JP2014169865A - 目標トラッキング装置、目標トラッキングプログラム及び目標トラッキング方法 - Google Patents

Abstract

【課題】解像度の異なる複数の目標トラッキングフィルタを利用することで、ノイズや欠測を含む観測データから、集団目標から個別目標までの状態を階層的・相補的に推定する。
【解決手段】制御部と、前記制御部に接続される受信部と、を備える目標トラッキング装置であって、前記受信部は、通信ネットワークを介してセンサからの観測データを時々刻々と受信し、前記制御部は、前記受信部から前記観測データを受け取ると、前記観測データから目標密度分布を推定する処理と、前記観測データから集団目標状態を推定する処理と、を組み合わせて実施し、複数の目標の状態を階層的に推定する。
【選択図】図１

Description

本発明は、目標トラッキング装置、目標トラッキングプログラム及び目標トラッキング方法に係り、特に、センサによる観測データを用いて複数の移動目標を特定しその状態を推定するのに適したトラッキング装置及びトラッキング方法に関する。

重要施設および重要地域の監視、災害地域の監視及び捜索・救護支援等、センサを用いて移動目標を監視するニーズがある。

広域監視には、広範囲を監視できるレーダが有効である。レーダ１台では注目領域をカバーできないため、複数レーダを組み合わせて利用する必要がある。また、レーダによる広域監視は解像度が粗く、現場での詳細な状況が把握しづらいため、監視カメラ等と組み合わせた相補的な利用へのニーズがある。最近の画像解析技術の進歩により、カメラによって得られる動画又は静止画系列から移動目標を抽出することも可能になってきている。

特許文献１では、例えば、レーダとカメラのような異種センサを組み合わせて複数の移動目標を特定してその航跡を推定する方法が開示されている。

センサによる観測データ（ノイズや欠測を含む）から対象となるシステムの状態（例えば、移動目標の航跡等）を推定するアルゴリズムはフィルタと呼ばれる。最も基本的なフィルタアルゴリズムは線形・ガウス型のモデルを仮定するカルマンフィルタであり、目標トラッキングの問題に適用するために多くの拡張方式が提案されている。

複数の移動目標を対象にした航跡推定方法としては、ＭＨＴ（Ｍｕｌｔｉｐｌｅ Ｈｙｐｏｔｈｅｓｉｓ Ｔｒａｃｋｉｎｇ、多重仮説相関方式）と呼ばれるフィルタが広く用いられ、その派生方式も数多く提案されている。ＭＨＴは複数の目標と観測データの対応関係について複数の仮説を保持しながら、個々の目標の航跡を推定するフィルタである。

多数の目標が互いに近接している場合には、ＭＨＴにより個々の目標の航跡を精度よく推定することは困難である。そこで、ＰＨＤ（Ｐｒｏｂａｂｉｌｉｔｙ Ｈｙｐｏｔｈｅｓｉｓ Ｄｅｎｓｉｔｙ、確率仮説密度法）と呼ばれる目標の密度分布を推定するフィルタが提案されている。ＰＨＤの実装方法としては、例えば非特許文献１に示すように、粒子フィルタ（Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ）を適用する方法が開発されている。

さらに、クラッタと呼ばれるノイズや観測データの欠測が高頻度で存在するような状況に対応するため、例えば非特許文献２に示すように、グループ化した集団を拡張された一つの目標と見なして航跡を推定するフィルタ（Ｅｘｔｅｎｄｅｄ Ｏｂｊｅｃｔ ａｎｄ Ｇｒｏｕｐ Ｔｒａｃｋｉｎｇ、以下ＥＯＧＴと称す）が提案されている。ＥＯＧＴでは、対象となる目標がある程度まとまった集団の単位で行動することに着目したフィルタである。

特開２０１２−１６３４９５号公報

B. Vo, S. Singh, and A. Doucet: "Sequential Monte Carlo Methods for Multi-Target Filtering with Random Finite Sets", IEEE Transactions on Aerospace and Electronic Systems, Vol.41, No.4, 2005 J. W. Koch: "Bayesian Approach to Extended Object Cluster Tracking using Random Matrices", IEEE Transactions on Aerospace and Electronic Systems, Vol.44, No.3, 2008

上記のように解像度の異なる複数の目標トラッキングフィルタが存在し、ＭＨＴは個々の目標の航跡を、ＰＨＤは目標密度分布の変化を、ＥＯＧＴは集団全体としての航跡をそれぞれ推定するフィルタである。

ＭＨＴは目標密度が比較的低く目標がそれほど近接していない場合には有効なフィルタであるが、多数の目標が近接している場合には個々の目標の航跡を精度よく推定することが困難であり、保持する多重仮説の組合せ爆発の問題がある。一方、ＥＯＧＴは目標密度がある程度高くても有効なフィルタであるが、目標数や個々の目標の航跡を推定することはできず、また、目標がばらばらに行動する場合には有効ではない。ＰＨＤはＭＨＴとＥＯＧＴの中間的な領域で有効なフィルタであり、目標数の推定は可能であるが、個々の目標の航跡推定には使えない。解像度の異なるこれらのフィルタを相補的に利用する技術があれば、より高度な目標トラッキング技術が可能になると考えられる。

本発明は、上記のような状況を鑑みてなされたものであり、目標密度の如何に拘わらず、個々の目標の航跡を精度よく推定し高度の目標トラッキングを行うことができるトラッキング装置及びトラッキング方法を提供することを目的とする。

本発明の代表的な一例を示せば次の通りである。目標トラッキング装置は、制御部と、入出力手段と、記憶装置とを備え、前記入出力手段は、トラッキングの対象となる目標に関する時系列の観測データを受信して前記記憶装置に保持し、前記制御部は、前記時系列の観測データから、目標密度分布を推定する処理及び集団目標状態を推定する処理を組み合わせて実施し、前記トラッキングの対象となる前記目標の状態を階層的に推定して出力することを特徴とする。

本発明によれば、目標密度の如何に拘わらず、移動目標の状態を高精度に推定することが可能になる。

本発明の第一実施形態における、目標トラッキング装置の機能構成を示すブロック図である。 第一実施形態における目標トラッキング装置の制御部にて実行される、目標トラッキング処理の流れを示すフロー図である。 目標トラッキング装置の対象となるセンサによる広域監視の概要を示す図である。 目標トラッキング装置の対象となる観測手段による観測範囲及び目標の観測状況の例を示す図である。 本発明の目標トラッキング装置の入力となる、センサからの観測データ時系列の一例を示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の概念を示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の概念を示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の基本となる動的システムのモデルを示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の一実施例である粒子近似の概念を説明するための図である。 第一実施形態の制御部にて実行される、目標密度分布推定の一実施例である粒子近似（粒子フィルタ）による処理シナリオを示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の一実施例である粒子近似（粒子フィルタ）のステップkにおける処理の流れを示すフロー図である。 第一実施形態の制御部にて実行される、目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子生成の第一の例を示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子生成の第二の例を示す図である。 第一実施形態の制御部にて実行される、目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子予測と粒子生成の例を示す図である。 比較例としての、粒子近似（粒子フィルタ）の粒子予測と粒子生成の例を示す図である。 第一実施形態の制御部にて一実施例として実行される、粒子近似（粒子フィルタ）による目標密度分布推定の概念を説明するための図である。 第一実施形態の制御部にて実行される、集団目標状態推定の処理シナリオを示す図である。 第一実施形態の制御部にて実行される、集団目標状態推定のステップkにおける処理の流れを示すフロー図である。 第一実施形態の制御部にて実行される集団目標状態推定のクラスタリングの一実施例として、最短距離法に基づく処理の流れをフロー図により示す。 第一実施形態の制御部にて実行される集団目標状態推定において、集団の目標数を推定する処理の一例を説明するための図である。 第一実施形態の制御部にて実行される、集団目標状態推定の基本となる動的システムのモデルを示す図である。 第一実施形態の制御部にて実行される、集団目標状態推定の作用、効果を説明するための図である。 第一実施形態の制御部にて実行される、集団目標状態推定の作用、効果を説明するための図である。 本発明の第二の実施形態における、目標トラッキング装置の機能構成を示すブロック図である。 第二実施形態における目標トラッキング装置の制御部にて実行される、ステップ毎の目標トラッキング処理の流れを示すフロー図である。 第二実施形態の制御部にて実行される、個別目標状態推定の基本となる動的システムのモデルを示す図である。 第二実施形態の制御部にて実行される、個別目標状態推定の処理シナリオを示す図である。 第二実施形態の制御部にて実行される、個別目標状態推定のステップkにおける処理の流れを示すフロー図である。 本発明の第三の実施形態における目標トラッキング装置の機能構成を示すブロック図である。 第三実施形態における目標トラッキング装置の制御部にて実行される、ステップ毎の目標トラッキング処理の流れを示すフロー図である。 第三実施形態の制御部にて実行される目標密度分布推定の一実施例である、粒子近似（粒子フィルタ）の粒子生成の地図情報を利用する場合の一例を示す図である。

本発明の１つの実施の形態によれば、目標トラッキング装置は、制御部と、前記制御部に接続される受信部と、を備える目標トラッキング装置であって、前記受信部は、通信ネットワークを介してセンサからの観測データを時々刻々と受信し、前記制御部は、前記受信部から前記観測データを受け取ると、前記観測データから目標密度分布を推定する処理と、前記観測データから集団目標状態を推定する処理と、を組み合わせて実施し、複数の目標の状態を階層的に推定することを特徴とする。
なお、本実施形態では目標の移動軌跡を「航跡」と表現するが、本発明が対象とする目標は移動する物体である限り、例えば、車両、人又は船舶等、いかなるものであってもよい。また、本発明が対象とするセンサは、例えばレーダ、カメラ（定点監視用固定型、移動プラットフォーム搭載型、携帯型等）、音響センサ、振動センサ、カウンタ、人（目視報告、ソーシャルネットワークサービスに登録された情報等）等、目標の存在や移動を捉えるいかなるセンサであってもよい。
以下、図面を用いて本発明の実施の形態を説明する。

本発明の第一実施形態における目標トラッキング装置を、図１乃至図１９Ｂを参照しながら説明する。
図１は、第一実施形態における目標トラッキング装置の機能構成を示すブロック図である。
本実施形態の目標トラッキング装置１００は、ＰＣやサーバのような計算機上で後述するプログラムを実行することによって実現される。具体的には、目標トラッキング装置１００は、制御部１１０、受信部１２０、表示部１３０、指示部１４０を備える。目標トラッキング装置１００はさらに、記憶部として、パラメータ記憶部１５１、観測データ（Ｚ）記憶部１５２、粒子近似情報（Ｐ，Ｗ）記憶部１５３、集団目標状態（Ｇ）記憶部１５４、及び、目標情報記憶部１５５を備える。
制御部１１０は、計算機のプロセッサ及びそのプロセッサに接続されるメモリに相当する。本実施形態の制御部１１０は、センサ情報（観測データ）入力部１１１、目標密度分布推定部１１２、集団目標状態推定部１１３及び目標情報出力部１１４を含む。これらは、メモリに格納され、プロセッサによって実行されるプログラムに相当する。すなわち、制御部１１０は、ＰＣやサーバのような計算機により実現される。この計算機は、ＣＰＵ、メモリ、ストレージ（外部記憶装置）、ネットワークインタフェース等を備え、これらの各構成要素はバスを介して互いに接続される。ＣＰＵは、ストレージに格納された各種のプログラムやデータベースのデータをメモリにロードし、プログラムを実行する。ＣＰＵがプログラムを実行することによって、制御部１１０の目標トラッキング処理に必要な、センサ情報入力部１１１、目標密度分布推定部１１２、集団目標状態推定部１１３及び目標情報出力部１１４の各機能を実現できる。メモリは、ＣＰＵによって実行されるプログラム及び当該プログラムの実行に必要なデータを格納する。

受信部１２０は、通信ネットワーク１６０を介してセンサ１６１と接続され、センサ１６１からの時系列データである観測データ（Ｚ）を制御部１１０に取り込むためのインタフェース装置である。センサ１６１により時々刻々と取得される観測データの取り込みは、ステップ毎でもよいし、ストリーミングによってでもよい。

表示部１３０は、制御部１１０に接続するディスプレイ装置であり、制御部１１０にて計算された目標トラッキング処理の結果を表示するために用いる。指示部１４０は、制御部１１０に接続するマウス、キーボード等の装置であり、目標トラッキング装置を操作するオペレータによる指示を入力するために用いる。なお、表示部１３０と指示部１４０は、ユーザインタフェースとして入出力手段が一体的に構成されたものであっても良い。あるいはまた、ユーザインタフェーの一部が外部にあって、通信ネットワーク１６０を介して目標トラッキング装置１００に接続されるようにしても良い。また、観測データの目標トラッキング装置１００への入力手段は、受信部１２０に限定されるものではなく、観測データを遂次目標トラッキング装置１００へ提供できるものであればよい。

記憶部１５１乃至１５５は、制御部１１０に接続するＨＤＤ等の記憶装置に格納されるファイル又はデータベース、又はメモリに一時的に格納されるデータを示す。

図２は、第一実施形態における目標トラッキング装置の制御部１１０にて実行される目標トラッキング処理の流れを示すフロー図である。
目標トラッキング処理は、前回のステップから今回のステップまでの観測データを取り込みながら、逐次的に実施される処理である。
処理が開始されると、最初にセンサ情報入力部１１１において、センサ１６１からの観測データを入力する（ステップ１００１）。観測データは、目標の位置、速度等の情報を抽出した結果であるが、誤差や欠測、ノイズ等が含まれている。図２には明示されていないが、必要に応じて、センサ種別に応じて異なるデータ形式（例えば、座標系等）の変換、観測タイミングの同期等の調整を実施し、以降の処理で使用するデータ形式に変換してもよい。

次に、目標密度分布推定部１１２において、ステップ１００１にて入力された観測データから、粒子近似による目標密度分布を推定する（ステップ１００２）。目標密度分布推定は、複数の目標の状態を密度分布で表現することによって、変数の次元を削減したものであり、密度分布の時間変化が連続的であることから、ランダムなノイズや欠測の影響を除去することが可能になる。目標密度分布推定の具体的な実装は、例えば、ＰＨＤ等のフィルタを用いて実施してもよい。

次に、集団目標状態推定部１１３において、ステップ１００１にて入力された観測データとステップ１００２にて推定された目標密度分布から集団目標状態を推定する（ステップ１００３）。集団目標状態推定は、複数の目標がいくつかの集団からなり、集団毎にまとまって移動することを仮定しており、集団を特定して各集団の位置、速度等を推定する。集団目標状態推定の具体的な実装は、例えば、ＥＯＧＴ等のフィルタを用いて実施してもよい。

最後に、目標状態出力部１１４において、ステップ１００２にて推定された目標密度分布とステップ１００３にて推定された集団目標状態を目標情報として出力する（ステップ１００４）。出力された目標情報は目標情報記憶部１５５に格納される。また、出力された目標情報をグラフィカルに示し、表示部１３０に表示してもよい。

図３Ａ及び図３Ｂは、本発明の目標トラッキング装置の対象となるセンサによる広域監視の概要を示す図である。

図３Ａは、観測対象の例を示す。１は目標（車両等）、２は道路、３は植生、４は建造物をそれぞれ表す。目標１が車両の場合、道路上を走行する可能性が高いと仮定される。この場合、植生３及び建造物４は観測手段であるセンサの遮蔽物になる。また、図には明示されていないが、地形等もセンサの遮蔽物になる。

図３Ｂは、観測手段による観測範囲及び目標１の観測状況の例を示す。観測手段としての１６１はセンサ、５はセンサ１６１による観測範囲、６はセンサ１６１による観測データをそれぞれ表す。センサ１６１による観測データは移動目標を抽出するように設計されているが、植生等の影響でクラッタと呼ばれるノイズが発生するため、観測データには移動目標の観測データ（６Ｔ）以外のノイズの観測データ（６Ｎ）が含まれる。なお、この段階では観測データが移動目標かノイズかの区別はできていないが、ここでは説明の便宜上、（６Ｔ）、（６Ｎ）と区別して表示する。（図４も同じ）。また、センサ遮蔽物によるオクルージョンで移動目標が観測できなくなるため、観測データには移動目標の欠測が含まれる。

図４は、本発明の目標トラッキング装置の入力となるセンサからの観測データ時系列の一例を示す図である。
図４は、図３の観測対象及び観測状況で、３つの目標が道路上を連続的に（移動している様子をセンサ１６１により観測した結果である。図４では、（ａ）、（ｂ）、（ｃ）、（ｄ）の順に時間（Ｋ−２，Ｋ−１，Ｋ，Ｋ＋１，Ｋ＋２）が推移している。観測データ６には、移動目標の観測データ（６Ｔ）の欠測や誤差が含まれ、また、クラッタと呼ばれるランダムなノイズ（６Ｎ）が含まれる。例えば、時刻（Ｋ−２）において、１台目及び２台目の移動目標（Ｔ１，Ｔ２）に対応する観測データ（６）は存在するが、３台目の移動目標（Ｔ３）はまだ観測範囲外なのでこれに対応する観測データ（６）は存在しない。一方、植生等により発生する光反射等に伴うノイズ（６）の位置は多くの場合、時系列的に異なった位置に発生する。

次に、制御部１１０の目標密度分布推定部１１２における目標密度分布推定の処理について説明する。
図５Ａ、図５Ｂは、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の概念を示す図である。
図５Ａ、図５Ｂは、説明の分かりやすさのために座標を１次元的に表示している。図５Ａでは、単一目標に対応する例を（ａ）及び（ｂ）に、図５Ｂでは、複数目標に対応する例を（ａ）及び（ｂ）にそれぞれ示している。図５Ａにおいて、（ａ）の各×印は単一目標（Ｔ）の場合の観測データ６（Ｔ）の例、（ｂ）は（ａ）に対する目標密度分布７の推定例をそれぞれ示す。また、図５Ｂにおいて、（ａ）の各×印は複数目標（Ｔ−１，Ｔ−２）の場合の観測データ６（Ｔ−１，Ｔ−２）の例を、（ｂ）は（ａ）に対応する目標密度分布７の推定例をそれぞれ示す。単一目標の場合の目標密度分布の推定は、確率密度分布（Ｐｒｏｂａｂｉｌｉｔｙ Ｄｅｎｓｉｔｙ Ｆｕｎｃｔｉｏｎ、ＰＤＦ）の推定と一致する。さらに、線形・ガウス型のモデルを仮定した場合のアルゴリズムは、カルマンフィルタと同等である。

図６は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の基本となる動的システムのモデルを示す図である。
８はシステムの真の状態の集合を表す。時刻ｋの目標数をＭ（ｋ）とすると、Ｍ（ｋ）個の要素からなる。個々の目標の状態変数は、例えば、個々の目標の位置及び速度等をもつ。システムの真の状態を示す状態変数は、すべてを直接観測できるとは限らない。

６はセンサ１６１による観測データの集合を表す。時刻ｋの観測データ数をＮ（ｋ）とすると、Ｎ（ｋ）個の要素からなる。個々の観測データは、例えば、個々の目標の位置等を観測したものである。個々の目標と観測データの対応付けはできていない。また、クラッタと呼ばれるノイズ及び観測データの欠測、誤差等が含まれている。

７は目標密度分布を表す。目標の数が多い場合に、個々の目標の位置及び速度等を直接することは困難である。そこで、個々の目標を確率密度分布として捉え、目標密度分布を推定する方法が有効である。目標密度分布は、例えば、グリッド毎の密度によって表現してもよい。また、後述する粒子近似によって表現してもよい。
９は密度分布を近似する粒子の集合を表す。時刻ｋの粒子数をｎ（ｋ）とすると、ｎ（ｋ）個の要素からなる。個々の粒子は、例えば、位置と速度等をもつ。粒子近似の具体的な実現方法については後述する。
８ａはシステムの状態の時間的な遷移、６ａはセンサによる観測、７ａはシステムの状態の目標密度分布による近似、９ａは目標密度分布の粒子による近似をそれぞれ表す。

図７は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似の概念を説明するための図である。
図７の（ａ）は、システムの状態６とセンサによる観測データ８の例を示す。システムの真の状態６は目標の位置及び速度等を含むが、図７の（ａ）では簡単のため、目標の位置のみを示している。

図７の（ｂ）は、図７の（ａ）に対応する目標密度分布７による表現例を示す。図７の（ｂ）において目標密度分布７は濃淡色によって表現し、色が濃いほど密度が高いことを表してもよい。

図７の（ｃ）は、目標密度分布７の粒子９による近似例を示す。粒子近似は、システムの真の状態を示す状態変数を確率変数とみなし、個々の目標を確率変数の実現値をもつ多数の粒子で近似する方法である。目標密度分布は、多数の目標に対応する粒子９の集合によって表現され、近似的に計算することが可能である。

図８は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似（粒子フィルタ）による処理シナリオを示す図である。

ステップｋは、時刻ｋにおける観測データの取り込みから目標密度分布計算までの処理ステップを表す。

ステップｋにおいて、最初に、時刻ｋの観測データを取り込む（ステップ２１）。観測データは、センサ１６１によって取得され、通信ネットワーク１６０、受信部１２０を介して制御部１１０に入力されたデータである。センサ情報入力部１１１にてステップ１００１で説明したデータ形式（例えば、座標系等）の変換、観測タイミングの同期等の調整を必要に応じて実施しているものとする。

次に、時刻ｋの観測データ（Ｚ_ｋ）を用い、近傍のみの新粒子とその重みを生成する（ステップ２２）。これらの情報は、粒子近似情報（Ｐ，Ｗ）として、粒子近似情報記憶部１５３に保持される。各粒子は位置と速度を持つ。観測データの範囲からかけ離れた位置に粒子を生成しても意味がないので、観測データを用いて近傍のみの粒子を生成する範囲を決定する。具体的な粒子生成の方法については後述する。

次に、時刻ｋ−１の粒子（Ｐ_ｋ−１）及び重み（Ｗ_ｋ−１）を用い、時刻ｋでの粒子とその重みを予測する（ステップ２３）。各粒子は位置と速度等を持っているので、時刻ｋ−１における位置と速度等から時刻ｋにおける位置と速度等を予測する。なお、ステップ２２とステップ２３の処理の順番はどちらが先でも構わない。また、最初のステップ（ｋ＝１）では、ステップ２３の粒子とその重みの予測処理は行われない。

次に、時刻ｋの観測データを用いて、時刻ｋにおける予測粒子及び新粒子の尤度を計算し、予測粒子及び新粒子の重みを再計算する（ステップ２４）。
次に、予測粒子及び新粒子の重みに基づいて、予測粒子及び新粒子をリサンプリングし、時刻ｋにおける粒子とその重みを更新する（ステップ２５）。このようにして、各時刻ｋにおける粒子（Ｐ_ｋ）及び重み（Ｗ_ｋ）のデータが粒子近似情報（Ｐ，Ｗ）として、粒子近似情報記憶部１５３に保持される。
なお、必要に応じて、リサンプリング結果の粒子とその重みに基づき、目標の密度分布（Ｄ_ｋ）を計算する（ステップ２６）。この目標の密度分布（Ｄ_ｋ）は、以降の処理においては不要である。処理の途中経過を観察する等、特に必要のある場合にのみ、ステップ２６を実施すればよい。

図９は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似（粒子フィルタ）のステップkにおける処理の流れを示すフロー図である。
ステップｋにおける処理が開始されると、最初に、時刻ｋ＞０か否かに応じて処理が分岐する（ステップ２０）。時刻ｋ＝０は処理を開始した観測時刻を表す。時刻ｋ＞０のとき（すなわち、Ｙｅｓのとき）には、前のステップの結果が存在するので、ステップ２３の予測ステップを実施する。時刻ｋ＝０のとき（すなわち、Ｎｏのとき）には前のステップの結果が存在しないので、ステップ２３の予測ステップを飛ばし、ステップ２１に進む。

ステップ２１からステップ２６までの処理の内容は、図８で説明した通りである。ステップ２２とステップ２３の処理の順番はどちらが先でも構わないので、ステップ２１とステップ２２をステップ２０の前で実施してもよい。なお、ステップ２６は、図８で説明した通り、特に必要のある場合にのみ、実施すればよい。

図１０は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子生成の第一の例を示す図である。

図１０の（ａ）は、時刻ｋにおける観測データの例を示す。６は観測データ（座標ｘ，ｙ）、１３は観測データの範囲を示す矩形である。観測データの範囲からかけ離れた位置に粒子を生成しても意味がないので、観測データを用いて（近傍の）粒子を生成する範囲を決定する。１５は粒子の生成範囲を示す矩形であり、観測データ１３に対して一定のマージン１４を付けたものである。

図１０の（ｂ）は、時刻ｋにおける粒子の位置の生成例を示す。△印で示した１１は新粒子の位置（ｘ，ｙ）を表す。図１０の（ｂ）では、粒子の生成範囲１５に対して等間隔に新粒子１１を生成する場合を示した。

図１０の（ｃ）は、速度（Ｖｘ，Ｖｙ）の生成例を示す。新粒子の速度は、例えば、速度０を中心とした正規分布に従うと仮定し、乱数により速度を生成している。図１０の（ｂ）に示したそれぞれの新粒子の位置（ｘ，ｙ）に速度（Ｖｘ，Ｖｙ）の異なる複数の粒子を割り当てるものとする。
ここで、粒子の生成範囲のマージン、粒子を生成する間隔、１点に割り当てる粒子数等は固定パラメータ又は学習パラメータとしてもよい。また、これらのパラメータの初期値は、パラメータ記憶部に格納してもよい。

図１１は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子生成の第二の例を示す図である。

図１１の（ａ）は、図１０の（ａ）と同様の観測データの例を示す。
図１１の（ｂ）は、粒子の位置の生成例を示す。１１は新粒子の位置を表す。図１０の（ｂ）では、矩形で指定された範囲に一様に生成するため、観測データから離れた位置にも粒子が生成されていた。そこで、図１１の（ｂ）では一例として、観測データ６からの距離が閾値以下の範囲（例えば半径ｒの円内）に存在する新粒子１１のみを選択する場合を示した。

図１１の（ｃ）は、図１０の（ｃ）と同様の速度の生成例を示す。
ここで、観測データからの距離の閾値は他のパラメータと同様に、固定パラメータ又は学習パラメータとしてもよい。また、これらのパラメータの初期値は、パラメータ記憶部１５１に格納してもよい。

図１２Ａは、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子予測と粒子生成の例を示す図である。また、図１２Ｂは、比較例としての、粒子近似（粒子フィルタ）の粒子予測と粒子生成の例を示す図である。

図１２Ａにおいて、１０は粒子予測（ステップ２３）の結果、１１は粒子生成（ステップ２２）の結果に対応する粒子である。図１２Ａは、図１１に対応する粒子生成の結果に対応する。一方、比較例として示した図１２Ｂは、図１０に対応するものである。本発明では、粒子生成の結果、前のステップから予測される位置には目標が観測される可能性が高いため多数の粒子を割り当て、それ以外の位置で新たに観測される可能性を考慮するため少数の粒子を割り当てる、といった戦略をとっている。一方、図１２Ｂの比較例では、多くの多数が、矩形で指定された範囲の全体に分散して存在している。

図１３は、本発明の目標トラッキング装置の制御部にて一実施例として実行される粒子近似（粒子フィルタ）による目標密度分布推定の概念を説明するための図である。

図１３において、（ａ）はある時刻ｋにおける観測データの例、（ｂ）は（ａ）に対応する粒子の推定結果の例、（ｃ）は（ｂ）に対応する目標密度分布推定の例をそれぞれ示す。時間的に連続して観測データが得られる移動目標には多少の欠測があっても多くの粒子が対応付けられる。一方、ランダムに発生するクラッタに対応する粒子はリサンプリングによって減少するため、ノイズに強い推定方法となっている。なお、（ｃ）は図８のステップ２６の処理結果であり、前に説明した通り、特に必要のある場合にのみ実施される。

次に、制御部１１０の集団目標状態推定部１１３における集団目標状態推定の処理について説明する。
図１４は、本発明の目標トラッキング装置の制御部にて実行される集団目標状態推定の処理シナリオを示す図である。
ステップｋは、時刻ｋにおける観測データの取り込みから集団目標の状態更新までの処理ステップを表す。
ステップｋにおいて、最初に、時刻ｋの観測データを取り込む（ステップ３１）。観測データは、センサ１６１によって取得され、通信ネットワーク１６０、受信部１２０を介して制御部１１０に入力されたデータである。センサ情報入力部１１１にてステップ１００１で説明したデータ形式（例えば、座標系等）の変換、観測タイミングの同期等の調整を必要に応じて実施してもよい。

次に、時刻ｋの目標密度分布推定の結果である粒子とその重みを入力する（ステップ３２）。なお、ステップ３１とステップ３２の処理の順番はどちらが先であっても構わない。

次に、必要に応じて、ステップ３２にて入力した時刻ｋの粒子とその重みを用い、ステップ３１にて入力した時刻ｋの観測データからノイズを除去する（ステップ３３）。図１２Ａに示したように、目標密度分布の高い場合には目標に対応する観測データ、目標密度分布の低い場合にはノイズに対応する観測データと考えられる。そこで、粒子とその重みを用いて観測データを評価し、評価値の低い観測データはノイズとして除去することが可能である。

次に、ステップ３３にてノイズ除去した観測データを、クラスタリングによってグループ化する（ステップ３４）。クラスタリングでは、観測データの位置と速度等が近いものが同じ集団となるようにグループ化する。具体的なクラスタリングのアルゴリズムについては後述する。

次に、時刻ｋ−１の集団目標状態を用い、時刻ｋでの集団目標状態を予測する（ステップ３５）。集団目標状態は位置と速度等を持っているので、時刻ｋ−１における位置と速度等から時刻ｋにおける位置と速度などを予測する。なお、ステップ３４とステップ３５の処理の順番はどちらが先でも構わない。

次に、ステップ３４にてクラスタリングによってグループ化した観測データと、ステップ３５にて予測した集団目標状態とのデータ相関により対応関係を生成する（ステップ３６）。集団は、分裂や統合等により再構成されることがある。データ相関により、集団の分裂や統合等のイベントを検出することも可能である。

最後に、ステップ３６にて対応付けを行った観測データを用い、予測した集団目標状態を更新する（ステップ３７）。

図１５は、本発明の目標トラッキング装置の制御部にて実行される集団目標状態推定のステップkにおける処理の流れを示すフロー図である。
ステップｋにおける処理が開始されると、ステップ３１からステップ３４までの処理が実施される。ステップ３１からステップ３４までの処理の内容は、図１４で説明した通りである。ステップ３３では、時間的に不連続なノイズを除去する。ステップ３１とステップ３２の処理の順番はどちらが先でも構わない。

次に、時刻ｋ＞０か否かに応じて処理が分岐する（ステップ３０）。時刻ｋ＝０は処理を開始した観測時刻を表す。時刻ｋ＞０のとき（すなわち、Ｙｅｓのとき）には、前のステップの結果が存在するので、ステップ３５とステップ３６を実施する。時刻ｋ＝０のとき（すなわち、Ｎｏのとき）には前のステップの結果が存在しないので、ステップ３５とステップ３６を飛ばし、ステップ３７に進む。
ステップ３５からステップ３７までの処理の内容は、図１４で説明した通りである。また、ステップ３４とステップ３５の処理の順番はどちらが先でも構わない。

図１６は、本発明の目標トラッキング装置の制御部にて実行される集団目標状態推定のクラスタリングの一実施例として最短距離法に基づく処理の流れをフロー図により示す。

クラスタリングの処理が開始されると、最初に、ステップ３３にてノイズを除去した時刻ｋの観測データを入力し（ステップ３４１）、観測データを一つずつのクラスタとして初期化する（ステップ３４２）。
次に、クラスタ間の距離を計算する（ステップ３４３）。クラスタ間の観測データのすべての組み合わせについて、最短距離をクラスタ間の距離とする。

次に、クラスタ間の距離が最短となる最近接ペアを選択し（ステップ３４４）、その距離が閾値より小さいか否かによって分岐する（ステップ３４５）。

閾値より小さいとき（すなわち、Ｙｅｓのとき）には、最近接ペアのクラスタを併合し（ステップ３４６）、ステップ３４３に戻る。閾値以上のとき（すなわち、Ｎｏのとき）には、クラスタを出力し（ステップ３４７）、クラスタリングの処理は終了となる。

ここで、クラスタリングの距離の閾値は固定パラメータ又は学習パラメータとしてもよい。また、これらのパラメータの初期値は、パラメータ記憶部に格納するようにしてもよい。

目標が車両の場合、目標同士の距離（すなわち、車両間隔）は速度に依存して異なり、速度が大きいほど車両間隔は大きくなると考えられる。そこで、クラスタリングの距離の閾値は集団目標の速度に依存して変更してもよい。距離の閾値と速度の依存関係は、例えば、関数またはテーブル等で指定してもよい。

さらに、オペレータの指示によりパラメータを学習できるようにしてもよい。例えば、表示部１３０にある時刻の観測データを表示し、その画面上で、指示部１４０を介してオペレータにどの観測データが同じグループに属するかを指示させ、クラスタリングの距離の閾値を学習するようにしてもよい。

図１７は、本発明の目標トラッキング装置の制御部にて実行される集団目標状態推定において集団の目標数を推定する処理の一例を説明するための図である。
図１７の（ａ）は、センサにより観測データ８の例を示す。図１７の（ｂ）は、図１７（ａ）の観測データ８と、それをグループ化して「楕円近似」した集団目標状態１２、図１７の（ｃ）は、図１７（ａ）の観測データ８を「粒子近似」した粒子９をそれぞれ示す。さらに、図１７の（ｄ）は、図１７（ｃ）の粒子９と、図１７（ｂ）の楕円１２を重畳した図である。

図１８は、本発明の目標トラッキング装置の制御部にて実行される集団目標状態推定の基本となる動的システムのモデルを示す図である。
８はシステムの真の状態を表し、例えば、個々の目標の位置及び速度等が状態変数となる。システムの真の状態を示す状態変数は、すべてを直接観測できるとは限らない。

６はセンサ１６１による観測データを表し、目標の位置等が得られるが、個々の目標と観測データの対応付けはできていない。また、クラッタと呼ばれるノイズ及び観測データの欠測、誤差等が含まれている。

１２は集団目標状態を表す。目標の数が多い場合に、個々の目標の位置及び速度等を直接推定することは困難である。そこで、位置が近接して移動傾向が近い目標をグループ化した集団を拡張された一つの目標とみなして、その状態を推定する方法が有効である。集団目標の状態は、目標数、代表点（例えば、重心等）の位置と速度、集団の形状（例えば、楕円で近似する等）等で表す。
８ａはシステムの状態の時間的な遷移、６ａはセンサによる観測、１２ａはシステムの状態の集団目標状態による近似をそれぞれ表す。

図１９Ａ、図１９Ｂは、本発明の目標トラッキング装置の制御部にて実行された集団目標状態推定の作用、効果を説明するための図である。ここでは、説明の分かりやすさのために座標を１次元的に表示している。

図１９Ａの（ａ）及び（ｂ）では、単一集団に対応する例を、図１９Ｂの（ａ）及び（ｂ）では複数集団に対応する例を、それぞれ示している。すなわち、図１９Ａにおいて、（ａ）は単一集団の場合の観測データと目標密度分布推定の結果を、（ｂ）は（ａ）に対応する集団目標状態推定の結果をそれぞれ示す。（ａ）には目標から離れたノイズ（破線の丸印内）が存在しているが、集団目標状態推定の結果、（ｂ）では、時間的に不連続なノイズを除去してクラスタリングや集団予測を行うため、集団目標状態の集合（−，Ｇ_ｋ，Ｇ_ｋ＋１，−）が特定の１本の軌跡に沿って時系列的に移行している、換言すると、（ｂ）では、目標が単一集団であると明確に推定できる状態になっている。

また、図１９Ｂにおいて、（ａ）は複数集団の場合の観測データと目標密度分布推定の結果を、（ｂ）は（ａ）に対応する集団目標状態推定の結果をそれぞれ示す。この場合も、（ａ）には目標から離れたノイズ（破線の丸印内）が存在しているが、集団目標状態推定の結果、（ｂ）では、時間的に不連続なノイズを除去してクラスタリングや集団予測を行うため、２つの集団目標状態の集合（−，Ｇ１_ｋ，Ｇ１_ｋ＋１，−）、（−，Ｇ２_ｋ，Ｇ２_ｋ＋１，−）が特定の２本の軌跡に沿って時系列的に移行している、換言すると、（ｂ）では、目標が２つの集団であると明確に推定できる状態になっている。本発明の実施例によれば、目標密度が３つ以上に増しても、同様に処理できる。

以上述べたように、本発明の実施例による目標密度分布推定は、観測データの近傍のみの粒子生成を行う粒子近似を採用することで、ランダムに発生するクラッタ等のノイズに強い推定方法となっている。一方、本発明の実施例による集団目標状態推定は、時間的に不連続なノイズを除去してクラスタリングを行うため、集団内の観測データに多少の欠測があっても有効であり、また、集団としての移動を予測することで、集団の時間的な対応付けも可能となる。したがって、目標密度分布推定と集団目標状態推定の特徴を生かし、これらを相補的に用いることで、目標密度の如何に拘わらず、高度な目標トラッキングが可能となる。

本発明の第二の実施形態における目標トラッキング装置を、図２０乃至図２４を参照しながら説明する。
図２０は、本発明の第二の実施形態における目標トラッキング装置の機能構成を示すブロック図である。
第二の実施形態における目標トラッキング装置は、第一の実施形態における目標トラッキング装置の機能構成に加え、制御部１１０に、個別目標状態推定部１１３ａを備える。その他の構成は、第一の実施形態と同じなので、説明を省略する。

図２１は、本発明の第二実施形態における目標トラッキング装置の制御部にて実行されるステップ毎の目標トラッキング処理の流れを示すフロー図である。
目標トラッキング処理が開始された後の、ステップ１００１からステップ１００３までの処理は図２で説明した通りである。

次に、個別目標状態推定部１１３ａにおいて、ステップ１００１にて入力された観測データと、ステップ１００２にて推定された目標密度分布と、ステップ１００３にて推定された集団目標状態とから、個別目標状態を推定する（ステップ１００３ａ）。個別目標状態の具体的な実装は、例えば、ＭＨＴ等のフィルタを用いて実装してもよい。目標密度分布は集団目標状態推定で用いたときと同様に、例えば、観測データからノイズを除去するために用いる。また、集団目標状態は例えば、ＭＨＴの多重仮説の組み合わせ数を減少させるために用いることができる。
最後に、目標情報を出力するステップ１００４の処理は図２で説明した通りである。

図２２は、本発明の目標トラッキング装置の制御部にて実行される個別目標状態推定の基本となる動的システムのモデルを示す図である。
８はシステムの真の状態を表し、例えば、個々の目標の位置及び速度等が状態変数となる。システムの真の状態を示す状態変数は、すべてを直接観測できるとは限らない。
６はセンサ１６１による観測データを表し、目標の位置等が得られるが、個々の目標と観測データの対応付けはできていない。また、クラッタと呼ばれるノイズ及び観測データの欠測、誤差等が含まれている。

１６は個別目標状態を表す。目標の数が多い場合に、個々の目標の位置及び速度等を直接することは困難であるが、集団目標状態推定処理と個別目標状態推定処理とを組み合わせることで、推定性能を向上させることが可能である。そこで、個別目標状態は、個々の目標の位置及び速度等に加え、個々の目標がどの集団に属するかという集団ＩＤを隠れ変数として追加する。
８ａはシステムの状態の時間的な遷移、６ａはセンサによる観測、１６ａはシステムの状態の個別目標状態による近似をそれぞれ表す。

図２３は、本発明の目標トラッキング装置の制御部にて実行される個別目標状態推定の処理シナリオを示す図である。
ステップｋは、時刻ｋにおける観測データの取り込みから個別目標の状態更新までの処理ステップを表す。
ステップｋにおいて、最初に、時刻ｋの観測データを取り込む（ステップ４１）。観測データは、センサ１６１によって取得され、通信ネットワーク１６０、受信部１２０を介して制御部１１０に入力されたデータである。センサ情報入力部１１１にてステップ１００１で説明したデータ形式（例えば、座標系等）の変換、観測タイミングの同期等の調整を必要に応じて実施してもよい。また、ステップ３３で説明したノイズ除去を実施してもよい。

次に、時刻ｋの集団目標状態推定の結果である集団目標状態を入力する（ステップ４２）。なお、ステップ４１とステップ４２の処理の順番はどちらが先であっても構わない。
次に、ステップ４２にて入力した時刻ｋの集団目標状態と、ステップ４１にて入力した時刻ｋの観測データとの対応付けを行い、観測データに集団ＩＤを付与する（ステップ４３）。必要に応じて、集団目標と対応付けのできなかった観測データをノイズとして除去してもよい。

次に、時刻ｋ−１の個別目標状態を用い、時刻ｋでの個別目標状態を予測する（ステップ４５）。個別目標状態は位置と速度等を持っているので、時刻ｋ−１における位置と速度等から時刻ｋにおける位置と速度などを予測する。なお、ステップ４３とステップ４４の処理の順番はどちらが先でも構わない。

次に、ステップ４３にて集団ＩＤを付与した観測データと、ステップ４４にて予測した個別目標状態とのデータ相関により対応関係を生成する（ステップ４５）。

最後に、ステップ４５にて対応付けを行った観測データを用い、予測した個別目標状態を更新する（ステップ４６）。

図２４は、本発明の目標トラッキング装置の制御部にて実行される個別目標状態推定のステップkにおける処理の流れを示すフロー図である。
ステップｋにおける処理が開始されると、ステップ４１からステップ４３までの処理が実施される。ステップ４１からステップ４３までの処理の内容は、図２３で説明した通りである。ステップ４１とステップ４２の処理の順番はどちらが先でも構わない。
次に、時刻ｋ＞０か否かに応じて処理が分岐する（ステップ４０）。時刻ｋ＝０は処理を開始した観測時刻を表す。時刻ｋ＞０のとき（すなわち、Ｙｅｓのとき）には、前のステップの結果が存在するので、ステップ４４とステップ４５を実施する。時刻ｋ＝０のとき（すなわち、Ｎｏのとき）には前のステップの結果が存在しないので、ステップ４４とステップ４５を飛ばし、ステップ４６に進む。
ステップ４４からステップ４６までの処理の内容は、図２３で説明した通りである。また、ステップ４３とステップ４４の処理の順番はどちらが先でも構わない。

本実施例の個別目標状態推定部１１３ａによる個別目標状態推定はＭＨＴを基本アルゴリズムとし、その入力に集団目標状態（Ｇ）の情報を利用することで改良したアルゴリズムである。従来のＭＨＴは個別目標状態の集合（航跡集合）を仮説とし、複数の仮説（航跡集合の集合）を保持しながら処理を進めていく方式である。ＭＨＴのデータ相関では、個別目標状態（航跡）と観測データの組合せについて複数の可能性を考慮するため、時間経過に伴って組合せ爆発を起こし、仮説の数が膨大になるという問題があった。

本発明の個別目標状態推定は、従来のＭＨＴにおける個別目標の航跡だけでなく、個別目標がどの集団に属するかを推定する。図２３、図２４の各ステップ４３により、集団目標状態（Ｇ）と観測データ（Ｚ）が対応付けられ、観測データに集団ＩＤが付与されるので、図２３、図２４の各ステップ４５のデータ相関を行う際に、集団ＩＤを制約として、個別目標状態と観測データの組合せ数を削減することが可能である。本実施例により、従来のＭＨＴの仮説数を削減するという効果が得られる。

すなわち、本実施例の目標トラッキング装置は、解像度の異なる複数の目標トラッキングフィルタを組み合わせ、集団目標から個別目標までの状態を階層的・相補的に推定することで、複数の移動目標の状態を高精度に推定することが可能になる。また、各層が保持しなければならない曖昧性（例えばＭＨＴの多重仮説等）が減少するため、データ管理が容易になるというメリットも得られる。

本発明の第三の実施形態における目標トラッキング装置を、図２５乃至図２７を参照しながら説明する。
図２５は、第三の実施形態における目標トラッキング装置の機能構成を示すブロック図である。
第三の実施形態では、第二の実施形態における目標トラッキング装置の機能構成に加え、制御部１１０に、センサ情報評価部１１２ａを備える。さらに、地図情報記憶部１５１ａを備える。
地図情報記憶部１５１ａに格納されている地図情報は、衛星画像のようなラスタ形式であってもよいし、道路地図のようなベクタ形式であってもよい。

図２６は、本発明の第三実施形態における目標トラッキング装置の制御部にて実行されるステップ毎の目標トラッキング処理の流れを示すフロー図である。
目標トラッキング処理が開始された後の、制御部１１０におけるステップ１００１の処理は図２で説明した通りである。
次に、センサ情報評価部１１１ａにおいて、地図情報記憶部１５１ａに格納された地図情報を用い、ステップ１００１にて入力された観測データを評価し、目標と関係しない観測データをノイズとして除去する（ステップ１００１ａ）。ステップ１００１ａに続く、この後のステップ１００２からステップ１００４までの処理は、図２で説明した通りである。

図２７は、本発明の目標トラッキング装置の制御部にて実行される目標密度分布推定の一実施例である粒子近似（粒子フィルタ）の粒子生成の地図情報を利用する場合の一例を示す図である。
目標が車両の場合、車両は道路上を走行している可能性が高いと仮定することができる。そこで、地図情報を活用して粒子を生成する範囲と粒子の速度を決定する方法を示す。

図２７の（ａ）は位置の生成例を示す。１７は道路の境界線、１８は道路の中心線を示す。１１は新粒子の位置（ｘ，ｙ）を表す。図２７の（ａ）では、道路の中心線１８上に等間隔に新粒子１１を生成する場合を示した。

図２７の（ｂ）は速度（Ｖｘ，Ｖｙ）の生成例を示す。目標が道路上を走行している場合、速度は道路の向きに沿っていると考えられる。図２７の（ｂ）では、道路に平行な成分（Ｖｘ）の方が、道路に垂直な成分（Ｖｙ）より速度のばらつきが大きいと仮定し（Ｖｘ≫Ｖｙ）、正規分布に従う乱数として新粒子の速度を生成している。図２７の（ａ）に示したそれぞれの位置に速度の異なる複数の粒子を割り当てるものとする。
ここで、粒子を生成する間隔、１点に割り当てる粒子数等は固定パラメータ又は学習パラメータとしてもよい。また、これらのパラメータの初期値は、パラメータ記憶部に格納してもよい。

図２７では、道路の中心線１８上に粒子を生成する例を示したが、道路の中心線上だけでなく、もう少し細かく粒子を生成してもよい。例えば、道路を上り下りに分けて、二条線上に粒子を生成する方法が考えられる。この場合、速度の分布は上り下りで異なるように設定してもよい。

本実施例の目標トラッキング装置は、解像度の異なる複数の目標トラッキングフィルタを組み合わせ、集団目標から個別目標までの状態を階層的・相補的に推定することで、複数の移動目標の状態を高精度に推定することが可能になる。また、各層が保持しなければならない曖昧性が減少するため、データ管理が容易になるというメリットも得られる。さらに、地図情報を利用することで、粒子近似（粒子フィルタ）の粒子生成の精度が向上し、ひいては、目標密度の如何に拘わらず、移動目標の状態をより高精度に推定することが可能になる。

１ 目標（車両等）
２ 道路
３，４ センサ遮蔽物（植生、建物等）
５ センサ観測範囲
６ 観測データ
７ 目標密度分布
８ 真の状態
９ 粒子
１０ 予測結果の粒子
１１ 新規生成の粒子
１２ 集団目標状態
６ａ センサによる観測
７ａ 目標密度分布による近似
８ａ システムの時間遷移
１２ａ 集団目標状態による近似
１３ 観測データの範囲
１４ マージン
１５ 粒子の生成範囲
１６ 個別目標状態
１７ 道路の境界線
１８ 道路の中心線
１００ 目標トラッキング装置
１１０ 制御部
１１１ センサ情報入力部
１１１ａ センサ情報評価部
１１２ 目標密度分布推定部
１１３ 集団目標状態推定部
１１３ａ 個別目標状態推定部
１１４ 目標情報出力部
１２０ 受信部
１３０ 表示部
１４０ 指示部
１５１ パラメータ記憶部
１５１ａ 地図情報記憶部
１５２ 観測データ（Ｚ）記憶部
１５３ 粒子近似情報（Ｐ，Ｗ）記憶部
１５４ 集団目標状態（Ｇ）記憶部
１５５ 目標情報記憶部
１６０ 通信ネットワーク
１６１ センサ。

Claims (15)

1. 制御部と、入出力手段と、記憶装置とを備え、
   前記入出力手段は、トラッキングの対象となる目標に関する時系列の観測データを受信して前記記憶装置に保持し、
   前記制御部は、
   前記時系列の観測データから、目標密度分布を推定する処理及び集団目標状態を推定する処理を組み合わせて実施し、前記トラッキングの対象となる前記目標の状態を階層的に推定して出力する
   ことを特徴とする目標トラッキング装置。
2. 請求項１において、
   前記制御部は、
   前記観測データの入力を受付けるセンサ情報入力部、
   前記観測データから、前記目標密度分布を推定する目標密度分布推定部、
   前記観測データと前記目標密度分布とから、集団を特定して該各集団の位置、速度等を推定することにより前記集団目標状態を推定する集団目標状態推定部、及び、
   前記目標の状態を階層的に推定した結果を目標情報として出力し、前記記憶装置に保持する目標情報出力部を備える
   ことを特徴とする目標トラッキング装置。
3. 請求項２において、
   前記目標密度分布推定部は、
   各時刻の前記観測データに対して、近傍のみの新粒子とその重みを粒子近似の情報として生成し、
   該粒子近似の情報と前記観測データに基づいて前記目標密度分布推定の処理を行う
   ことを特徴とする目標トラッキング装置。
4. 請求項３において、
   前記目標密度分布推定部は、
   前記各観測データからの距離が各々所定の閾値以下の範囲に存在する前記新粒子のみを選択して前記粒子近似の情報を生成する
   ことを特徴とする目標トラッキング装置。
5. 請求項２において、
   前記集団目標状態推定部は、
   前記目標密度分布推定の結果を用い、前記目標密度分布が高い場合には前記目標に対応する観測データ、前記目標密度分布が低い場合にはノイズに対応する観測データとして、前記観測データを評価し、該評価値の低い前記観測データをノイズとして除去し、
   前記ノイズを除去した前記観測データを、クラスタリングによって位置と速度等が近いものが同じ集団となるようにグループ化し、
   時刻ｋ−１の前記集団目標状態を用い、時刻ｋでの前記集団目標状態を予測し、
   前記クラスタリングによってグループ化した前記観測データと、前記予測した前記集団目標状態とのデータ相関により対応関係を生成する
   ことを特徴とする目標トラッキング装置。
6. 請求項１において、
   前記入出力手段は、前記制御部に接続される受信部を備え、
   前記受信部は、通信ネットワークを介してセンサからの前記観測データを時々刻々と受信する
   ことを特徴とする目標トラッキング装置。
7. 請求項２において、
   前記制御部は、個別目標状態推定部を備え、
   該個別目標状態推定部において、前記観測データと、前記推定された目標密度分布と、前記推定された集団目標状態とから、個別目標状態を推定し、
   前記目標状態出力部において、前記推定された目標密度分布と前記推定された前記集団目標状態を前記目標情報として出力する
   ことを特徴とする目標トラッキング装置。
8. 請求項２において、
   前記目標トラッキング装置は、地図情報を格納した地図情報記憶部を備え、
   前記制御部は、センサ情報評価部を備え、
   前記センサ情報評価部において、前記地図情報を用い、前記入力された前記観測データを評価し、前記目標と関係しない前記観測データをノイズとして除去する
   ことを特徴とする目標トラッキング装置。
9. 請求項２において、
   前記入出力手段は、出力された前記目標情報をグラフィカルに表示する表示部を備えている
   ことを特徴とする目標トラッキング装置。
10. 制御部と、前記制御部に接続され観測データを受信する受信部と、を備える目標トラッキング装置において実行される目標トラッキングプログラムであって、
    コンピュータを
    前記受信部から前記観測データを受け取り、前記観測データから目標密度分布を推定する処理と、前記観測データから集団目標状態を推定する処理と、を組み合わせて実施する手段、及び
    前記複数の目標の状態を階層的に推定する手段
    として機能させるための目標トラッキングプログラム。
11. 請求項１０において、
    前記コンピュータを
    各時刻の前記観測データに対して、近傍のみの新粒子とその重みを粒子近似の情報として生成し、前記目標密度分布を推定する手段、
    前記粒子近似の情報と前記観測データと前記目標密度分布とから、集団を特定して該各集団の位置、速度等を推定することにより前記集団目標状態を推定する手段、及び
    前記目標の状態を階層的に推定した結果を目標情報として出力するする手段
    として機能させるための目標トラッキングプログラム。
12. 制御部と、前記制御部に接続される受信部と、を備える目標トラッキング装置において実行される目標トラッキング方法であって、
    トラッキングの対象となる目標に関する時系列の観測データを受信し、
    前記時系列の観測データから、目標密度分布を推定する処理及び集団目標状態を推定する処理を組み合わせて実施し、
    前記トラッキングの対象となる前記目標の状態を階層的に推定する
    ことを特徴とする目標トラッキング方法。
13. 請求項１２において、
    前記観測データから、前記目標密度分布を推定し、
    前記観測データと前記目標密度分布とから、集団を特定して該各集団の位置、速度等を推定することにより前記集団目標状態を推定し、
    前記目標の状態を階層的に推定した結果を目標情報として出力する
    ことを特徴とする目標トラッキング方法。
14. 請求項１３において、
    各時刻の前記観測データに対して、近傍のみの新粒子とその重みを粒子近似の情報として生成し、
    該粒子近似の情報と前記観測データに基づいて前記目標密度分布推定の処理を行う
    ことを特徴とする目標トラッキング方法。
15. 請求項１４において、
    前記各観測データからの距離が各々所定の閾値以下の範囲に存在する前記新粒子のみを選択して前記粒子近似の情報を生成する
    ことを特徴とする目標トラッキング方法。

Images