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
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 Download PDFInfo
- Publication number
- JP2014169865A JP2014169865A JP2013040315A JP2013040315A JP2014169865A JP 2014169865 A JP2014169865 A JP 2014169865A JP 2013040315 A JP2013040315 A JP 2013040315A JP 2013040315 A JP2013040315 A JP 2013040315A JP 2014169865 A JP2014169865 A JP 2014169865A
- Authority
- JP
- Japan
- Prior art keywords
- target
- observation data
- density distribution
- state
- estimating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
【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
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。
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。
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。
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。
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。
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。
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。
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(Pk)及び重み(Wk)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(Dk)を計算する(ステップ26)。この目標の密度分布(Dk)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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013040315A JP2014169865A (ja) | 2013-03-01 | 2013-03-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013040315A JP2014169865A (ja) | 2013-03-01 | 2013-03-01 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2014169865A true JP2014169865A (ja) | 2014-09-18 |
Family
ID=51692356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013040315A Pending JP2014169865A (ja) | 2013-03-01 | 2013-03-01 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2014169865A (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017049082A (ja) * | 2015-09-01 | 2017-03-09 | 株式会社日立製作所 | 群トラッキング装置、群トラッキング方法及びプログラム |
JP2018063142A (ja) * | 2016-10-12 | 2018-04-19 | 三菱重工業株式会社 | 運動パラメータ推定装置、運動パラメータ推定方法及びプログラム |
CN109031229A (zh) * | 2017-11-27 | 2018-12-18 | 电子科技大学 | 一种杂波环境下目标跟踪的概率假设密度方法 |
JP2018205175A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
WO2019030800A1 (ja) * | 2017-08-07 | 2019-02-14 | 三菱電機株式会社 | 目標追尾装置 |
JP2019519041A (ja) * | 2016-06-07 | 2019-07-04 | ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングRobert Bosch Gmbh | 逆走ドライバを検出するための方法、装置、およびシステム |
KR102062899B1 (ko) * | 2018-02-08 | 2020-01-06 | 국방과학연구소 | 표적을 탐지하는 방법 및 장치 |
CN111812636A (zh) * | 2020-06-01 | 2020-10-23 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
CN113093174A (zh) * | 2021-03-03 | 2021-07-09 | 桂林电子科技大学 | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 |
CN113238218A (zh) * | 2021-04-22 | 2021-08-10 | 中山大学 | 基于phd滤波的临近空间高超声速目标跟踪方法 |
CN113344970A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
CN113959428A (zh) * | 2021-09-27 | 2022-01-21 | 桂林电子科技大学 | 一种用于跟踪非刚性多扩展目标的phd滤波方法 |
WO2022190719A1 (ja) * | 2021-03-09 | 2022-09-15 | 株式会社Soken | 物標認識装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003248057A (ja) * | 2002-02-27 | 2003-09-05 | Japan Radio Co Ltd | レーダ追尾装置 |
US20080312831A1 (en) * | 2007-06-12 | 2008-12-18 | Greene Daniel H | Two-level grouping of principals for a collision warning system |
-
2013
- 2013-03-01 JP JP2013040315A patent/JP2014169865A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003248057A (ja) * | 2002-02-27 | 2003-09-05 | Japan Radio Co Ltd | レーダ追尾装置 |
US20080312831A1 (en) * | 2007-06-12 | 2008-12-18 | Greene Daniel H | Two-level grouping of principals for a collision warning system |
JP2008310806A (ja) * | 2007-06-12 | 2008-12-25 | Palo Alto Research Center Inc | 衝突警報システムのための主体の2レベルのグループ分け |
Non-Patent Citations (2)
Title |
---|
JPN6016019696; 木林 知子 Noriko KIBAYASHI: 電子情報通信学会2004年総合大会講演論文集 通信1 PROCEEDINGS OF THE 2004 IEICE GENERAL CONFEREN , 20040308, Page 310 * |
JPN6016019697; 金吉 雅人 Masahito Kaneyoshi: 第65回(平成15年)全国大会講演論文集(2) 人工知能と認知科学 , 20030325, Page 2_81-2_82 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017049082A (ja) * | 2015-09-01 | 2017-03-09 | 株式会社日立製作所 | 群トラッキング装置、群トラッキング方法及びプログラム |
JP2019519041A (ja) * | 2016-06-07 | 2019-07-04 | ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングRobert Bosch Gmbh | 逆走ドライバを検出するための方法、装置、およびシステム |
JP2018063142A (ja) * | 2016-10-12 | 2018-04-19 | 三菱重工業株式会社 | 運動パラメータ推定装置、運動パラメータ推定方法及びプログラム |
JP2018205175A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
WO2019030800A1 (ja) * | 2017-08-07 | 2019-02-14 | 三菱電機株式会社 | 目標追尾装置 |
CN109031229B (zh) * | 2017-11-27 | 2022-10-11 | 电子科技大学 | 一种杂波环境下目标跟踪的概率假设密度方法 |
CN109031229A (zh) * | 2017-11-27 | 2018-12-18 | 电子科技大学 | 一种杂波环境下目标跟踪的概率假设密度方法 |
KR102062899B1 (ko) * | 2018-02-08 | 2020-01-06 | 국방과학연구소 | 표적을 탐지하는 방법 및 장치 |
CN111812636A (zh) * | 2020-06-01 | 2020-10-23 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
CN111812636B (zh) * | 2020-06-01 | 2023-06-13 | 杭州电子科技大学 | 一种基于权重融合选择的粒子滤波检测前跟踪方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
CN113093174B (zh) * | 2021-03-03 | 2023-05-30 | 桂林电子科技大学 | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 |
CN113093174A (zh) * | 2021-03-03 | 2021-07-09 | 桂林电子科技大学 | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 |
WO2022190719A1 (ja) * | 2021-03-09 | 2022-09-15 | 株式会社Soken | 物標認識装置 |
JP7448089B2 (ja) | 2021-03-09 | 2024-03-12 | 株式会社Soken | 物標認識装置 |
CN113238218A (zh) * | 2021-04-22 | 2021-08-10 | 中山大学 | 基于phd滤波的临近空间高超声速目标跟踪方法 |
CN113238218B (zh) * | 2021-04-22 | 2023-10-20 | 中山大学 | 基于phd滤波的临近空间高超声速目标跟踪方法 |
CN113344970A (zh) * | 2021-05-19 | 2021-09-03 | 电子科技大学 | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 |
CN113959428A (zh) * | 2021-09-27 | 2022-01-21 | 桂林电子科技大学 | 一种用于跟踪非刚性多扩展目标的phd滤波方法 |
CN113959428B (zh) * | 2021-09-27 | 2024-05-28 | 桂林电子科技大学 | 一种用于跟踪非刚性多扩展目标的phd滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2014169865A (ja) | 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 | |
Chen et al. | Travel time prediction system based on data clustering for waste collection vehicles | |
US20240112051A1 (en) | Machine learning models operating at different frequencies for autonomous vehicles | |
Särkkä et al. | Rao-Blackwellized particle filter for multiple target tracking | |
Challa | Fundamentals of object tracking | |
WO2018222889A1 (en) | Collision prediction system | |
US9946935B2 (en) | Object tracking device, object tracking method, and object tracking program | |
JP6736412B2 (ja) | 目標物監視システムおよび目標物監視方法 | |
CN104657740A (zh) | 用于分割用于车辆的驾驶员辅助系统的环境模型的占用栅格的方法和设备 | |
KR102238522B1 (ko) | 3차원 공간에 대응되는 맵을 생성하는 차량 및 방법 | |
CN101975575A (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
CN110717918B (zh) | 行人检测方法和装置 | |
Liu et al. | Improved Iterated-corrector PHD with Gaussian mixture implementation | |
KR101878617B1 (ko) | 궤적 데이터 처리 방법 및 궤적 데이터 처리 시스템 | |
CN116088503A (zh) | 动态障碍物检测方法和机器人 | |
CN109035303B (zh) | Slam系统相机跟踪方法及装置、计算机可读存储介质 | |
Yi et al. | Multi-Person tracking algorithm based on data association | |
KR101470367B1 (ko) | 이중층 파티클 필터를 이용한 다중 객체 검출 및 추적 장치와 그 방법 | |
JP4210292B2 (ja) | 画像変化予測方法および画像変化予測装置 | |
Xu et al. | The multi-sensor PHD filter: Analytic implementation via Gaussian mixture and effective binary partition | |
Chen et al. | EasiDSlT: a two-layer data association method for multitarget tracking in wireless sensor networks | |
Georgy et al. | Unconstrained underwater multi-target tracking in passive sonar systems using two-stage PF-based technique | |
CN112558036A (zh) | 用于输出信息的方法和装置 | |
JP6503267B2 (ja) | 群トラッキング装置、群トラッキング方法及びプログラム | |
Zhou | Predicting ambulance demand: Challenges and methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20140908 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150713 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160516 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160531 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20161206 |