Multi-sensor data fusion for representing and tracking dynamic objects

Abstract

The subject of the thesis lies within the scope of the project "Intelligent Vehicle and its integration in the city of the future", led by the Systems and Transportation laboratory of the University of Technology of Belfort-Montbéliard. The objective of this project is to ensure a vehicle autonomous navigation in an urban environment. This thesis concerns in particular the perception of dynamic objects in the vehicle environment by combining several sensors. The goal is to detect and track dynamic objects and locate them relatively to the instrumented vehicle. The contribution of the thesis starts by proposing a new Oriented Bounding Box (OBB) object representation model, including Inter-Rays (IR) uncertainty and Fixed Size (FS) assumption. To increase the quality of object state estimation and tracking, a two laser scanners based fusion algorithm is presented. Finally, two methods for data association are described. The first one, called NNFS, is an adaptation of the Nearest-Neighbourhood principle to the OBB object representation using the FS assumption. The second method solves the problem of laser scanner data point clustering by fusing laser scanner and stereo-vision sensory data. The proposed algorithms are evaluated on the developed for this purpose simulator and an experimental electrical vehicle.

Temat niniejszej pracy związany jest bezpośrednio z projektem "Pojazdy inteligentne i ich integracja w mieście przyszłości" prowadzonym przez Laboratorium Systemów i Transportu na Uniwersytecie Technicznym Belfort-Montbeliard we Francji. Celem tego projektu jest stworzenie systemu nawigacji autonomicznej pojazdów w środowisku miejskim. Niniejsza praca doktorska koncentruje się na postrzeganiu otoczenia w szczególności na śledzeniu obiektów ruchomych wykorzystując dane wielosensoryczne. Celami tego zadania jest detekcja oraz estymacja stanu obiektów dynamicznych. W pracy zaproponowano nowy model reprezentacji obiektów bazujący na zorientowanym prostokącie ograniczającym, wraz z niepewnością między-promieniową oraz założeniem o niezmienności rozmiaru. W celu polepszenia estymacji stanu i śledzenia obiektów, zaprezentowano algorytm fuzji danych pochodzących z dwóch skanerów laserowych. W końcu opisano dwie metody asocjacji danych. Pierwsza z nich, adaptuje metodę najbliższego sąsiada do zaproponowanego modelu reprezentacji wykorzystując założenie o niezmienności rozmiaru. Druga metoda rozwiązuje problem klasteryzacji danych skanera laserowego poprzez ich fuzję z danymi sensora stereowizji. Weryfikacja zaproponowanych rozwiązań została przeprowadzona na danych symulowanych oraz na danych rzeczywistych, uzyskanych przy pomocy eksperymentalnego pojazdu elektrycznego.