JP2024517360A - 複合測定モデルを使用して移動物体の拡大状態を追跡するためのシステムおよび方法 - Google Patents

Abstract

物体の拡大状態を追跡するための追跡システムが提供される。追跡システムは、少なくとも１つのプロセッサと、命令が格納されたメモリとを備え、命令は、少なくとも１つのプロセッサによって実行されると、追跡システムに、物体の拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行させ、ビリーフは、物体の運動モデルを使用して予測され、さらに、物体の複合測定モデルを使用して更新される。複合測定モデルは、物体の中心への予め定められた相対幾何学的マッピングとともに、物体の輪郭上に位置するように制約された複数の確率分布を含む。さらに、追跡システムは、物体の拡大状態を、拡大状態に対する更新ビリーフに基づいて追跡する。

Description

本開示は、概して自動車両物体追跡に関し、より具体的には物体の測定値を使用して当該物体の拡大状態を追跡するためのシステムおよび方法に関する。

自動運転車両および半自動運転車両などの車両によって採用される制御システムは、他の車両または歩行者などの障害物との衝突を回避するために、車両の安全な運動または経路を予測する。いくつかのシナリオにおいて、車両はまた、車両の１つ以上のセンサの助けを借りて、道路の側部、歩行者、および他の車両などの、車両の周囲を感知するように構成される。これらのセンサのうちのいくつかは、超音波センサ、カメラ、およびＬＩＤＡＲセンサを含み、これらは、既存の先進運転者支援システム（ＡＤＡＳ：advanced driver assistance system）で使用されている。

車両の制御システムは、車両を制御するために、自動車レーダ測定値に基づいて、他の車両の物体状態（物体状態は運動学的状態を含む）を追跡する。１走査当たりの測定値が複数である拡張物体追跡（ＥＯＴ：extended object tracking）は、物体状態を運動学的のみの状態から運動学的状態と拡張状態との両方に拡大することにより、１走査当たりの測定値が１つのみである従来のポイント物体追跡よりも、改善された物体追跡を示している。拡張状態は、追跡中の物体の寸法および向きを提供する。これを実現するために、空間分布（すなわち、自動車レーダ測定値が物体の周りにおいて空間的にどのように分布しているか）を、センサノイズとともに捕捉する必要がある。現在の方法は、剛体上の固定された一組の点のフレームワークを含み、これは、単一の物体の追跡であっても、固定された一組の点と自動車レーダ検出値との間の非スケーラブルなデータの関連付けを必要とする。輪郭モデルおよび表面モデルなどの空間モデルは、この煩雑なデータの関連付けの工程を回避する。

自動車レーダ測定値の場合、輪郭モデルは物体（たとえば剛体）の輪郭に沿った測定分布を反映し、表面モデルはレーダ測定値が２次元形状の内面から生成されると仮定する。輪郭モデルの例は、単純な矩形、および、ランダム超曲面モデルまたはガウス過程モデルによってモデル化されたより一般的な星状凸形状を含む。ガウスベース楕円および階層ガウスベース楕円モデルなどのいくつかの表面モデルは、より複雑な形状を記述するのにより一層多くの自由度を必要とする輪郭モデルよりも、計算は遥かに単純である。しかしながら、物体の測定値はノイズの影響を受け、物体の表面からの反射のみを受ける。そのため、上記モデルは現実世界の自動車レーダ測定値を捕捉しない。

それ故に、現実世界の自動車レーダ測定値を捕捉することにより物体の運動学的状態と拡張状態との両方を追跡するためのシステムおよび方法が必要とされている。

いくつかの実施形態の目的は、物体の拡大状態を追跡するためのシステムおよび方法を提供することである。物体の拡大状態は、物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、物体の寸法および向きの一方または組み合わせを示す拡張状態とを含む。物体の中心は、任意に選択された点、物体の幾何学的中心、物体の重心、車両の車輪の後軸の中心などのうちの、１つまたは組み合わせである。センサ、たとえば自動車レーダが、物体（車両など）を追跡するために使用される。ある実施形態において、自動車レーダは、視線速度、長い航続距離、ミリメートルまたはサブテラヘルツ周波数帯における小さなサイズ、および高空間分解能の、直接的な測定値を提供し得る。

ポイント物体追跡では、１走査当たり１つの測定値を車両から受ける。ポイント物体追跡は、車両の運動学的状態（位置）のみを提供する。さらに、運動学的状態の分布を有する測定モデルによる確率フィルタが、車両を追跡するために利用される。拡張物体追跡（ＥＯＴ）では、１走査当たり複数の測定値を受ける。複数の測定値は車両の周囲に空間的に構築される。拡張物体追跡は、車両の運動学的状態および拡張状態の両方を提供する。拡張状態の分布を有する測定モデルによる確率フィルタが、車両を追跡するために利用される。

しかしながら、現実世界の自動車レーダ測定分布は、車両からの複数の反射が複雑であることを示している。この複雑さが原因で、適切な測定モデルの設計が複雑になる。そのため、通常の測定モデルは、運動学的状態に対してのみ適用可能であり、拡大状態に対しては適用できない。

そのため、いくつかの実施形態では、現実世界の自動車レーダ測定値を捕捉するために、輪郭モデルおよび表面モデルなどの空間モデルが使用される。しかしながら、上記空間モデルは不正確である。いくつかの実施形態は、現実世界の自動車レーダ測定値が、ある体積を有する物体（車両）の縁部または表面の周囲に分布し、これが表面体積モデルを生じさせる、という認識に基づいている。そのため、いくつかの実施形態は、現実世界の自動車レーダ測定値に類似しこれを捕捉する表面体積モデルを定式化するという目的に基づいている。表面体積モデルは、ＥＯＴを正確なものに保ちつつ、輪郭モデルとより現実的な特徴を有する表面モデルとのバランスをとる。

特に、ある実施形態では、輪郭モデルおよび表面モデルの原理に基づいて、複合測定モデル（表面体積モデルの一種）を決定する。複合測定モデルは、物体の中心への予め定められた相対幾何学的マッピングとともに、物体の輪郭上に位置するよう制約された複数の確率分布を含む。複数の確率分布は、物体の輪郭に沿った測定値の広がりをカバーするために使用される。

複合測定モデルは、複数の点で複合的である。たとえば、複合測定モデルは、複合構造、すなわち複数の確率分布を有する。また、複合測定モデルは、複合組成を有する、すなわち、複数の確率分布の関数、輪郭の関数、およびそれらの関係を有する。さらに、複合測定モデルは、複合的な性質を有する、すなわち、複数の確率分布は、測定値に基づいており、したがってモデル生成のデータ駆動型アプローチを表し、輪郭は、物理学に基づいたモデル化の原理を使用して、物体の形状たとえば車両の形状をモデル化することに基づく。

加えて、複合測定モデルは、拡大状態のモデル化の異なる原理を利用する、すなわち、複合測定モデルは、輪郭モデルの原理と表面モデルの原理とを合体させる。その結果、複合測定モデルは、測定割り当てを単純にしつつ、物体追跡の物理的性質をより適切に表現する。加えて、複合測定モデルの複数の確率分布は、表面モデルの単一分布よりも柔軟であり、物体の輪郭をより適切に記述することができ、物体の異なる角度または視野からの測定値の説明においてより柔軟である。

いくつかの実施形態は、理論的上、輪郭の形状には制限がないと仮定すると、複数の確率分布が輪郭上に位置する可能性がある、という理解に基づいている。しかしながら、実際、そのような仮定は、拡大状態の追跡については正しくない。これに対し、物体の輪郭は予め決まっており、輪郭が複数の確率分布にフィットするのではなく、複数の確率分布が輪郭にフィットする。

複合測定モデルは、オフラインで、すなわち事前に学習される。複合測定モデルは、ユニット座標系またはグローバル座標系において学習することができる。いくつかの実施形態は、複合測定モデルをユニット座標系において学習することが有益である、という認識に基づいており、その理由は、これが、計算を単純化し、複合測定モデルを物体の寸法に依存しないようにすることにある。複数の確率分布（楕円で表される）の各々に、測定値を確率的に割り当てることができる。楕円に関連付けられた測定値を、楕円割り当て測定値と呼ぶことがある。

いくつかの実施形態に従うと、オフラインで学習された複合測定モデルは、物体の拡大状態のオンライン追跡に、すなわち物体の拡大状態のリアルタイム追跡に使用される。いくつかの実施形態は、複合測定モデルの確率的性質を、確率多仮説追跡（ＰＭＨＴ：probabilistic multi-hypothesis tracking）方法に対して、有益に整合させることができる、という認識に基づいている。たとえば、そのような整合は、少なくともカルマンフィルタの変形を使用して確率フィルタを実現することを可能にする。たとえば、一実施形態は、アンセンテッドカルマンフィルタ（unscented Kalman filter）－確率多仮説追跡（ＵＫＦ－ＰＭＨＴ）法を使用する。アンセンテッドカルマンフィルタ（ＵＫＦ）は、複合測定モデルをユニット座標系からグローバル座標系に変換するために用いられる。次に、確率多仮説追跡（ＰＭＨＴ）法を適用して、現在の時間ステップにおける測定値を異なる確率分布に確率的に割り当て、物体の拡大状態を更新する。

ある実施形態に従うと、前の時間ステップに対応する物体の拡大状態および共分散行列、ならびに物体の運動モデルを考慮して、現在の時間ステップについての物体の拡大状態および拡大状態に対応する共分散行列を予測することができる。ある実施形態において、運動モデルは、極速度を有する回転調整（ＣＴ：coordinated turn）運動モデルであってもよい。いくつかの他の実施形態において、運動学的状態に対し、極速度を有する回転調整（ＣＴ）運動モデルが使用され、拡張状態、すなわち長さおよび幅に対しては、定数モデルが使用され、長さおよび幅は時間の経過に伴って変化する可能性が低いので、小さな共分散を伴うプロセスノイズを伴う。予測された物体の拡大状態は、この予測が確率的ので、拡大状態の予測されたビリーフ（belief）と呼ばれる場合がある。いくつかの実施形態は、物体の予測された拡大状態が不正確である場合がある、という認識に基づいている。予測された物体の拡大状態を補正するために、ユニット座標系における複合測定モデルを使用する。しかしながら、予測された拡大状態はグローバル座標系にある。そのため、ユニット座標系における複合測定モデルを、予測された拡大状態と整合させるには、複合測定モデルをユニット座標系からグローバル座標系に変換する必要がある。特に、ユニット座標系における楕円割り当て測定値をグローバル座標系に変換する必要がある。

いくつかの実施形態は、そのような変換をアンセンテッド変換関数（またはＵＫＦ）を使用して実現することができる、という認識に基づいている。そのために、ある実施形態において、楕円（すなわち複合測定モデルの確率分布）に対し、シグマ点が生成される。「楕円」および「確率分布」は、区別なく使用される場合があり、意味は同じである。さらに、シグマ点を、アンセンテッド変換関数に伝搬させ、その結果、ユニット座標系における楕円の楕円割り当て測定値に対応するグローバル座標系における予測測定値が決定される。加えて、予測測定値に対応する共分散行列が、予測測定値に基づいて決定される。同様に、残りの楕円に関連付けられる楕円割り当て測定値に対応するグローバル座標系における測定値が決定される。そのため、予測拡大状態に従って複合測定モデルを整合させる予測拡大状態モデルが得られる。

さらに、現在の時間ステップにおける測定値を受ける。いくつかの実施形態は、複数の確率分布（楕円）を互いに独立して処理することができる、という認識に基づいている。そのような独立した処理は、物体の拡大状態を探査するために異なる視野角を考慮することを可能にする。そのような独立した処理を考慮するために、いくつかの実施形態は、複数の確率分布のうちの異なる確率分布を、異なる物体に属するものとして処理する。加えて、いくつかの実施形態は、ソフト確率割り当て、すなわち、測定値を異なる確率分布に確率的に割り当てることは、ハード決定論的割り当てよりも有利である、という認識に基づいている。そのため、測定値は、各確率分布に、対応する関連付け確率で、割り当てられる。各確率分布に関連付けられた対応する関連付け確率を有する測定値を、「合成測定値」と呼ぶ。

さらに、いくつかの実施形態において、合成重心および合成共分散行列を、対応する合成測定値に基づいて、各確率分布ごとに決定する。さらに、各確率分布に関連付けられる合成測定値を使用して、拡大状態に対する予測ビリーフを更新する。例として、拡大状態に対する予測ビリーフを、物体の更新された拡大状態を生成するために、各確率分布に関連付けられた合成測定値を用い、カルマンフィルタなどの確率フィルタを使用して、更新してもよい。

したがって、一実施形態は、物体の拡大状態を追跡するための追跡システムを開示し、拡大状態は、物体の中心の位置および速度の組み合わせを示す運動学的状態と、物体の寸法および向きの組み合わせを示す拡張状態とを含む。追跡システムは、少なくとも１つのプロセッサと、命令が格納されたメモリとを備え、命令は、少なくとも１つのプロセッサによって実行されると、追跡システムに、少なくとも１つのセンサに関連付けられる測定値を受信することを実行させ、少なくとも１つのセンサは、物体を含むシーンを、１つまたは複数の信号送信を用いて探査するように構成され、１つまたは複数の信号送信は、１つの送信ごとに物体の１つまたは複数の測定値を生成し、さらに、追跡システムに、物体の拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行させ、ビリーフは、物体の運動モデルを使用して予測され、かつ物体の複合測定モデルを使用して更新され、複合測定モデルは、物体の中心への予め定められた相対幾何学的マッピングとともに、物体の輪郭上に位置するように制約された複数の確率分布を含み、反復的な追跡の各反復において、拡大状態に対するビリーフは、予測ビリーフと更新ビリーフとの間の差に基づいて更新され、更新ビリーフは、複数の確率分布の各々にフィットする測定値の確率に基づいて推定され、対応する幾何学的マッピングに基づいて物体の拡大状態にマッピングされ、さらに、追跡システムに、物体の拡大状態を、拡大状態に対する更新ビリーフに基づいて追跡することを実行させる。

したがって、別の実施形態は、物体の拡大状態を追跡するための追跡方法を開示し、拡大状態は、物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、物体の寸法および向きの一方または組み合わせを示す拡張状態とを含む。追跡方法は、少なくとも１つのセンサに関連付けられる測定値を受信するステップを含み、少なくとも１つのセンサは、物体を含むシーンを、１つまたは複数の信号送信を用いて探査するように構成され、１つまたは複数の信号送信は、１つの送信ごとに物体の１つまたは複数の測定値を生成し、追跡方法はさらに、物体の拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行するステップを含み、ビリーフは、物体の運動モデルを使用して予測され、かつ物体の複合測定モデルを使用して更新され、複合測定モデルは、物体の中心への予め定められた相対幾何学的マッピングとともに、物体の輪郭上に位置するように制約された複数の確率分布を含み、反復的な追跡の各反復において、拡大状態に対するビリーフは、予測ビリーフと更新ビリーフとの間の差に基づいて更新され、更新ビリーフは、複数の確率分布の各々にフィットする測定値の確率に基づいて推定され、対応する幾何学的マッピングに基づいて物体の拡大状態にマッピングされ、追跡方法はさらに、物体の拡大状態を、拡大状態に対する更新ビリーフに基づいて追跡するステップを含む。

物体の拡大状態を追跡する方法を実行するためにプロセッサが実行可能なプログラムが実装された非一時的なコンピュータ読取可能記憶媒体であって、拡大状態は、物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、物体の寸法および向きの一方または組み合わせを示す拡張状態とを含む。方法は、少なくとも１つのセンサに関連付けられる測定値を受信するステップを含み、少なくとも１つのセンサは、物体を含むシーンを、１つまたは複数の信号送信を用いて探査するように構成され、１つまたは複数の信号送信は、１つの送信ごとに物体の１つまたは複数の測定値を生成し、方法はさらに、物体の拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行するステップを含み、ビリーフは、物体の運動モデルを使用して予測され、かつ物体の複合測定モデルを使用して更新され、複合測定モデルは、物体の中心への予め定められた相対幾何学的マッピングとともに、物体の輪郭上に位置するように制約された複数の確率分布を含み、反復的な追跡の各反復において、拡大状態に対するビリーフは、予測ビリーフと更新ビリーフとの間の差に基づいて更新され、更新ビリーフは、複数の確率分布の各々にフィットする測定値の確率に基づいて推定され、対応する幾何学的マッピングに基づいて物体の拡大状態にマッピングされ、方法はさらに、物体の拡大状態を、拡大状態に対する更新ビリーフに基づいて追跡するステップを含む。

ここに開示される実施形態について添付の図面を参照しつつさらに説明する。示される図面は必ずしも正しい縮尺ではなく、代わりに、一般的にここに開示される実施形態の原理の説明に対して強調が加えられる。

いくつかの実施形態に係る、物体の拡大状態を追跡する原理の概略図を示す。 いくつかの実施形態に係る、物体の拡大状態を追跡する原理の概略図を示す。 いくつかの実施形態に係る、物体の拡大状態を追跡する原理の概略図を示す。 いくつかの実施形態に係る、物体の拡大状態を追跡するための追跡システムのブロック図を示す。 いくつかの実施形態に係る、複合測定モデルを使用した物体の拡大状態に対するビリーフの追跡についての概略図を示す。 いくつかの実施形態に係る、複合測定モデルを使用した物体の拡大状態に対するビリーフの追跡についての概略図を示す。 いくつかの実施形態に係る、複合測定モデルを使用した物体の拡大状態に対するビリーフの追跡についての概略図を示す。 いくつかの実施形態に係る、複合測定モデルのパラメータを学習する方法のフローチャートを示す図である。 いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通するユニット座標系への変換の概略図を示す。 いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通するユニット座標系への変換の概略図を示す。 いくつかの実施形態に係る、複合測定モデルのパラメータを学習するための期待値最大化（ＥＭ）法のブロック図を示す。 いくつかの実施形態に係る、アンセンテッドカルマンフィルタ－確率多仮説追跡（ＵＫＦ－ＰＭＨＴ）アルゴリズムのフローチャートを示す図である。 いくつかの実施形態に係る、予測測定値および共分散行列を計算するために実行されるステップのブロック図を示す。 いくつかの実施形態に係る、合成測定値および合成共分散行列を計算するために実行されるステップのブロック図を示す。 いくつかの実施形態に係る、拡大状態および共分散行列を更新するために実行されるステップのブロック図を示す。 いくつかの実施形態の原理を採用するシステムと通信するコントローラを含む車両の概略図を示す。 いくつかの実施形態に係る、図８Ａのシステムのコントローラと車両のコントローラとの間のやり取りの概略図を示す。 いくつかの実施形態を使用することによって制御入力が生成される自動運転または半自動運転制御車両の概略図を示す。

以下の記載では、説明のために、本開示が十分に理解されるよう多数の具体的な詳細事項を述べる。しかしながら、本開示はこれらの具体的な詳細事項なしで実施し得ることが当業者には明らかであろう。その他の場合では、本開示を不明瞭にするのを回避することのみのために、装置および方法をブロック図の形式で示す。

本明細書および請求項で使用される、「たとえば（for example）」、「例として（for instance）」、および「～のような（such as）」という用語、ならびに「備える（comprising）」、「有する（having）」、「含む（including）」という動詞、およびこれらの動詞の他の形態の各々は、１つ以上の構成要素またはその他のアイテムの列挙とともに使用される場合、その列挙がさらに他の構成要素またはアイテムを除外するとみなされてはならないことを意味する、オープンエンドと解釈されねばならない。「～に基づく」という用語は、少なくとも部分的に基づくことを意味する。さらに、本明細書で使用される文体および術語は、説明のためのものであって限定とみなされてはならないことが理解されるはずである。本明細書で使用されるいかなる見出しも、便宜的なものにすぎず、法的または限定効果を持つものではない。

図１Ａ、図１Ｂ、および図１Ｃは、物体の拡大状態を追跡するためにいくつかの実施形態が採用するいくつかの原理の概略図を示す。物体の拡大状態は、物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、物体の寸法および向きの一方または組み合わせを示す拡張状態とを含む。物体の中心は、任意に選択された点、物体の幾何学的中心、物体の重心、車両の車輪の後軸の中心などのうちの、１つまたは組み合わせである。センサ１０４（たとえば自動車レーダ）が、物体（車両１０６など）を追跡するために使用される。ポイント物体追跡１００では、１走査当たり１つの測定値１０８を車両１０６から受ける。ポイント物体追跡１００は、車両１０６の運動学的状態（位置）のみを提供する。さらに、運動学的状態の分布を有する測定モデルによる確率フィルタが、車両１０６を追跡するために利用される。拡張物体追跡（ＥＯＴ）１０２では、１走査当たり複数の測定値１１０を受ける。複数の測定値１１０は車両１０６の周囲に空間的に構築される。ＥＯＴ１０２は、車両１０６の運動学的状態および拡張状態の両方を提供する。拡張状態の分布を有する測定モデルによる確率フィルタが、車両１０６を追跡するために利用される。

しかしながら、図１Ｂに示すように、現実世界の自動車レーダ測定１１２分布は、車両１０６からの複数の反射が複雑であることを示している。この複雑さが原因で、測定モデルの設計が複雑になる。そのため、通常の測定モデルは、運動学的状態に対してのみ適用可能であり、拡大状態に対しては適用できない。

そのため、図１Ｃに示すように、いくつかの実施形態では、現実世界の自動車レーダ測定値１１２を捕捉するために、輪郭モデル１１４および表面モデル１１６などの空間モデルが使用される。しかしながら、上記空間モデルは不正確である。いくつかの実施形態は、現実世界の自動車レーダ測定値１１２が、ある体積を有する物体（車両１０６）の縁部の周囲に分布し、これが表面体積モデルを生じさせる、という認識に基づいている。そのため、いくつかの実施形態は、現実世界の自動車レーダ測定値１１２に類似しこれを捕捉する表面体積モデル１１８を定式化するという目的に基づいている。表面体積モデル１１８は、ＥＯＴを正確なものに保ちつつ、輪郭モデル１１４とより現実的な特徴を有する表面モデル１１６とのバランスをとる。

特に、ある実施形態では、輪郭モデル１１４および表面モデル１１６の原理に基づいて、複合測定モデル１２０（表面体積モデルの一種である）を決定する。複合測定モデル１２０は、物体の輪郭１２４に幾何学的に制限された複数の確率分布１２２を含む。図１Ｃにおいて、この幾何学的制約は、複数の確率分布の中心が輪郭上に位置するという制約である。そうすると、複合測定モデルは、物体の中心への予め定められた相対幾何学的マッピングを有する。複数の確率分布１２２は、物体の輪郭１２４に沿った測定値の広がりをカバーするために使用される。

複合測定モデル１２０は、複数の点で複合的である。たとえば、複合測定モデル１２０は、複合構造、すなわち複数の確率分布１２２を有する。また、複合測定モデル１２０は、複合組成を有する、すなわち、複数の確率分布１２２の関数、輪郭１２４の関数、およびそれらの関係を有する。さらに、複合測定モデル１２０は、複合的な性質を有する、すなわち、複数の確率分布１２２は、測定値に基づいており、したがってモデル生成のデータ駆動型アプローチを表し、輪郭１２４は、物理学に基づいたモデル化の原理を使用して、物体の形状たとえば車両の形状をモデル化することに基づく。

加えて、複合測定モデル１２０は、拡大状態をモデル化の異なる原理を利用する、すなわち、複合測定モデル１２０は、輪郭モデル１１４の原理と表面モデル１１６の原理とを合体させる。その結果、複合測定モデル１２０は、測定割り当てを単純にしつつ、物体追跡の物理的性質をより適切に表現する。加えて、複合測定モデル１２０の複数の確率分布１２２は、表面モデル１１６の単一の分布よりも柔軟であり、輪郭１２４をより適切に記述するように構成することができ、物体の異なる角度または視野からの測定値の説明においてより柔軟である。

いくつかの実施形態は、理論上、輪郭１２４の形状には制限がないと仮定すると、複数の確率分布１２２が輪郭１２４上に位置する可能性がある、という理解に基づいている。しかしながら、実際、そのような仮定は、正しくなく、拡大状態の追跡には役立たない。これに対し、物体の輪郭１２４は予め決まっており、輪郭１２４が複数の確率分布１２２にフィットするのではなく、複数の確率分布１２２が輪郭１２４にフィットする。これにより、確率フィルタの更新段階中において物体の物理的構造を反映することが可能になる。

複合測定モデル１２０は、オフラインで、すなわち事前に学習される。複合測定モデル１２０は、ユニット座標系またはグローバル座標系において学習することができる。いくつかの実施形態は、複合測定モデル１２０をユニット座標系において学習することが有益である、という認識に基づいており、その理由は、これが、計算を単純化し、複合測定モデル１２０を物体の寸法に依存しないようにすることにある。複数の確率分布１２２（楕円で表される）の各々に、測定値を確率的に割り当てることができる。楕円に関連付けられた測定値を、楕円割り当て測定値と呼ぶことがある。

いくつかの実施形態は、複合測定モデル１２０を使用して、物体の拡大状態をオンラインで、すなわちリアルタイムで追跡することができる、という認識に基づいている。具体的には、各種実施形態は、物体の拡大状態に対するビリーフを追跡する確率フィルタを使用して物体の拡大状態を追跡し、物体の拡大状態に対するビリーフは、物体の運動モデルを使用して予測され、物体の複合測定モデル１２０を使用して更新される。

図２は、いくつかの実施形態に係る、複合測定モデル１２０（前の図に示されている）を使用することにより、物体の拡大状態を追跡するための追跡システム２００のブロック図を示す。物体は、自動車、自転車、バス、またはトラックなどの車両であってもよいが、これらに限定される訳ではない。また、車両は、自動運転車両または半自動運転車両であってもよい。拡大状態は、物体の運動学的状態と拡張状態とを含む。いくつかの実施形態に従うと、運動学的状態は、速度、加速度、進行方向、および回転速度等の、物体の運動パラメータに対応する。いくつかの他の実施形態において、運動学的状態は、その運動パラメータを有する物体の位置に対応する。追跡システム２００は、１つまたは複数の信号送信でシーンを探査するために、センサ２０２を含んでいてもよく、または一組のセンサに動作可能に接続されていてもよい。そうすると、１つまたは複数の信号送信は、１送信当たり物体の１つまたは複数の測定値を生成するように構成される。いくつかの実施形態に従うと、センサ２０２は自動車レーダであってもよい。いくつかの実施形態において、シーンは移動物体を含む。いくつかの他の実施形態において、シーンは、移動物体と静止物体の両方を含む１つ以上の物体を含み得る。

追跡システム２００は、追跡システム２００を他のシステムおよびデバイスに接続するいくつかのインターフェイスを有し得る。たとえば、ネットワークインターフェイスコントローラ（ＮＩＣ：network interface controller）２１４は、追跡システム２００を、バス２１２を介して、追跡システム２００を一組のセンサに接続するネットワーク２１６に接続するように適合させたものである。追跡システム２００は、ネットワーク２１６を介し、無線または有線のいずれかで、１つまたは複数の信号送信の反射のデータを受信して、１送信ごとに物体の１つまたは複数の測定値を生成する。それに加えてまたはその代わりに、追跡システム２００は、制御入力をコントローラ２２２にサブミットするように構成された出力インターフェイス２２０を含む。

また、追跡システム２００は、格納された命令を実行するように構成されたプロセッサ２０４と、プロセッサ２０４が実行可能な命令を格納するメモリ２０６とを含む。プロセッサ２０４は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスタ、または任意の数の他の構成であってもよい。メモリ２０６は、ランダムアクセスメモリ（ＲＡＭ）、読出専用メモリ（ＲＯＭ）、フラッシュメモリ、または任意の他の好適なメモリシステムを含み得る。プロセッサ２０４は、バス２１２を介して１つ以上の入力および出力デバイスに接続される。さらに、追跡システム２００は、プロセッサ２０４が実行可能な命令を含む異なるモジュールを格納するように適合させた記憶装置２０８を含む。記憶装置２０８は、ハードドライブ、光学ドライブ、サムドライブ、ドライブのアレイ、またはそれらの任意の組み合わせを使用して実現することができる。

記憶装置２０８は、物体の運動モデル２１０ａおよび物体の複合測定モデル２１０ｂ（たとえば複合測定モデル１２０）を格納するように構成される。プロセッサ２０４は、物体の運動モデル２１０ａを使用して予測され物体の複合測定モデル２１０ｂを使用して更新される物体の、拡大状態に対するビリーフを繰り返し追跡するために、確率フィルタを繰り返し実行するように構成される。物体の拡大状態に対するビリーフの追跡について、以下、図３Ａ、図３Ｂ、および図３Ｃを参照しながら詳細に説明する。

物体の予測拡大状態３０２は、拡大状態の予測ビリーフと呼ばれる場合がある、なぜなら、この予測は確率的であるからである。いくつかの実施形態は、物体の予測拡大状態３０２が、自動車レーダ測定値の正確な空間モデルを必要とするので、拡大状態に対する予測測定値を生成するには不正確な場合がある、という認識に基づいている。このため、いくつかの実施形態では、オフラインで学習されるユニット座標系における複合測定モデル３０４が使用される。ユニット座標系における複合測定モデル３０４を、予測拡大状態３０２と整合させるためには、複合測定モデル３０４を、予測拡大状態３０２に対して、ユニット座標系からグローバル座標系に変換する必要がある。具体的には、ユニット座標系における楕円割り当て測定値をグローバル座標系に変換する必要がある。

いくつかの実施形態は、そのような変換をアンセンテッド変換関数３０８を使用して実現することができる、という認識に基づいている。そのために、ある実施形態において、プロセッサ２０４は、楕円３０６（すなわち複合測定モデル３０４の確率分布）に対し、シグマ点を生成する。「楕円」および「確率分布」は、区別なく使用される場合があり、意味は同じである。さらに、シグマ点を、予測状態３０２の関数であるアンセンテッド変換関数３０８に伝搬させ、その結果、ユニット座標系における楕円３０６の楕円割り当て測定値に対応するグローバル座標系における予測測定値が決定される。加えて、予測測定値に対応する共分散が、予測測定値に基づいて決定される。同様に、残りの楕円に関連付けられる楕円割り当て測定値に対応するグローバル座標系における測定値が決定される。そのため、予測拡大状態３０２に従って複合測定モデル３０４を整合させる予測拡大状態モデル３１０が得られる。さらに、合成測定値が、以下で図３Ｂを参照しながら説明するように、予測拡大状態モデル３１０の各確率分布ごとに決定される。

図３Ｂは、いくつかの実施形態に係る、予測拡大状態モデル３１０の各確率分布ごとに合成測定値を決定するための概略図を示す。プロセッサ２０４は、現在の時間ステップにおける測定値３１２（十字マークで示される）を受信する。いくつかの実施形態は、複数の確率分布３１４ａ～３１４ｈ（楕円）を独立して、たとえば互いに並列に処理することができる、という認識に基づいている。そのような独立した処理は、物体の拡大状態の探査の異なる視野角を考慮することを可能にする。そのような独立した処理を考慮するために、いくつかの実施形態は、複数の確率分布３１４ａ～３１４ｈのうちの異なる確率分布を、異なる物体に属するものとして処理する。加えて、いくつかの実施形態は、ソフト確率割り当て、すなわち、測定値３１２を異なる確率分布に確率的に割り当てることが、ハード決定論的割り当てよりも有利である、という認識に基づいている。ソフト確率的割り当ては、楕円および測定値の数に対して関連付けの次元を線形に保ちつつ、ハード割り当ての破滅的な割り当てを回避することができる。

そのため、プロセッサ２０４は、測定値３１２を、確率分布３１４に、関連付け確率で割り当てる。同様に、プロセッサ２０４は、測定値３１２を、確率分布３１４ａ～３１４ｈの各々に、対応する関連付け確率で割り当てる。複数の確率分布３１４ａ～３１４ｈの各々に関連付けられる対応する関連付け確率を有する測定値を、「合成測定値」と呼ぶ。

さらに、確率分布３１４ａに対し、プロセッサ２０４は、確率分布３１４ａに関連付けられる合成測定値に基づいて、合成重心３１６ａと、拡がり３１６ｂを画定する合成共分散行列とを決定する。同様に、確率分布３１４ｅに対し、プロセッサ２０４は、確率分布３１４ｅに関連付けられる合成測定値に基づいて、合成重心３１８ａと、拡がり３１８ｂを画定する合成共分散行列とを決定する。同様に、確率分布３１４ｈに対し、プロセッサ２０４は、確率分布３１４ｈに関連付けられる合成測定値に基づいて、合成重心３２０ａと、拡がり３２０ｂを画定する合成共分散行列とを決定する。このようにして、確率分布ごとに合成重心および合成共分散行列が決定される。さらに、以下で図３Ｃを参照しながら説明するように、各確率分布に関連付けられる合成測定値を使用して、拡大状態に対する予測ビリーフを更新する。

図３Ｃは、いくつかの実施形態に係る、拡大状態３０２に対する予測ビリーフを更新するための概略図を示す。プロセッサ２０４は、物体の更新された拡大状態 ｘ_ｋ｜ｋ ３２２を生成するために、各確率分布に関連付けられる合成測定値を用い、カルマンフィルタなどの確率フィルタを使用して、拡大状態３０２に対する予測ビリーフを更新する。物体の更新された拡大状態 ｘ_ｋ｜ｋ ３２２を、拡大状態に対する更新ビリーフと呼ぶ場合がある。さらに、拡大状態に対する更新ビリーフを使用して、追跡されるビリーフを更新する。ある実施形態において、追跡されるビリーフは、予測ビリーフと更新ビリーフとの間の差異に基づいて更新される。さらに、プロセッサ２０４は、物体の拡大状態を、拡大状態に対する更新追跡ビリーフに基づいて追跡する。

上述のように、物体の拡大状態を追跡するために使用される複合測定モデル３０４は、オフラインで学習される。複合測定モデル３０４のオフライン学習および特性について以下で説明する。

図４は、いくつかの実施形態に係る、複合測定モデル３０４のパラメータを学習する方法のフローチャートを示す。ステップ４００において、この方法は、異なる物体の異なる運動の異なる測定値を含む訓練データを受けるステップ４００を含む。ステップ４０２において、この方法は、訓練データを共通座標系に変換するステップ４０２を含む。

いくつかの実施形態は、複合測定モデル３０４のパラメータを、訓練データと、追跡される物体の輪郭の知識とに基づいて、期待値最大化（ＥＭ）法等の各種の統計的方法を使用して、オフラインで学習することができる、という認識に基づいている。そのため、ステップ４０４において、この方法は、ＥＭ法等の統計的方法を使用して、訓練データから複合測定モデルのパラメータを学習すること４０４を含む。

図５Ａおよび図５Ｂは、いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通のユニット座標系への変換の概略図を示す。異なる軌道５００および５０２の追跡から収集された異なる測定値を、それぞれの物体中心（ＯＣ：object-centered）座標系５０４および５０６に変換する。次に、変換された測定値を集約する（５０８）。いくつかの実装形態において、測定値は、同様のタイプの物体の運動、たとえば同様のクラスの車両の運動から収集される。たとえば、実施形態は、各軌道ごとに、各時間ステップからの測定値を、グローバル座標（ＧＣ）から物体中心（ＯＣ）座標に変換し、同様のサイズの車両（たとえばセダン）のすべての軌道からのＯＣ測定値を集約する。

次に、図５Ｂに示されるように、実施形態は、集約されたＯＣ５０８測定値をユニット座標（ＵＣ）系５１０に変換する。いくつかの実装形態において、ＵＣ系への変換は、機械学習のために変換された訓練データを使用することを可能にする、各種正規化技術によって行われる。さらに、ユニット座標系５１０における測定値は、複合測定モデル３０４のパラメータを学習するための訓練データとして用いられる。

いくつかの実施形態に従うと、オフライン学習された複合測定モデルは、物体の拡大状態のオンライン追跡、すなわち物体の拡大状態のリアルタイム追跡に使用される。いくつかの実施形態は、複合測定モデルの確率的性質を、確率多仮説追跡（ＰＭＨＴ）法と、有益に整合させることができる、という認識に基づいている。たとえば、そのような整合により、少なくともカルマンフィルタの変形を使用して確率フィルタを実現することができる。たとえば、一実施形態は、アンセンテッドカルマンフィルタ－確率多仮説追跡（ＵＫＦ－ＰＭＨＴ）法を使用する。アンセンテッドカルマンフィルタ（ＵＫＦ）は、複合測定モデルをユニット座標系からグローバル座標系に変換するために用いられる。次に、確率多仮説追跡（ＰＭＨＴ）法を適用して、現在の時間ステップにおける測定値を、異なる楕円成分に確率的に割り当て、物体の拡大状態を更新する。

再び図７Ａを参照すると、ブロック７０８において、時間ｋにおける測定値７１４が与えられて、合成測定値および合成共分散行列が計算される。図７Ｃは、いくつかの実施形態に係る、合成測定値および合成共分散行列を計算するために実行されるステップのブロック図を示す。ブロック７２６において、第１の楕円に対し、測定値－楕円関連付けの重みが、式（１６）に従って計算される。ブロック７２８において、第１の楕円に対し、合成測定値および合成共分散行列が、それぞれ式（１７）および（１８）を使用して計算される。

図８Ａは、いくつかの実施形態の原理を採用する追跡システム２００と通信するコントローラ８０２を含む車両８００の概略図を示す。車両８００は、乗用車、バス、またはローバーのような、任意の種類の車輪付き車両とすることがきる。また、車両８００は、自動運転車両または半自動運転車両とすることができる。たとえば、いくつかの実施形態は、車両８００の運動を制御する。運動の例は、車両８００のステアリングシステム８０４が制御する車両の横方向の運動を含む。一実施形態において、ステアリングシステム８０４は、コントローラ８０２によって制御される。それに加えてまたはその代わりとして、ステアリングシステム８０４は、車両８００のドライバーよって制御されてもよい。

いくつかの実施形態において、車両は、コントローラ８０２によってまたは車両８００の他の構成要素によって制御することができるエンジン８１０を含み得る。いくつかの実施形態において、車両は、エンジン８１０の代わりに電気モータを含んでいてもよく、コントローラ８０２によってまたは車両８００の他の構成要素によって制御することができる。また、車両は、周囲環境を検知するための１つ以上のセンサ８０６を含み得る。センサ８０６の例は、レーダなどの距離レンジファインダーを含む。いくつかの実施形態において、車両８００は、その現在の運動パラメータおよび内部ステータスを検知するための１つ以上のセンサ８０８を含む。１つ以上のセンサ８０８の例は、全地球測位システム（ＧＰＳ）、加速度計、慣性計測装置、ジャイロスコープ、シャフト回転センサ、トルクセンサ、たわみセンサ、圧力センサ、および流量センサを含む。センサは情報をコントローラ８０２に提供する。車両は、いくつかの実施形態の追跡システム２００に対し、有線または無線通信チャネルを通してコントローラ８０２の通信機能を可能にする、トランシーバ８１２を備えていてもよい。たとえば、トランシーバ８１２を介して、コントローラ８０２は追跡システム２００から制御入力を受信する。

図８Ｂは、いくつかの実施形態に係る、車両８００のコントローラ８０２とコントローラ８１４との間のやり取りの概略図を示す。たとえば、いくつかの実施形態において、車両８００のコントローラ８１４は、車両８００の回転および加速度を制御するステアリングコントローラ８１６およびブレーキ／スロットルコントローラ８１８である。このような場合、コントローラ８０２は、制御入力に基づいて制御コマンドをコントローラ８１６および８１８に出力して車両の運動学的状態を制御する。いくつかの実施形態において、コントローラ８１４はまた、コントローラ８０２の制御コマンドをさらに処理する、ハイレベルコントローラ、たとえばレーンキープアシストコントローラ８２０を含む。いずれの場合も、コントローラ８１４は、コントローラ８０２の出力、すなわち制御コマンドを利用して、車両の運動を制御するために、車両のステアリングホイールおよび／またはブレーキなどの、車両の少なくとも１つのアクチュエータを制御する。

図８Ｃは、いくつかの実施形態を使用することによって制御入力が生成される、自動運転または半自動運転制御車両８２２の概略図を示す。被制御車両８２２は追跡システム２００を備えていてもよい。いくつかの実施形態において、障害物８２４の各々の拡大状態を、被制御車両８２２によって追跡し、その後、制御入力は、障害物の追跡された拡大状態に基づいて生成される。いくつかの実施形態において、制御入力は、車両の車輪のステアリング角度および車輪の回転速度のうちの１つまたは組み合わせの値を指定するコマンドを含み、測定値は、車両の回転速度および車両の加速度のうちの１つまたは組み合わせの値を含む。

生成された制御入力は、被制御車両８２２を道路８２６の特定の境界の内側で維持することを目的とし、かつ、他の制御されていない車両、すなわち、制御車両８２２の障害物８２４を回避することを目的とする。たとえば、制御入力に基づいて、自動運転または半自動運転制御車両８２２は、たとえば別の車両を左側もしくは右側から通過してもよく、またはその代わりに道路８２６の現在の車線の中で別の車両の後方に留まってもよい。

以下の説明は、具体例としての実施形態のみを提供し、本開示の範囲、適用可能性、または構成を限定することを意図していない。むしろ、具体例としての実施形態の以下の説明は、具体例としての１つ以上の実施形態の実装を可能にする説明を当業者に提供するであろう。添付の請求項に記載されている開示された主題の精神および範囲から逸脱することなく要素の機能および構成に対してなされ得る各種変更が意図されている。

具体的な詳細事項は、上記説明において、実施形態の十分な理解を得るために与えられている。しかしながら、これらの具体的な詳細事項がなくても実施形態を実行できることを、当業者は理解できる。たとえば、開示された主題におけるシステム、プロセス、および他の要素は、実施形態を不必要な詳細で不明瞭にしないために、ブロック図の形態で構成要素として示される場合もある。他の例では、実施形態を不明瞭にしないよう、周知のプロセス、構造、および技術は、不必要な詳細事項なしで示されることがある。さらに、各種図面における同様の参照番号および名称は同様の要素を示す。

また、個々の実施形態は、フローチャート、フロー図、データフロー図、構造図、またはブロック図として示されるプロセスとして説明される場合がある。フローチャートは動作を逐次プロセスとして説明する場合があるが、動作の多くは並行してまたは同時に実行することができる。加えて、動作の順序は並べ替えられてもよい。プロセスは、その動作が完了したときに終了されてもよいが、論じられていないかまたは図に含まれていない追加のステップを有する場合がある。さらに、具体的に記載されている何らかのプロセスにおけるすべての動作がすべての実施形態に起こり得る訳ではない。プロセスは、方法、関数、手順、サブルーチン、サブプログラムなどに対応し得る。プロセスが関数に対応する場合、関数の終了は、呼出関数または主関数に関数を戻すことに対応し得る。

さらに、開示されている主題の実施形態は、少なくとも一部が、手作業または自動のいずれかで実装されてもよい。手作業または自動の実装は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはその任意の組み合わせを通じて、実行されてもよく、または、少なくとも支援されてもよい。ソフトウェア、ファームウェア、ミドルウェアまたはマイクロコードで実装される場合、必要なタスクを実行するためのプログラムコードまたはコードセグメントは、マシン読取可能媒体に格納されてもよい。プロセッサ（複数のプロセッサ）が必要なタスクを実行してもよい。

本明細書で概要を述べた各種方法またはプロセスは、さまざまなオペレーティングシステムまたはプラットフォームのうちのいずれか１つを採用した１つ以上のプロセッサ上で実行可能なソフトウェアとして符号化されてもよい。加えて、このようなソフトウェアは、複数の好適なプログラミング言語および／またはプログラミングもしくはスクリプトツールのうちのいずれかを用いて記述されてもよく、フレームワークもしくは仮想マシン上で実行される、実行可能なマシン言語コードまたは中間符号としてコンパイルされてもよい。典型的に、プログラムモジュールの機能は、各種実施形態において所望される通りに組み合わせても分散させてもよい。

本開示の実施形態は、方法として実施されてもよく、その一例が提供されている。この方法の一部として実行される動作の順序は任意の適切なやり方で決められてもよい。したがって、実施形態は、例示されている順序と異なる順序で動作が実行されるように構成されてもよく、これは、いくつかの動作を、例示されている実施形態では一連の動作として示されるが、同時に実行することを含み得る。

特定の好ましい実施形態を参照しつつ本開示について説明してきたが、本開示の精神および範囲の中でその他各種の改変および修正が可能であることが理解されるはずである。したがって、本開示の真の精神および範囲に含まれるこのような変形および修正のすべてをカバーすることが添付の請求項の側面である。

Claims (17)

1. 物体の拡大状態を追跡するための追跡システムであって、前記拡大状態は、前記物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、前記物体の寸法および向きの一方または組み合わせを示す拡張状態とを含み、前記追跡システムは、
   少なくとも１つのプロセッサと、
   命令が格納されたメモリとを備え、前記命令は、前記少なくとも１つのプロセッサによって実行されると、前記追跡システムに、
   少なくとも１つのセンサに関連付けられる測定値を受信することを実行させ、前記少なくとも１つのセンサは、前記物体を含むシーンを、１つまたは複数の信号送信を介して探査するように構成され、前記１つまたは複数の信号送信は、１つの前記送信ごとに前記物体の１つまたは複数の測定値を生成するように構成され、さらに、前記追跡システムに、
   前記物体の前記拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行させ、前記ビリーフは、前記物体の運動モデルを使用して予測され、かつ前記物体の複合測定モデルを使用して更新され、前記複合測定モデルは、前記物体の中心への予め定められた相対幾何学的マッピングとともに、前記物体の輪郭上に位置するように制約された複数の確率分布を含み、前記反復的な追跡の各反復において、前記拡大状態に対するビリーフは、予測ビリーフと更新ビリーフとの間の差に基づいて更新され、前記更新ビリーフは、前記複数の確率分布の各々にフィットする前記測定値の確率に基づいて推定され、対応する前記幾何学的マッピングに基づいて前記物体の前記拡大状態にマッピングされ、さらに、前記追跡システムに、
   前記物体の前記拡大状態を、前記拡大状態に対する前記更新ビリーフに基づいて追跡することを実行させる、追跡システム。
2. 前記プロセッサはさらに、アンセンテッド変換関数に基づいて、前記拡大状態に対する前記予測ビリーフまたは反復的に更新されたビリーフに関して前記複合測定モデルをユニット座標系からグローバル座標系に変換するように構成される、請求項１に記載の追跡システム。
3. 前記プロセッサはさらに、前記複数の測定値を、前記複数の確率分布のうちの異なる確率分布に、前記異なる確率分布を異なる物体に属するものとして処理することにより、割り当てるように構成される、請求項１に記載の追跡システム。
4. 前記プロセッサはさらに、前記異なる物体として処理される前記異なる確率分布への前記複数の測定値の割り当てを実行するために、確率多仮説追跡（ＰＭＨＴ）を使用して、前記複数の測定値を前記異なる確率分布に割り当てるように構成される、請求項３に記載の追跡システム。
5. 前記複合測定モデルは期待値最大化（ＥＭ）法に基づいて学習される、請求項１に記載の追跡システム。
6. 各確率分布の１つ以上のパラメータが、２次元（２Ｄ）確率空間におけるランダム行列モデル（ＲＭＭ）によって表される、請求項１に記載の追跡システム。
7. 前記物体の輪郭はＢ－スプライン曲線に対応する、請求項１に記載の追跡システム。
8. 前記車両の状態に対する前記予測ビリーフは、アンセンテッド変換を使用して前記複合測定モデルを前記測定値と整合させるために用いられる、請求項１に記載の追跡システム。
9. 前記プロセッサは、前記物体の追跡される前記拡大状態に基づいて車両のコントローラへの制御入力を決定し前記制御入力に従って前記車両を制御するように構成され、
   前記車両は請求項１に記載の前記追跡システムに動作可能に接続される、請求項１に記載の追跡システム。
10. 物体の拡大状態を追跡するための追跡方法であって、前記拡大状態は、前記物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、前記物体の寸法および向きの一方または組み合わせを示す拡張状態とを含み、前記追跡方法は、
    少なくとも１つのセンサに関連付けられる測定値を受信するステップを含み、前記少なくとも１つのセンサは、前記物体を含むシーンを、１つまたは複数の信号送信を用いて探査するように構成され、前記１つまたは複数の信号送信は、１つの前記送信ごとに前記物体の１つまたは複数の測定値を生成し、前記追跡方法はさらに、
    前記物体の前記拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行するステップを含み、前記ビリーフは、前記物体の運動モデルを使用して予測され、かつ前記物体の複合測定モデルを使用して更新され、前記複合測定モデルは、前記物体の中心への予め定められた相対幾何学的マッピングとともに、前記物体の輪郭上に位置するように制約された複数の確率分布を含み、前記反復的な追跡の各反復において、前記拡大状態に対するビリーフは、予測ビリーフと更新ビリーフとの間の差に基づいて更新され、前記更新ビリーフは、前記複数の確率分布の各々にフィットする前記測定値の確率に基づいて推定され、対応する前記幾何学的マッピングに基づいて前記物体の前記拡大状態にマッピングされ、前記追跡方法はさらに、
    前記物体の前記拡大状態を、前記拡大状態に対する前記更新ビリーフに基づいて追跡するステップを含む、追跡方法。
11. 前記追跡方法は、アンセンテッド変換関数に基づいて、拡大状態に対する前記予測ビリーフに関して前記複合測定モデルをユニット座標系からグローバル座標系に変換するステップをさらに含む、請求項１０に記載の追跡方法。
12. 前記追跡方法は、前記複数の測定値を、前記複数の確率分布のうちの異なる確率分布に、前記異なる確率分布を異なる物体に属するものとして処理することにより、互いに独立して割り当てるステップをさらに含む、請求項１０に記載の追跡方法。
13. 前記追跡方法は、異なる物体として処理される前記異なる確率分布への前記複数の測定値の割り当てを実行する、確率多仮説追跡（ＰＭＨＴ）を使用して、前記複数の測定値を前記異なる確率分布に割り当てるステップをさらに含む、請求項１２に記載の追跡方法。
14. 前記複合測定モデルは期待値最大化（ＥＭ）法に基づいて学習される、請求項１０に記載の追跡方法。
15. 各確率分布の１つ以上のパラメータが、２次元（２Ｄ）確率空間におけるランダム行列モデル（ＲＭＭ）によって表される、請求項１０に記載の追跡方法。
16. 前記物体の輪郭はＢ－スプライン曲線に対応する、請求項１０に記載の追跡方法。
17. 物体の拡大状態を追跡する方法を実行するためにプロセッサが実行可能なプログラムが実装された非一時的なコンピュータ読取可能記憶媒体であって、前記拡大状態は、前記物体の中心の位置および速度の一方または組み合わせを示す運動学的状態と、前記物体の寸法および向きの一方または組み合わせを示す拡張状態とを含み、前記方法は、
    少なくとも１つのセンサに関連付けられる測定値を受信するステップを含み、前記少なくとも１つのセンサは、前記物体を含むシーンを、１つまたは複数の信号送信を用いて探査するように構成され、前記１つまたは複数の信号送信は、１つの前記送信ごとに前記物体の１つまたは複数の測定値を生成し、前記方法はさらに、
    前記物体の前記拡大状態に対するビリーフを反復的に追跡する確率フィルタを実行するステップを含み、前記ビリーフは、前記物体の運動モデルを使用して予測され、かつ前記物体の複合測定モデルを使用して更新され、前記複合測定モデルは、前記物体の中心への予め定められた相対幾何学的マッピングとともに、前記物体の輪郭上に位置するように制約された複数の確率分布を含み、前記反復的な追跡の各反復において、前記拡大状態に対するビリーフは、予測ビリーフと更新ビリーフとの間の差に基づいて更新され、前記更新ビリーフは、前記複数の確率分布の各々にフィットする前記測定値の確率に基づいて推定され、対応する前記幾何学的マッピングに基づいて前記物体の前記拡大状態にマッピングされ、前記方法はさらに、
    前記物体の前記拡大状態を、前記拡大状態に対する前記更新ビリーフに基づいて追跡するステップを含む、非一時的なコンピュータ読取可能記憶媒体。