna arbeta på ett säkert sätt måste den även hålla reda på alla rörliga föremål som finns i dess närhet. Det andra forskningsproblemet som behandlats i avhandlingen, målföljning, går ut på att utrusta roboten med funktioner som gör det möjligt för den att hålla reda på var de rörliga målen är, samt vart de är på väg att röra sig. Exempelvis kan den här typen av funktioner användas till att hålla reda på fotgängare, cyklister och bilar i en stadsmiljö. Tidigare har forskningen inom målföljning varit fokuserad på så kallade punktmål. Vid följning av punktmål kan följningsproblemet sägas ha två delar: den ena är att räkna ut hur många rörliga mål det finns, den andra är att räkna ut var varje enskilt mål befinner sig, samt vart det är på väg. Här har fokus istället legat på följning av vad som kallas för utsträckta mål, en typ av mål som rönt ökande uppmärksamhet i forskningsvärlden de senaste fem till tio åren. Med utsträckta mål får följningsproblemet en tredje del: att för varje enskilt mål räkna ut storleken och formen på målet, det vill säga den spatiala utsträckningen. Att känna till utsträckningen på de rörliga målen är viktigt exempelvis för en robot som ska ta sig genom ett rum där många person befinner sig. För att göra det krävs att roboten rör sig nära personerna, utan att för den skull krocka med någon. Att lösa detta på ett bra sätt kräver att roboten har kunskap inte bara om var personerna befinner sig, utan även hur mycket plats de tar upp. I avhandlingen har ett antal aspekter av följning av utsträckta mål studerats. En viktig och komplicerande aspekt av följning av såväl punktmål, som utsträckta mål, är att roboten på förhand inte vet hur många mål som finns i dess närhet. En funktion för att hantera osäkerheterna kring antalet mål som finns, samt osäkerheterna kring var varje mål befinner sig, har implementerats. I många situationer är det nödvändigt att kunna prediktera, eller förutsäga, var de olika målen kommer att befinna sig i den närmaste framtiden. Det kan exempelvis röra sig om en robot som ska köra genom en vägkorsning, och då måste undvika att krocka med övrig trafik. För detta ändamål har en prediktionsfunktion tagits fram. När ett större antal mål rör sig i robotens närhet kan det bli svårt att följa varje enskilt mål. Istället kan roboten följa grupper av mål. Det blir då nödvändigt att hålla reda på vad som sker när mål lämnar gruppen, eller nya mål ansluter till gruppen. Fritt översatt från engelska till svenska kan dessa två händelser kallas för målproduktion och målkombination. Funktioner för att hantera produktion och kombination av utsträckta mål har tagits fram. För att roboten ska kunna beräkna ett måls spatiala utsträckning krävs modeller för formen på målen. När laserscanners används kan formen på en bil sägas vara approximativt rektangulär, och formen på en person kan sägas vara approximativt elliptisk. Beräkning av storleken på rektangulära och elliptiska mål har studerats för robotar utrustade med laserscanners. Målföljningsfunktionerna som nämnts ovan har utvärderats med hjälp av såväl simulerade data, som experimentella data insamlade med laserscanners. Resultaten visar att det arbete som har utförts jämför sig väl med tidigare arbete på området. === CADICS === ETT === CUAS |
---|