文献

J-GLOBAL ID：201802217755858681   整理番号：18A1943547

修正混合粒子フィルタに基づくオクルージョンの取り扱い可能な一般的車両追跡フレームワーク【JST・京大機械翻訳】

Generic Vehicle Tracking Framework Capable of Handling Occlusions Based on Modified Mixture Particle Filter

著者 (3件)： Li Jiachen (Department of Mechanical Engineering, University of California, Berkeley, CA, 94720, USA) ,  Zhan Wei (Department of Mechanical Engineering, University of California, Berkeley, CA, 94720, USA) ,  Tomizuka Masayoshi (Department of Mechanical Engineering, University of California, Berkeley, CA, 94720, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IV  ページ： 936-942  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 周囲の道路参加者の正確でロバストな追跡は,自律運転において重要な役割を果たす。しかし,通常,物体の出現,物体の消失,および誤警報によるトラッキングターゲットの数に関する事前知識は存在しない。この挑戦を克服するために,修正混合粒子フィルタに基づく一般的な車両追跡フレームワークを提案する。それは,リアルタイム観測に適応する追跡ターゲットの数を作ることができて,明示的データ関連なしで一様なアーキテクチャにおいてセンサ範囲内のすべての車両を同時に追跡することができる。各オブジェクトは,その分布が非パラメトリックであり,粒子仮説により近似される混合成分に対応する。ほとんどの追跡手法は,予測モデルとして車両運動学モデルを採用する。しかし,これらのモデルでは,センサ測定が失われるか,あるいは部分的または完全な閉塞により低品質になる場合に,適切な予測を行うことは困難である。さらに,これらのモデルは,突然の操縦を予測することができない。これらの問題に対処するために,著者らは,再帰的Bayes状態推定の事前更新における予測を実現するために,純粋な車両運動学モデルの代わりに学習ベースの行動モデルを組み込むことを提案した。車線保持と車線変更を含む2つの典型的な運転シナリオを,提案したフレームワークの有効性と精度,ならびに学習ベースのモデルを採用する利点を検証するために実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： センサ ,  道路 ,  状態推定 ,  学習 ,  計算機アーキテクチャ ,  *オクルージョン ,  予測モデル ,  ロバスト性 ,  品質
準シソーラス用語： 車線変更 ,  実時間 ,  事前知識 ,  誤警報 ,  自律性 ,  *粒子フィルタ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 粒子フィルタ ,  オクルージョン ,  取り扱い ,  追跡 ,  フレームワーク