Multi-modal extended target tracking for autonomous vehicles

Thumbnail Image

Files

master_Peurasaari_Samuli_2018.pdf (3.35 MB)

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2018-12-17

Department

Major/Subject

Control, Robotics and Autonomous Systems

Mcode

ELEC3025

Degree programme

AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)

Language

en

Pages

48

Series

Abstract

Autonomous vehicles rely on target tracking to predict the future positions of people, vehicles and other moving objects. Accurate estimates are essential for trajectory planning, obstacle avoidance and general situational awareness. Target tracking is complicated by proximity to the objects and multiple high resolution sensors, resulting in a large number of spatially distributed measurements from each object. Recent advances in deep neural networks (DNNs) allow detection and classification of objects in images with high accuracy and at frame rates comparable to those of range sensors. This work uses a DNN detector to simplify the data association problem by using object bounding boxes to segment 3D Light Detection And Ranging (LiDAR) point cloud data. The resulting 3D detections are used for tracking with a Global Nearest Neighbor Kalman Filter (GNNKF) algorithm. The performance of the methods is evaluated with an annotated dataset of real-world data collected with an autonomous vehicle test platform. The results show good applicability of fused DNN detections and range sensor measurements for reliable detection and tracking of objects in the autonomous vehicle environment.

Autonomiset ajoneuvot tarvitsevat kohteiden seurantaa ennustaakseen ihmisten, ajoneuvojen ja muiden liikkuvien kohteiden tulevat sijainnit. Tarkat ennustusarviot ovat välttämättömiä liikeratojen suunnittelua, esteiden välttämistä ja yleistä tilannetietoisuutta varten. Kohteiden seurantaa vaikeuttavat kohteiden läheisyys ja useat korkearesoluutioiset anturit, jotka johtavat suureen määrään avaruudellisesti jakautuneita mittauksia eri kohteista. Viimeaikaiset edistysaskelet syvien neuroverkkojen (Deep Neural Networks, DNN) kanssa mahdollistavat kuvista kohteiden havaitsemisen ja luokittelun suurella tarkkuudella ja etäisyysantureita vastaavalla kuvataajuudella. Tämä työ käyttää DNN detektoria yksinkertaistamaan mittausten assosiaatiota käyttämällä kuvapohjaisia havaintoja 3D Light Detection And Ranging (LiDAR) pistepilvidatan segmentointiin. Tuloksena saatuja 3D havaintoja käytetään kohteiden seurannassa Global Nearest Neighbor Kalman Filter (GNNKF) -algoritmilla. Menetelmien suorituskykyä arvioidaan autonomisen auton testialustalla kerätyllä ja käsin annotoidulla datalla. Tulokset osoittavat yhdistettyjen DNN havaintojen ja etäisyysmittausten käyttökelpoisuuden kohteiden luotettavaan havaitsemiseen ja seurantaan autonomisten kulkuneuvojen ympäristössä.

Description

Supervisor

Kyrki, Ville

Thesis advisor

Tikkanen, Tommi

Keywords

extended target tracking, multi-sensor fusion, autonomous vehicles, deep neural networks

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-201812216762

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC