Отслеживание транспортных средств с помощью измерений с помощью лидарного датчика, установленного на верхней части эго-транспортного средства. Датчики Lidar сообщают об измерениях как облако точек. Пример иллюстрирует рабочий процесс в MATLAB ® для обработки облака точек и отслеживания объектов. Для примера Simulink ® см. раздел Отслеживание транспортных средств с использованием данных лидара в Simulink.Данные лидара, используемые в этом примере, записываются из сценария вождения по шоссе. В этом примере записанные данные используются для отслеживания транспортных средств с помощью совместного трекера вероятностных данных (JPDA) и подхода, основанного на взаимодействии нескольких моделей (IMM).

Отслеживать автомагистрали вокруг эго-автомобиля. Транспортные средства представляют собой расширенные объекты, размеры которых охватывают несколько ячеек сенсорного разрешения. В результате датчики сообщают о множественных обнаружениях этих объектов в одном сканировании. В этом примере используются различные расширенные методы отслеживания объектов для отслеживания транспортных средств и оценки результатов их отслеживания.

Запальные пути от двух транспортных средств для обеспечения более полной оценки окружающей среды, которую может видеть каждое транспортное средство. В примере показано использование фузера уровня дорожки и формата данных дорожки объекта. В этом примере используются сценарий вождения и генератор обнаружения видения из Automated Driving Toolbox™, генератор радиолокационных данных из Radar Toolbox™, а также модели слежения и слежения из Sensor Fusion and Tracking Toolbox™.

Демонстрирует проблемы, связанные с отслеживанием транспортных средств на автомагистрали при наличии многолучевых радиолокационных отражений. Он также показывает подход фильтрации призраков, используемый с расширенным отслеживающим объектом для одновременной фильтрации обнаружения призраков и отслеживания объектов.

Отслеживание движущихся объектов с помощью нескольких лидаров с помощью трекера на основе сетки. Сетевой трекер обеспечивает раннее слияние данных с датчиков высокого разрешения, таких как радары и лидары, для создания глобального списка объектов.

Выполнение динамического повторного планирования в городской сцене вождения с использованием траектории привязки Френета. В этом примере для поиска оптимальных локальных траекторий используется динамическая оценка карты заполнения локальной среды.

Обнаружение, классификация и отслеживание транспортных средств с помощью данных облака точек лидара, полученных с помощью датчика лидара, установленного на эго-транспортном средстве. Лидарные данные, используемые в этом примере, записываются из сценария вождения шоссе. В этом примере данные облака точек сегментируются, чтобы определить класс объектов с помощью сети StartSeg. Для отслеживания обнаруженных транспортных средств используется трекер совместной вероятностной ассоциации данных (JPDA) с интерактивным множественным модельным фильтром.

Формирование списка дорожек на уровне объекта на основе измерений радара и лидарного датчика и дальнейшее их сплавление с использованием схемы слияния на уровне дорожек. Радиолокационные измерения обрабатываются с использованием расширенного трекера объектов и лидарных измерений с использованием совместного трекера вероятностных данных (JPDA). Эти дорожки далее сплавляются с помощью схемы слияния на уровне дорожек. Схема рабочего процесса показана ниже.

Отслеживание транспортных средств с помощью измерений с помощью лидарного датчика, установленного на верхней части эго-транспортного средства. Благодаря высокой разрешающей способности лидарного датчика каждое сканирование датчика содержит большое количество точек, обычно известных как облако точек. Пример иллюстрирует рабочий процесс в Simulink для обработки облака точек и отслеживания объектов. Данные лидара, используемые в этом примере, записываются из сценария движения по шоссе. Записанные данные используются для отслеживания транспортных средств с помощью совместного трекера вероятностных данных (JPDA) и подхода, основанного на взаимодействии нескольких моделей (IMM). Пример полностью соответствует примеру Track Vehicles Using Lidar: From Point Cloud to Track List MATLAB ®.

Выполните слияние дорожек в Simulink ® с помощью Sensor Fusion и Tracking Toolbox™. В контексте автономного вождения пример иллюстрирует, как построить децентрализованную архитектуру слежения с использованием блока путевого фузера. В примере каждое транспортное средство выполняет слежение независимо, а также информацию слежения за взрывателями, полученную от других транспортных средств. Этот пример полностью соответствует примеру, приведенному в приложении MATLAB ® для автомобильной безопасности.

Автономные системы требуют точной оценки их окружения для поддержки принятия решений, планирования и контроля. Датчики высокого разрешения, такие как радар и лидар, часто используются в автономных системах для облегчения оценки окружающей среды. Эти датчики обычно выводят дорожки. Вывод дорожек вместо обнаружений и слияние дорожек вместе децентрализованным образом обеспечивают несколько преимуществ, включая низкую частоту ложных аварийных сигналов, более высокую точность целевой оценки, низкую потребность в полосе пропускания и низкие вычислительные затраты. В этом примере показано, как отслеживать объекты из измерений радара и лидарного датчика и как сплавлять их с помощью схемы слияния на уровне дорожки в Simulink ®. Радиолокационные измерения обрабатываются с помощью GM-PHD (Gaussian Mixe Bulderability Topethesis Density, GM-PHD) трекера, а лидарные измерения - с помощью JPDA (Joint Probabilistic Data Association, JPDA) трекера. Эти дорожки далее сплавляются с помощью схемы слияния на уровне дорожек. Пример полностью соответствует примеру Track-Level Fusion of Radar и Lidar Data MATLAB ®.