CN110111359A - 多目标对象跟踪方法、执行该方法的设备和计算机程序 - Google Patents

多目标对象跟踪方法、执行该方法的设备和计算机程序 Download PDF

Info

Publication number
CN110111359A
CN110111359A CN201910097948.6A CN201910097948A CN110111359A CN 110111359 A CN110111359 A CN 110111359A CN 201910097948 A CN201910097948 A CN 201910097948A CN 110111359 A CN110111359 A CN 110111359A
Authority
CN
China
Prior art keywords
grid cell
distribution
time step
speed
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910097948.6A
Other languages
English (en)
Inventor
M.施皮斯
J.M.德林格
付良成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN110111359A publication Critical patent/CN110111359A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B25J9/1676—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37436—Prediction of displacement, relative or absolute, motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Robotics (AREA)
  • Fuzzy Systems (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及多目标对象跟踪方法，其中待跟踪的可移动的对象被投影到具有栅格单元（F）的栅格地图（K）上，该方法有以下在每个时间步中待实施的步骤：借助速度转移分布P(V|V‑)对于下一时间步计算速度分布（P(V)），其说明：分配给有关栅格单元的对象如何基于先前的速度分布P(V‑)来从一个时间步运动到下一个时间步；对于每个栅格单元（F），根据速度分布P(V)计算转移概率信息（P(T)），其对于每个栅格单元（F）中的对象说明通过有关对象到达可能的另外的栅格单元（F）的概率，基于转移概率信息P(T)对于下一时间步计算每个栅格单元（F）的占用概率P(O)；根据栅格单元（F）的占用概率来运行***。

Description

多目标对象跟踪方法、执行该方法的设备和计算机程序
技术领域
本发明涉及用于识别局部环境的栅格地图的栅格单元（Rasterzelle）的占用概率的多目标对象跟踪方法。
背景技术
为了在有生命（belebt）的环境中控制机器人，对于避免碰撞重要的是，识别并且预测各个对象的运动轨迹，其中在所述有生命的环境中许多对象、也即人和/或可移动的（beweglich）单元相互独立地运动。为此，机器人通过传感器扫描来创建该环境的抽象模型。然而，因为测量经常是不可靠的并且人和/或可移动的单元的运动行为通常不是确定性的（deterministisch），所以概率性的（probabilistisch）方法被应用。
目前为止的方法可以规定，预测各个人的运动。这要求对各个人及其运动的识别，从而对于所识别的人中的每一个可以进行自身的预测。然而，这样的方法是非常耗费的。
取而代之地，在多目标对象跟踪方法中不借助传感器装置、诸如激光扫描装置检测各个对象，而是扫描二维的栅格地图的栅格单元并且将其识别为被占用的或未被占用的。该方案具有以下优点：可以使用较不高要求的传感机构，因为并不是周围环境中的每个人都必须被单独地检测。
通过所谓的多目标对象跟踪方法对在机器人的环境中的对象的运动的探测、跟踪和预测通常基于贝叶斯滤波方法（Bayes-Filterverfahren）。
这样的方法的应用由C. Chen等人所著的“Dynamic environment modellingwith gridmap：a multiple-objekt tracking application”，Control， Automation，Robotics and Vision，2006，ICARCV’06，9th International Conference on，第1-6页，中已知。在其中描述：可以将对象投影到二维的栅格上并且所述对象的位置和运动以已占用的栅格单元的形式被跟踪。由此可以将测量的不确定性和转移模型直接集成到（integrieren）计算过程中。
诸如从T. Gindele等人所著的“Bayesian Occupancy Grid Filter for DynamicEnvironments Using Prior Map Knowledge“（IEEE 2009，第669页，Institute forAnthropomatics）中已知的另一种方案规定：在预测运动轨迹时根据对象的直接环境考虑对象的运动。为此，使用占用滤波器，以便将环境表示为由栅格单元组成的二维的栅格地图，所述栅格单元包含关于栅格单元的占用和速度的信息。尤其对通过栅格单元代表的对象的加速度的模型不确定性进行建模，从而可以更好地考虑速度变化。由此创建一种环境模型，以便实现机器人的安全的运动并且避免与运动的对象的碰撞。
由出版物：Z.Wang等人所著的“Modelling Motion Patterns of DynamicObjects by IOHMM（2016年，IEEE/RSJ Internationsl Conference on IntelligentRobots and Systems，2014年，9月14-18日，第1832-1838页）公开一种对在通过栅格地图代表的环境中的动态对象的运动模式（Bewegungsmuster）建模的方案。为此，在考虑对先前的（vorangehend）时间步中的相邻的栅格单元进行的观察的情况下，对每个被占用的栅格单元建模。转移概率取决于在下一时间步中在栅格单元的相邻单元格中事件的出现。由此可以对通过栅格单元的动态运动的空间相关性进行建模。
发明内容
根据本发明，设置一种根据权利要求1所述的多目标对象跟踪方法以及根据并列权利要求所述的设备和***。
另外的构型方案在从属权利要求中说明。
根据第一方面，设置一种多目标对象跟踪方法，其中，待跟踪的可移动的对象被投影到栅格地图上，所述栅格地图具有栅格单元，其中，所述方法具有以下的在每个时间步中待实施的步骤：
借助速度转移分布（Geschwindigkeitsübergangsverteilung）P(V|V-)对于下一时间步计算速度分布（P(V)），所述速度转移分布说明，分配给有关的（betreffend）栅格单元的对象如何基于先前的速度分布P(V-)来从一个时间步运动到下一个时间步；
对于每个栅格单元，根据所述速度转移分布P(V)计算转移概率信息P(T)，所述转移概率信息对于每个栅格单元中的对象说明（unter angibt）通过有关的对象到达可能的另外的栅格单元的概率，
基于所述转移概率信息P(T)对于下一时间步计算每个栅格单元的占用概率P(O)；
根据所述栅格单元的所述占用概率来运行***。
根据一种实施方式，最初可以提供每个栅格单元的占用概率和速度分布。
可以规定，对于每个栅格单元根据所提供的大纲、借助经训练的神经网络以及借助多元高斯模型（Multi-Gauss-Modell）来计算速度转移分布。
所述速度转移分布尤其可以借助相邻速度转移分布（Nachbar-Geschwindigkeitsübergangsverteilung）、通过使用多元高斯模型、由从所述速度转移分布确定的加速度分布来确定，其中所述相邻速度转移分布借助神经网络来获得。
此外，对于所观察的栅格单元可以确定所述速度转移分布，其方式是：
由所述相邻速度转移分布通过差形成来确定加速度分布；
所述加速度分布借助所述多元高斯模型来扩展到栅格单元的区域上，并且对于位于所观察的栅格单元周围的栅格单元来被离散化；和
在位于所观察的栅格单元周围的栅格单元中由经扩展的加速度分布对于下一时间步确定所述速度分布。
可以规定，提供神经网络，其方式为：
提供关于在一个或多个训练环境中在多个时间步期间栅格单元的占用的测量数据，所述一个或多个训练环境通过一个或多个训练大纲来描述，
对于每个栅格单元确定相邻的栅格单元的占用的每个组合的频率，所述频率分别说明，如何频繁地满足条件：确定的相邻的栅格单元在先前的时间步中被占用，所观察的栅格单元在当前的时间步中被占用，并且确定的相邻的栅格单元在下一时间步中被占用；
由所述栅格单元中的每一个栅格单元的频率确定概率，以便获得训练-相邻速度转移分布；
借助训练-相邻速度转移分布以及所述一个或多个训练大纲来训练神经网络、尤其卷积神经网络。
此外，可以根据预给定的大纲和经训练的神经网络来对预给定的局部环境的栅格地图的每个栅格单元的相邻速度转移分布建模。
可以规定，所述测量说明在当前的时间步中所述栅格单元中的一个或多个栅格单元的占用和/或速度，其中，基于所述测量来校正所述占用概率。
尤其可以根据所述栅格单元的占用概率执行机器人的控制。
根据另外一个方面设置一种用于执行多目标对象跟踪方法的设备，其中，待跟踪的可移动的对象被投影到栅格地图上，所述栅格地图具有栅格单元，其中，所述设备构造用于在每个时间步中：
借助速度转移分布对于下一时间步计算速度分布，所述速度转移分布说明，分配给有关的栅格单元的对象如何基于先前的速度分布来从一个时间步运动到下一个时间步；
对于每个栅格单元根据所述速度分布计算转移概率信息，所述转移概率信息对于每个栅格单元中的对象说明通过有关的对象到达可能的另外的栅格单元的概率，
基于所述转移概率信息对于下一时间步计算每个栅格单元的占用概率；
根据所述栅格单元的所述占用概率来运行***。
上述方法的一个思想在于，对于多目标对象跟踪方法，考虑每个栅格单元中的对象的转移概率。
相邻速度转移分布对于栅格规划图（Rasterplan）的栅格单元中的每一个栅格单元说明：在下一时间步中以何种概率运动到相邻的栅格单元。根据以下来说明该概率说明：在先前的时间步中被占用的栅格单元的对象分别从什么方向到达所观察的栅格单元。因此，在与每个所观察的栅格单元成直角的栅格的情况下，得出16个相邻速度转移分布，即在紧接着的时间步中，对于所述对象到所观察的栅格单元中的每个运动方向，对于到相邻的栅格单元中的四个可能的运动方向有四个转移概率。
每个栅格单元的相邻速度转移概率的建模尤其实现：对象沿着运动轨迹的可能的运动路线，因为给到所观察的栅格单元F中的转移和来自所观察的栅格单元中的转移单独地配备转移概率。因此，可以得出通过栅格单元的可能的轨迹，所述轨迹反映沿着通过栅格地图描绘的环境的实际的运动路线。
用于预测相邻速度转移分布的神经网络可以借助在训练环境中的所模拟的或真实的数据借助神经网络来训练。此外，对于一个或多个训练大纲执行训练，以便使运动行为与真实的训练环境的拓扑协调一致（in Einklang bringen）。通过训练神经网络，可以学习在有限的环境、诸如内部空间中的运动模式，其中所述神经网络尤其可以构造为卷积神经网络。
如果在已变化的局部环境中使用多目标对象跟踪方法，则所述局部环境可以通过相应的大纲来描绘。然后，可以借助经训练的神经网络确定栅格单元中的每一个栅格单元的相邻速度转移分布（相邻速度转移概率）。因此，可以沿着分支处的边界/壁学习运动模式。转移概率现在可以被用于经改进地跟踪运动的对象。
在经扩展的贝叶斯占据栅格地图滤波器（Bayesian Occupancy Grid MapFilter）（BOF）的预测步骤中，借助所预测的转移概率来估计新的占用概率和速度分布。与目前为止的方法不同，现在可以基于所预测的更精确的转移概率来估计占用概率和速度分布，其中在目前位置的方法中，假设恒定的速度并且已经考虑以栅格单元之间被禁止的转移的形式的环境。这实现在多目标对象跟踪方法中的经改进的预测，所述预测目前为止考虑仅仅以被禁止的或被允许的转移的形式的环境。
附图说明
下面根据所附附图来进一步阐述实施方式。
图1示出局部环境的示图，所述局部环境借助用于执行多目标对象跟踪方法的栅格地图K来划分；
图2示出分配给所观察的栅格单元的相邻速度转移分布的示例性的示图；
图3示出用于图解用于确定转移矩阵（Übergangsmatrix）的方法的流程图；以及
图4示出用于由相邻速度转移分布来确定速度转移分布的多元高斯模型的图示图解。
具体实施方式
图1示出以分支的过道（verzweigender Korridor）（T交叉）形式的局部环境的示图。局部环境借助于用于执行多目标对象跟踪方法的栅格地图K来被划分成栅格单元F。栅格单元F根据笛卡儿坐标***将栅格地图K划分成相同大小的区段，从而使栅格单元F其中的每一个栅格单元代表局部环境的矩形的或方形的面区段。
以彼此相继的时间步进行观察。
对于每个时间步可以给栅格单元F其中的每一个栅格单元分配以下信息：所述信息说明局部环境的通过该栅格单元F所标明的面区段的一个或多个状态。
因此，对于栅格单元F可以预给定占用信息（Belegtheitsinformation），所述占用信息说明：至少一个可移动的对象被分配给有关的栅格单元F，也即，所述至少一个可移动的对象位于相应的面区段中。所有栅格单元1 ... n的占用信息可以通过用于所有栅格单元F的、具有元素值occ（被占用的）和nocc（未被占用的）的占用向量O来说明，
。
此外，可以对于每个栅格单元F预给定速度信息，所述速度信息例如通过向量V说明：分配给栅格单元F的对象以何种速度运动，所述向量包含沿x方向和y方向的速度。该速度说明可以以每时间步的栅格单元的数目来离散化（können in Anzahl vonRasterzellen pro Zeitschritt der diskretiert sein）。
由O和V组成的组合在下面表示为X：
。
对于在当前所观察的时间步之前的时间步，适用：
。
尤其可以对于每个栅格单元F预给定测量向量Z，所述测量向量以与传感器测量相应的方式说明对于有关的栅格单元F的占用识别和/或速度信息。
测量向量可以用于，更新占用信息。为此，简单地根据P(O) P(Z|O)相乘（auf P(O)P(Z|O) multiplizieren），以便获得之前的时间步的P(O - )。
。
每个栅格单元F此外可以分配有以转移矩阵P(T)形式的转移概率信息，其说明用于通过所观察的栅格单元Z的每个可能的运动路径的转移概率。这样的转移矩阵P(T)说明从每个栅格单元F到每个其他的或相同的栅格单元的转移概率。
也即，转移概率对于每个栅格单元F说明，在接下来的时间步中，相同的栅格单元F或其余栅格单元F其中之一将以何种概率被占用。
转移概率信息P(T)根据当前的速度分布P(V)来被确定并且说明，在有关的栅格单元内的对象以何种概率运动到相应的其他的或相同的栅格单元中。
用于预给定的局部环境的相邻速度转移概率矩阵由训练环境中的真实的或所建模的测量数据的评估来得出，其方式是，通过所有测量数据执行以下方法，其中所述相邻速度转移概率矩阵示出相邻速度转移分布。
根据图3的流程图阐述所述方法。
在步骤S1中，关于在数个时间步期间栅格地图的栅格单元的占用的测量数据被提供，其中所述栅格地图表示训练环境。所述训练环境通过训练大纲（Trainingsgrundriss）来描述。所述训练大纲或预给定的大纲可以以合适的方式说明关于局部环境的说明，诸如作为图像、建筑物图则、可到达矩阵（Erreichbarkeitsmatrix）等等，其中应该针对所述训练大纲或预给定的大纲来执行所描述的多目标对象跟踪方法。
在步骤S2中，对于每个栅格单元F确定相邻的栅格单元F的占用的每个组合的频率。因此，得出16个频率，所述频率分别说明，如何频繁地满足条件：确定的相邻的栅格单元F在先前的时间步中被占用，所观察的栅格单元在当前的时间步中被占用，并且确定的相邻的栅格单元在下一时间步中被占用。
在步骤S3中，由所述栅格单元中的每一个栅格单元的频率确定概率，以便获得训练-相邻速度转移分布。由所述频率，根据所满足的条件的总数目，可以确定到所观察的栅格单元F中的转移的相应概率和来自所观察的栅格单元F中的转移的相应概率。如此获得的训练-相邻速度转移分布与局部环境的规划图（Plan）一起示出接下来应用的机器学习方法的训练数据，所述局部环境的规划图在训练大纲中说明。
在步骤S4中，借助训练-相邻速度转移分布以及训练大纲来训练神经网络、尤其卷积神经网络。为了训练，对于多个训练大纲也可以使用多个训练-相邻速度转移分布。因此，基于训练-相邻速度转移分布的训练数据和训练数据所基于的局部环境来训练卷积神经网络，从而使通过转移概率来说明的运动模式与局部环境的运动空间有关（in Beziehungsetzen）并且使规则被相应地学习。在训练时，在输入侧创建（anlegen）关于训练大纲的信息并且相应地根据训练-相邻速度转移分布来训练神经网络的输出。
在图2中示例性地示出相邻速度转移概率矩阵作为用于相邻速度转移分布的示例，如其例如借助网络预测的那样。相邻速度转移分布基本上相应于速度转移矩阵，只不过相邻速度转移分布仅仅鉴于相邻单元格的4x4速度组合来被限定。
在步骤S5中，根据局部环境的预给定的大纲来对预给定的局部环境的栅格地图的每个栅格单元的转移概率信息建模。通过预给定局部环境的大纲，因此可以借助经训练的神经网络说明关于每个栅格单元的相邻速度转移分布。
在步骤S6中，由每个栅格单元的相邻速度转移分布的转移概率、借助多元高斯模型计算速度转移分布。
在步骤S7中，对于每个单元格任意地（例如恒定地）初始化占用概率和速度分布P(V)。
在步骤S8中，由当前的速度分布P(V)计算转移矩阵P(T)。
由所述关于当前的速度的概率P(V)得出转移矩阵。在此假设，在每个栅格单元中的占用相应于速度分布地继续运动。
在步骤S9中，借助上一时间步的占用概率P(O)和转移概率P(T)来计算用于下一时间步的占用概率P(O)。
如下地得出占用概率：
其中，P（O C =occ）相应于栅格单元c被占用的概率，P(O C =nocc)相应于栅格单元c未被占用的概率，N相应于所有栅格单元的集合，并且P（T a =c）相应于一个或多个对象从栅格单元a朝栅格单元c运动的概率。
基于占用预测，可以使机器人为了避免碰撞而以本身已知的方式运动。
在步骤S10中，借助上一时间步的速度分布P(V-)和转移概率P(T)来预测朴素（naive）速度分布。
在步骤S11中，借助速度转移分布（速度转移概率）和朴素速度分布P(V)来预测P(V)的环境有关的速度分布。相应于下面列举的方法地借助多元高斯模型来计算速度转移分布，所述方法通过图4a-4d来图解。
在步骤S12中，通过测量模型P（Z|X）校正概率P(X)。为此，简单地根据P(O) P(Z|O)相乘，以便获得先前的时间步P(O-)。
替代如在先前的方案中的那样将加速度噪音假设为正态分布地，加速度也可以各向异性地假设。这更符合于具有运动的人的真实的环境，因为所述运动的人更频繁地改变运动方向并且使速度强烈地匹配于人在环境中的速度。
由相邻速度转移分布执行速度预测。对于高斯正态分布替代地，可以通过在两个彼此相继的时间步中的速度概率的差来估计加速度噪音，从而得出相应的加速度。
P NN (A,V-)。
在图4a中示出相邻速度转移分布的图形表示。在此，在栅格区（Rasterfeld）中的彩色阴影说明占用-转移概率：从先前的时间步中的中间的栅格区出发，朝该栅格区的方向上进行占用转移时，步（Schritt）向上/下/左/右地进行。以相应于用于创建占用-转移矩阵的神经网络的训练的方式，仅仅找到对于与所观察的栅格单元F直接相邻的栅格单元的相应概率。
接着，由相应的速度分布，相应于A=V-V-地确定加速度分布，其中，V相应于两个彼此相继的时间步之间的速度。尤其V=R(tp)-R(tc)和V-=R(tc)-R(ta)相应于先前的时间步ta、当前的时间步tc、和下一时间步tp。R相应于该对象的栅格单元位置。认识到，只有当已经识别到运动的方向变化时才出现加速度。
接着，关于上一时间步的加速度和速度的连续的概率分布借助多元高斯模型来被计算并且根据经扩展的A和V-来被评估，其中，新的转移不再必须是相邻单元格。
其中，相应于在变化到（Transformation）加速度空间中之后的16个相邻转移概率，N（...）相应于具有平均值向量和协方差矩阵的四维的高斯分布。在点上（auf dem Punkt ）评估该分布。
现在，反变换成速度转移分布，该速度转移分布相应于地说明速度分布。因此得到
。

Claims (12)

1.一种多目标对象跟踪方法，其中，待跟踪的可移动的对象被投影到栅格地图（K）上，所述栅格地图具有栅格单元（F），其中，所述方法具有以下的在每个时间步中待实施的步骤：
借助速度转移分布P(V|V-)对于下一时间步计算速度分布（P(V)），所述速度转移分布说明，分配给有关的栅格单元的对象如何基于先前的速度分布P(V-)来从一个时间步运动到下一个时间步；
对于每个所述栅格单元（F），根据所述速度分布P(V)计算转移概率信息（P(T)），所述转移概率信息对于每个栅格单元（F）中的对象说明通过有关的所述对象到达可能的另外的栅格单元（F）的概率，
基于所述转移概率信息P(T)对于下一时间步计算每个栅格单元（F）的占用概率P(O)；
根据所述栅格单元（F）的所述占用概率来运行***。
2.根据权利要求1所述的方法，其中，最初提供每个栅格单元（F）的占用概率P(O)和速度分布P(V)。
3.根据权利要求1或2所述的方法，其中，对于每个栅格单元（F）根据所提供的大纲、借助经训练的神经网络以及借助多元高斯模型来计算速度转移分布P(V|V-)。
4.根据权利要求3所述的方法，其中，所述速度转移分布（P(V|V-)）借助相邻速度转移分布、通过使用所述多元高斯模型、由从所述速度转移分布（P(V|V-)）确定的加速度分布来确定，其中所述相邻速度转移分布借助所述神经网络来获得。
5.根据权利要求4所述的方法，其中，对于所观察的栅格单元（F）确定所述速度转移分布，其方式是：
由所述相邻速度转移分布通过差形成来确定加速度分布；
所述加速度分布借助所述多元高斯模型来扩展到栅格单元的区域上，并且对于位于所述所观察的栅格单元（F）周围的栅格单元（F）来被离散化；和
在位于所述所观察的栅格单元周围的所述栅格单元（F）中由经扩展的所述加速度分布对于下一时间步确定所述速度分布（P(V)）。
6.根据权利要求3至5中任一项所述的方法，其中，提供所述神经网络，其方式为：
提供关于在一个或多个训练环境中在多个时间步期间栅格单元（F）的占用的测量数据，所述一个或多个训练环境通过一个或多个训练大纲来描述，
对于每个栅格单元（F）确定相邻的栅格单元（F）的占用的每个组合的频率，所述频率分别说明，如何频繁地满足条件：确定的相邻的栅格单元（F）在先前的时间步中被占用，所述所观察的栅格单元（F）在当前的时间步中被占用，并且确定的相邻的栅格单元（F）在下一时间步中被占用；
由所述栅格单元中的每一个栅格单元的所述频率确定概率，以便获得训练-相邻速度转移分布；
借助所述训练-相邻速度转移分布以及所述一个或多个训练大纲来训练所述神经网络、尤其卷积神经网络。
7.根据权利要求6所述的方法，其中，根据预给定的所述大纲和经训练的所述神经网络来对预给定的局部环境的所述栅格地图（K）的每个栅格单元（F）的所述相邻速度转移分布建模。
8.根据权利要求1至7中任一项所述的方法，其中，所述测量说明在当前的时间步中所述栅格单元（F）中的一个或多个栅格单元的占用和/或速度，其中，基于所述测量来校正所述占用概率P(O)。
9.根据权利要求1至8中任一项所述的方法，其中，根据所述栅格单元（F）的所述占用概率执行机器人的控制。
10.一种用于执行多目标对象跟踪方法的设备，其中，待跟踪的可移动的对象被投影到栅格地图（K）上，所述栅格地图具有栅格单元（F），其中，所述设备构造用于在每个时间步中：
借助速度转移分布P(V|V-)对于下一时间步计算速度分布（P(V)，所述速度转移分布说明：分配给有关的栅格单元（F）的所述对象如何基于先前的速度分布P(V-)来从一个时间步运动到下一个时间步；
对于每个所述栅格单元（F）根据所述速度分布计算转移概率信息（P(T)），所述转移概率信息对于每个栅格单元（F）中的对象说明通过有关的所述对象到达可能的另外的栅格单元（F）的概率，
基于所述转移概率信息P(T)对于下一时间步计算每个栅格单元（F）的占用概率P(O)；
根据所述栅格单元（F）的所述占用概率来运行***。
11.一种计算机程序，所述计算机程序具有程序代码装置，所述计算机程序被设立用于当在计算单元、尤其移动的计算单元上运行所述计算机程序时实施根据权利要求1至9中任一项所述的方法。
12.一种机器可读的存储介质，所述存储介质具有在所述存储介质上存储的根据权利要求11所述的计算机程序。
CN201910097948.6A 2018-02-01 2019-01-31 多目标对象跟踪方法、执行该方法的设备和计算机程序 Pending CN110111359A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018201570.8A DE102018201570A1 (de) 2018-02-01 2018-02-01 Multiple-Target-Object-Tracking-Verfahren, Vorrichtung und Computerprogramm zum Durchführen eines Multiple-Target-Object-Tracking für bewegliche Objekte
DE102018201570.8 2018-02-01

Publications (1)

Publication Number Publication Date
CN110111359A true CN110111359A (zh) 2019-08-09

Family

ID=67223989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910097948.6A Pending CN110111359A (zh) 2018-02-01 2019-01-31 多目标对象跟踪方法、执行该方法的设备和计算机程序

Country Status (3)

Country Link
US (1) US11253997B2 (zh)
CN (1) CN110111359A (zh)
DE (1) DE102018201570A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018214828B4 (de) 2018-08-31 2024-05-16 Robert Bosch Gmbh Verfahren, Vorrichtung und Computerprogramm zum Prädizieren eines Aufenthaltsortes einer Mehrzahl von Objekten
EP3894789A4 (en) * 2018-12-12 2022-07-20 INTEL Corporation TIMELY OCCUPANCY GRID MAPPING FOR ROBOTS IN DYNAMIC ENVIRONMENTS
CN112050829B (zh) * 2019-06-06 2023-04-07 华为技术有限公司 一种运动状态确定方法及装置
CN111275741B (zh) * 2020-01-19 2023-09-08 北京迈格威科技有限公司 目标跟踪方法、装置、计算机设备和存储介质
WO2023060592A1 (zh) * 2021-10-15 2023-04-20 华为技术有限公司 定位方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05297947A (ja) * 1992-04-21 1993-11-12 Mitsubishi Electric Corp 多目標追尾装置
US20080201116A1 (en) * 2007-02-16 2008-08-21 Matsushita Electric Industrial Co., Ltd. Surveillance system and methods
CN105301583A (zh) * 2015-10-13 2016-02-03 中国人民解放军国防科学技术大学 一种方向突变机动目标的跟踪方法
CN105487537A (zh) * 2015-11-06 2016-04-13 福州华鹰重工机械有限公司 一种车辆运动规划方法和无人车
CN105549005A (zh) * 2015-11-04 2016-05-04 上海大学 一种基于网格划分的动态目标波达方向跟踪方法
CN105701479A (zh) * 2016-02-26 2016-06-22 重庆邮电大学 基于目标特征的智能车辆多激光雷达融合识别方法
CN105717505A (zh) * 2016-02-17 2016-06-29 国家电网公司 利用传感网进行多目标跟踪的数据关联方法
CN106022239A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于循环神经网络的多目标跟踪方法
CN107193012A (zh) * 2017-05-05 2017-09-22 江苏大学 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190004524A1 (en) * 2016-08-31 2019-01-03 Faraday&Future Inc. System and method for planning a vehicle path
US10724854B2 (en) * 2017-12-27 2020-07-28 Intel IP Corporation Occupancy grid object determining devices

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05297947A (ja) * 1992-04-21 1993-11-12 Mitsubishi Electric Corp 多目標追尾装置
US20080201116A1 (en) * 2007-02-16 2008-08-21 Matsushita Electric Industrial Co., Ltd. Surveillance system and methods
CN105301583A (zh) * 2015-10-13 2016-02-03 中国人民解放军国防科学技术大学 一种方向突变机动目标的跟踪方法
CN105549005A (zh) * 2015-11-04 2016-05-04 上海大学 一种基于网格划分的动态目标波达方向跟踪方法
CN105487537A (zh) * 2015-11-06 2016-04-13 福州华鹰重工机械有限公司 一种车辆运动规划方法和无人车
CN105717505A (zh) * 2016-02-17 2016-06-29 国家电网公司 利用传感网进行多目标跟踪的数据关联方法
CN105701479A (zh) * 2016-02-26 2016-06-22 重庆邮电大学 基于目标特征的智能车辆多激光雷达融合识别方法
CN106022239A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于循环神经网络的多目标跟踪方法
CN107193012A (zh) * 2017-05-05 2017-09-22 江苏大学 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法

Also Published As

Publication number Publication date
DE102018201570A1 (de) 2019-08-01
US20190232487A1 (en) 2019-08-01
US11253997B2 (en) 2022-02-22

Similar Documents

Publication Publication Date Title
CN110111359A (zh) 多目标对象跟踪方法、执行该方法的设备和计算机程序
Francis et al. Long-range indoor navigation with PRM-RL
Deo et al. Trajectory forecasts in unknown environments conditioned on grid-based plans
Mohanan et al. A survey of robotic motion planning in dynamic environments
Rösmann et al. Online trajectory prediction and planning for social robot navigation
Henry et al. Learning to navigate through crowded environments
Godoy et al. Adaptive learning for multi-agent navigation
EP4046058A1 (en) Prediction and planning for mobile robots
Choi et al. Real-time navigation in crowded dynamic environments using Gaussian process motion control
Kanezaki et al. Goselo: Goal-directed obstacle and self-location map for robot navigation using reactive neural networks
Semnani et al. Force-based algorithm for motion planning of large agent
CN112106060A (zh) 控制策略确定方法和***
CN109508003A (zh) 一种无人驾驶道路机械机群动态避让方法
Lee et al. Decentralized formation control for small-scale robot teams with anonymity
Hu et al. Heterogeneous crowd simulation using parametric reinforcement learning
Ordonez et al. The virtual wall approach to limit cycle avoidance for unmanned ground vehicles
Castellini et al. Partially Observable Monte Carlo Planning with state variable constraints for mobile robot navigation
Bayoumi et al. Speeding up person finding using hidden Markov models
Zhao et al. Improved Rao-Blackwellised particle filter based on randomly weighted particle swarm optimization
Knoedler et al. Improving pedestrian prediction models with self-supervised continual learning
Chehelgami et al. Safe deep learning-based global path planning using a fast collision-free path generator
Ajani et al. Agent-based path prediction strategy (ABPP) for navigation over dynamic environment
Doellinger et al. Environment-aware multi-target tracking of pedestrians
Farahani et al. Automatic construction and evaluation of macro-actions in reinforcement learning
Edmonds et al. Optimal trajectories for autonomous human-following carts with gesture-based contactless positioning suggestions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination