В этом примере показано, как сконфигурировать и использовать GNN и JPDA трекеры в моделируемом сценарии шоссе в Simulink ® с Sensor Fusion and Tracking Toolbox™. Он внимательно следит за Sensor Fusion Using Synthetic Radar and Vision Data in Simulink (Automated Driving Toolbox). Основным преимуществом моделирования системы в Simulink является простота выполнения анализа «что-если» и выбора трекера, который приводит к лучшей эффективности на основе требований.
Синтетические данные радара и зрения помогают нам в оценке алгоритмов сопровождения целей. Этот пример в основном фокусируется на способностях отслеживания trackerGNN и trackerJPDA в Simulink.
Настройка этого примера аналогична настройке Sensor Fusion Using Synthetic Radar and Vision Data в примере Simulink (Automated Driving Toolbox), за исключением того, что моделируемые обнаружения конкатенируются как вход в Trackers блок.
Шпионы
The Trackers блок является альтернативной подсистемой, которую можно использовать для переключения между GNN-трекером и JPDA-трекером.
Первый вариант блока Trackers, trackerGNN, принимает модель движения с постоянной скоростью и расширенный фильтр Калмана путем установки функции инициализации Фильтра как функции по умолчанию initcvekf.
С помощью GNN-трекера можно выбрать свой собственный настроенный фильтр, который подходит для движения моделируемых объектов. Можно выбрать алгоритм назначения среди MatchPairs, Munkres, Jonker-Volgenant, Auction и собственного настраиваемого алгоритма назначения. Можно также задать логику обслуживания треков следующим History или Score.
Второй вариант блока Trackers, trackerJPDA, также принимает модель движения с постоянной скоростью и расширенный фильтр Калмана функцией инициализации фильтра по умолчанию initcvekf.
С trackerJPDAможно настроить собственную функцию инициализации фильтра и выбрать между History и Integrated отслеживать логику.
Можно выбрать свою предпочтительную подсистему, задав значение условной переменной Tracker в базовом рабочем пространстве. Следующая таблица показывает Tracker значения, соответствующие их строениям.
Можно также использовать Переменные Править и Управлять Рабочей областью, Используя Model Explorer (Simulink), чтобы изменить значение Tracker.
Отслеживайте метрики
Метрики дорожки реализованы с помощью блока MATLAB System (Simulink). Код для блока определяется классом helper, HelperTrackMetrics.
Чтобы визуализировать результаты, используйте Bird ' s-Eye Scope. Bird 's-Eye Scope является инструментом визуализации уровня модели через меню, представленное на панели инструментов модели Simulink. После открытия возможностей нажатия кнопки Find Signals, чтобы настроить сигналы. Затем запустите симуляцию, чтобы отобразить актёров, видение и радиолокационные обнаружения, дорожки и контуры дорог. На следующем изображении показаны возможности птичьего глаза для этого примера.
В Simulink можно запустить этот пример с помощью интерпретированного выполнения или генерации кода. При интерпретированном выполнении модель моделирует блок с помощью механизма выполнения MATLAB, который позволяет быстрее запускать, но больше времени выполнения. С генерацией кода модель моделирует блок, используя подмножество кода MATLAB, поддерживаемое для генерации кода, что позволяет повысить эффективность, чем интерпретированное выполнение.
После запуска модели можно визуализировать результаты на рисунках ниже.
Вышеописанный рисунок показывает результаты отслеживания с использованием синтетических радаров и данных зрения с trackerGNN. Видно, что трекер поддерживал треки по всей области слежения.
Вышеописанный рисунок показывает результаты отслеживания с использованием синтетических радаров и данных зрения с trackerJPDA. Вы можете увидеть, что трекер поддерживал дорожки по всей области отслеживания, и эффективность отслеживания лучше, чем у trackerGNN поскольку сгенерировано меньше ложных дорожек.
Оценка эффективности отслеживания
Можно использовать Track Metrics блок для оценки эффективности отслеживания каждого трекера с помощью количественных метрик. В этом примере вы просматриваете количество целевых треков, количество избыточных треков и количество ложных треков. Целевая дорожка является дорожкой, которая связана с уникальными целями. Избыточная дорожка является дорожкой, которая связана с объектом основной истины, который был связан с другой дорожкой. Ложная дорожка является дорожкой, которая не связана ни с одним из основной истины объектов. Ниже первый рисунок показывает результаты эффективности GNN-трекера, а второй рисунок показывает результаты JPDA-трекера.
Метрики назначения иллюстрируют, что одна избыточная дорожка была инициализирована и подтверждена trackerGNN тогда как trackerJPDA не создает избыточных дорожек. Избыточные дорожки были сгенерированы из-за несовершенной кластеризации, где обнаружения, принадлежащие одному целевому объекту, были кластеризованы в несколько кластеров. Кроме того, trackerGNN создал и подтвердил три ложных следа, в то время как trackerJPDA подтвердил только один ложный трек. Эти метрики показывают, что trackerJPDA обеспечивает лучшую эффективность отслеживания, чем trackerGNN.
В этом примере показов, как сгенерировать сценарий, симулировать обнаружения датчиков и использовать эти обнаружения для отслеживания движущихся транспортных средств по автомобилю , оборудованному датчиком с помощью trackerGNN и trackerJPDA блоки в Simulink. Вы также видели простоту обмена между двумя трекерами, гибкость настройки этих трекеров в соответствии с вашими собственными требованиями к отслеживанию целей и возможность оценки результатов отслеживания с помощью метрики трека.
