Sensor Fusion and Tracking Toolbox

다중센서 위치 추적 시스템을 설계, 시뮬레이션, 테스트할 수 있습니다

Sensor Fusion and Tracking Toolbox™는 여러 개의 센서에서 나오는 데이터를 융합하여 상황 인식과 위치 추정을 유지하는 시스템을 설계, 시뮬레이션 및 테스트하는 알고리즘을 제공합니다. 참조 예제는 공중, 우주, 지상, 선상, 수중 시스템과 같은 감시 및 자율 시스템의 다중객체 추적 및 센서 융합 개발의 시작점을 제공합니다.

능동/수동 레이더, 소나, 라이다, EO/IR, IMU, GPS 등 실제 센서의 데이터를 융합할 수 있습니다. 또한, 가상 센서에서 합성 데이터를 생성하여 다양한 시나리오에서 알고리즘을 테스트할 수도 있습니다. 이 툴박스에는 그리드 수준, 탐지 수준, 그리고 객체 또는 추적 수준 융합을 조합하는 아키텍처를 평가할 수 있는 다중객체 추적기 및 추정 필터가 포함되어 있습니다. 또한 지상 실측 장면과 비교하여 성능을 검증하는 OSPA, GOSPA 등의 메트릭도 제공합니다.

시뮬레이션 가속화 또는 신속 프로토타이핑을 위해 C 코드 생성을 지원합니다.

시작하기:

감시 시스템에서의 추적

고정형 플랫폼과 이동형 플랫폼에 장착된 능동 및 수동 센서의 데이터를 이용하여 감시 구역에 있는 목표물을 추적할 수 있습니다.

공역 감시

레이더, ADS-B, EO/IR 센서 등 능동 센서와 수동 센서의 데이터를 이용하여 여러 개의 객체를 추적할 수 있습니다. 추적기를 사용자 지정하여 기동 객체를 처리할 수 있습니다.

지상 중심 시나리오를 이용한 항공기 추적

우주 감시

레이더 센서의 데이터를 사용하여 우주 상황 인식을 생성하여 여러 개의 우주 객체를 추적할 수 있습니다. 케플러 운동 모델 또는 기타 궤도 모델을 사용하도록 추적기를 구성할 수 있습니다.

케플러 운동 모델을 사용한 우주 쓰레기 추적

지상 및 해상 감시

고해상도 레이더와 라이다 센서를 사용하여 지상 및 해상 응용 사례에서 확장 객체를 추적할 수 있습니다.

라이다를 이용한 확장 객체 추적

자율 시스템에서의 추적

카메라, 레이더, 라이다 데이터를 사용한 확장 객체 추적을 통해 자율주행 차량에서 인식 시스템을 개선할 수 있습니다. 여러 개의 센서에서 나온 포인트 클라우드, 탐지 결과, 트랙을 융합하여 이러한 객체의 위치, 운동학, 범위, 방향을 추정할 수 있습니다.

단일 센서 추적

다중객체 추적기를 모델링하고 시뮬레이션하여 스마트 센서에 필요한 처리를 수행할 수 있습니다. 이러한 처리는 원시 데이터를 객체 추적 목록으로 변환하는 절차도 포함합니다.

라이다 포인트 클라우드에서 생성된 3D 경계 상자를 이용한 객체 추적

중앙 집중형 융합

여러 센서와 센서 모달리티의 데이터를 융합하는 중앙 집중형 추적기를 이용하여 확장 객체를 추적할 수 있습니다. 확률 가설 밀도(PHD) 추적기를 이용하여, 객체의 치수, 방향, 움직이는 객체의 운동학 및 객체의 크기 및 방향을 추정할 수 있습니다. 복잡한 도심 환경에 대해 RFS(무작위 유한 집합) 그리드 기반 추적기를 구현하여 그리드 셀의 운동학 뿐만 아니라 점유 여부를 추적할 수 있습니다.

도심 운전 장면에서 동적 점유 그리드 지도를 사용합니다.

트랙 수준 융합

다수의 추적원에서 나온 트랙을 융합하여 환경에 대한 더욱 종합적인 추정 결과를 제공할 수 있습니다. 대역폭 제약 조건을 갖는 시스템과 루머 제어를 이용하여 불필요한 결과를 제거하는 시스템의 트랙간 융합 아키텍처를 평가할 수 있습니다.

라이다와 레이더 센서를 이용한 트랙 수준 융합

다중객체 추적

칼만 필터 및 입자 필터, 데이터 연결 알고리즘, 다중센서 다중객체 추적기를 통합하고 구성할 수 있습니다. 추적한 객체에 관한 단일 가설 또는 다중 가설을 유지할 수 있습니다.

추정 필터 및 데이터 연결

선형, 비선형 칼만 필터, 다중모델 필터, 입자 필터 등 풍부한 추정 필터 라이브러리를 이용하여 객체 상태를 추정할 수 있습니다. 2차원 할당 문제 또는 S-D 할당 문제에 대한 최적해 또는 k개 최적해를 구할 수 있습니다. 탐지 결과를 탐지 결과로, 탐지 결과를 트랙으로, 트랙을 트랙으로 할당할 수 있습니다.

비가우스 필터를 이용한 거리 전용 추적

다중객체 추적기

추정 필터, 할당 알고리즘, 트랙 관리 로직을 다중객체 추적기에 통합하여 탐지 결과를 트랙으로 융합할 수 있습니다. 센서 데이터를 탐지 결과 형식으로 변환하고 간단한 시나리오에 GNN(전역 최근접이웃) 추적기를 이용할 수 있습니다. 측정 모호성이 존재하는 조밀 간격 목표물 추적과 같은 어려운 시나리오를 위해, 간편하게 JPDA(결합 확률 데이터 연관) 추적기, MHT(다중 가설 추적기), 또는 PHD 추적기로 전환할 수 있습니다.

측정 모호성이 존재하는 조밀 간격 목표물 추적.

확장 객체 및 그리드 기반 추적기

PHD 추적기를 사용하여 확장 객체의 운동학, 크기, 방향을 추적할 수 있습니다. 라이다 및 레이더 포인트 클라우드 등의 고해상도 센서 데이터를 사용하여 그리드 기반 RFS 추적기로 추적하여 복잡한 도심 환경에서 그리드 셀의 동적 특성을 추정할 수 있습니다.

크기 및 방향 추정을 이용한 확장 객체 추적

중앙 추적 및 분산 추적

통신 대역폭 한도 이내의 센서 보고서를 융합하는 중앙 및 분산 추적 아키텍처를 구축할 수 있습니다. 상태 및 상태 공분산 융합에 다양한 방법을 활용할 수 있습니다.

트랙 수준 융합

추적 센서 또는 기타 트랙간 융합 객체에 의해 생성된 트랙을 융합할 수 있습니다. 대역폭 제약 시스템에서 분산 추적 시스템을 설계할 수 있습니다. 루머 확산을 줄여 불필요한 추적기 결과를 제거할 수 있습니다.

두 차량 사이의 트랙간 융합

융합 아키텍처

추적기 아키텍처를 탐색하고 트랙간 융합, 중앙 수준 추적 또는 하이브리드 추적 아키텍처 사이의 설계상 장단점을 평가할 수 있습니다. IR, ESM 또는 바이스태틱 레이더 등 각도 전용, 거리 전용 센서에서 나온 탐지 결과를 정적(탐지 결과) 융합을 이용하여 조합할 수 있습니다.

분산 동기화 수동 센서를 이용한 추적.

추적 시나리오 시뮬레이션

센서 보고서를 생성하여 추적 시스템을 테스트할 수 있습니다. 멀티플랫폼 시나리오를 정의하고, 중간점 기반 및 운동학 기반 궤적을 이용하여 각 플랫폼에 대해 운동 프로파일을 생성할 수 있습니다. 센서 모델과 시그니처를 각 플랫폼에 부착하고 보고서를 통계학적으로 시뮬레이션할 수 있습니다. 몬테카를로 시뮬레이션의 지상 실측 자료를 활용하여 추적 시스템을 확인하고 검증할 수 있습니다.

객체 궤적 및 자세 생성

Tracking Scenario Designer 앱으로 대화형으로 시나리오를 정의하고, 다양한 참조 프레임 안에서 객체의 실제 위치, 속도, 방향을 정의하고 변환하는 MATLAB 스트립트를 생성할 수 있습니다.

능동 및 수동 센서 모델

레이더, 소나, 라이다 등 능동 센서를 모델링하여 객체 탐지 결과를 생성할 수 있습니다. 방위각, 고도각 또는 둘 다에 대한 기계적 스캔 또는 전자적 스캔을 시뮬레이션할 수 있습니다. RWR(레이더 경고 수신기), ESM(전자적 지원 장비), 수동 소나, 적외선 센서를 모델링하여 추적 시나리오에 활용할 수 있는 각도 전용 탐지 결과를 생성할 수 있습니다. 에미터와 센서를 이용하여 멀티스태틱 레이더와 소나 시스템을 모델링할 수 있습니다.

멀티스태틱 센서를 이용한 추적.

몬테카를로 시뮬레이션

다양한 랜덤 잡음 값을 이용하여 몬테카를로 시뮬레이션을 수행할 수 있습니다. 지상 실측 자료와 센서 구성을 변경하여 테스트 견고성을 높일 수 있습니다.

테스트 데이터를 생성하기 위한 궤적 및 센서 변경.

추적 플랫폼의 위치 추정

IMU, GPS 및 고도계 센서 융합을 수행하여 시간에 따른 방향 및 위치 변화를 파악하고, 움직이는 플랫폼으로 추적을 활성화할 수 있습니다. 다양한 센서 구성, 출력 요구 사항, 운동 제약 조건에 대해 최적화된 알고리즘을 이용하여 시간에 따른 INS(관성 항법 시스템)의 방향과 위치를 추정할 수 있습니다.

INS 센서 모델

IMU(관성 측정 장치), GPS, 고도계, INS 센서를 모델링할 수 있습니다. 모델의 온도, 잡음 속성 등의 환경적 파라미터를 조정하여 실제 환경을 모방할 수 있습니다.

관성 융합 알고리즘 테스트를 위한 IMU 및 GPS 센서 모델링.

방향 추정

가속도계와 자력계 측정값을 융합하여 전자 나침반(eCompass)을 시뮬레이션할 수 있습니다. 가속도계, 자이로스코프, 자력계 측정값을 AHRS(자세방위기준장치) 필터와 융합하여 방향을 추정할 수 있습니다.

관성 센서 융합을 사용한 플랫폼 방향 추정.

자세 추정

관성 센서 및 GPS를 사용하여 비홀로노믹 방향 제약 조건의 유무와 관계 없이 자세를 추정할 수 있습니다. 관성 센서와 고도계 또는 시각적 주행거리 측정을 융합하여 GPS 없이 자세를 파악할 수 있습니다.

융합된 IMU 및 카메라 데이터를 이용한 시각적 관성 주행거리 측정

시각화 및 분석

지상 실측 자료와 비교하여 추적 시스템의 성능을 분석하고 평가할 수 있습니다.

시나리오 시각화

객체, 지상 실측 궤적, 센서 측정값, 트랙의 방향과 속도를 3차원으로 플로팅할 수 있습니다. 탐지 결과와 트랙 불확실성을 플로팅할 수 있습니다. 트랙 ID와 내역을 시각화할 수 있습니다.

멀티플랫폼 시나리오의 시어터 플롯.

센서 및 추적 메트릭

트랙 길이, 트랙 단절, 트랙 ID 교환 등 트랙의 수립, 유지, 삭제 메트릭을 생성할 수 있습니다. 위치, 속도, 가속도, 요각(yaw rate), RMSE(제곱평균제곱근 오차), 또는ANEES(평균 정규화 추정 오차 제곱)로 트랙 정확도를 추정할 수 있습니다. 통합 OSPA, GOSPA 메트릭을 사용하여 성능을 단일 점수로 요약할 수 있습니다. Allan 분산을 사용하여 관성 센서 잡음을 분석할 수 있습니다.

지상 실측 자료와 비교하여 추적기 성능을 평가하기 위한 통합 추적 메트릭

필터 및 추적기 조정

할당 임계값, 필터 초기화 함수, 확정 및 삭제 임계값 등 다중객체 추적기의 파라미터를 조정하여 성능을 극대화할 수 있습니다. 여러 추적기 및 추적기 구성에 대한 결과를 비교할 있습니다. 자동으로 INS 필터를 조정하여 잡음 파라미터를 최적화할 수 있습니다.

GM-PHD 추적기를 사용한 고밀도 클러터 내 점 목표물 추적.

알고리즘 가속화 및 코드 생성

거친 게이팅, C/C++ 및 MEX 코드 생성 또는 워커 풀을 사용하여 시뮬레이션 속도를 높일 수 있습니다.

코드 생성

MATLAB Coder™를 사용하여 시뮬레이션 가속화 또는 데스크톱 프로토타이핑을 위한 C/C++ 및 MEX 코드를 생성할 수 있습니다. 비용 계산 임계값을 적용하여 할당 비용 계산에 소모하는 시간을 줄일 수 있습니다.

가장 빠른 시뮬레이션을 위한 생성된 코드로 수천 개의 목표물 추적하기

Sensor Fusion and Tracking Toolbox 추가 리소스