IMM Bernoulli Filter for Cooperative Object Tracking in Road Traffic

Törő, Olivér; Bécsi, Tamás; Aradi, Szilárd; Gáspár, Péter

doi:10.1016/j.ifacol.2018.07.058

Cited by 4 publications

(3 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A kölcsönható multimodelles becslő (Interacting Multiple Model, IMM) egy közelítő megoldása az általános multimodelles problémának [2][3], amely lineárisan skálázódik a tekintetbe vett járműmodellek számával. Az IMM becslőt eredetileg Kálmán szűrőkkel mutatták be [4], de megvalósítható részecskeszűrőkkel [5][6] [14], vagy valószínűségi halmazokkal együtt is használható [7] [8].…”

Section: Bevezetésunclassified

See 1 more Smart Citation

Közúti jármű mozgásmodelljének meghatározása kényszerezett multimodelles szűrő eljárásokkal

Törő,

Bécsi

2021

Közlekedéstudományi Szemle

View full text Add to dashboard Cite

A közúti közlekedésben alkalmazott manőverdetektálás fontos kutatási téma, hiszen az autonóm járművek elterjedéséhez szükséges a nagy megbízhatóságú eljárások fejlesztése. Különösen számottevő a járművek, illetve a vezetők szándékainak felismerése és az ezekre való gyors reagálás, mivel az autonóm és az emberek által vezetett járművek várhatóan együtt fognak részt venni a forgalomban, és ezért az ezekkel összefüggő körülmények vizsgálata és a fejlesztések elengedhetetlenek. A módszer ígéretesnek tűnik, de a bemutatott eljárást egyelőre csak Matlab szimulációkban tesztelték, de érdemes lenne valós körülmények között szenzor adatokkal is kipróbálni a leírt koncepciót.

show abstract

Section: Bevezetésunclassified

“…Ez a mennyiség lehetővé teszi különböző szűrők összehasonlítását a multimodelles eljárásoknál. A Kálmán erősítés (7) segítségével kapjuk meg a szűrő kimenetét (8),(9).…”

Section: Kálmán Szűrőunclassified

Közúti jármű mozgásmodelljének meghatározása kényszerezett multimodelles szűrő eljárásokkal

Törő,

Bécsi

2021

Közlekedéstudományi Szemle

View full text Add to dashboard Cite

show abstract

“…In [12,13] IMM estimation, realized as a particle filter, was presented which is able to work in a cooperative road traffic situation. A random finite set based particle filtering in the IMM framework for cooperative road traffic application was presented in [14]. The choice of coordinate system for maneuvering target tracking affects the structure of the 2 Journal of Advanced Transportation estimation algorithm and the achieved performance [15,16].…”

Section: Introductionmentioning

confidence: 99%

Sensitivity and Performance Evaluation of Multiple-Model State Estimation Algorithms for Autonomous Vehicle Functions

Törő

Bécsi

Aradi

et al. 2019

Journal of Advanced Transportation

Self Cite

View full text Add to dashboard Cite

Robust object tracking and maneuver estimation methods play significant role in the design of advanced driver assistant systems and self-driving cars. As an input to situation understanding and awareness, the performance of such algorithms influences the overall effectiveness of motion planning and plays high role in safety. The paper examines the suitability of different probabilistic state estimation methods, namely, the Extended Kalman Filter (EKF) and the more general Particle Filter (PF) with the addition of the Interacting Multiple Model (IMM) approach. These algorithms are not capable of predicting motion for long term in road traffic conditions, though their robustness and model classification capability are essential for the overall system. The performance is evaluated in road traffic scenarios where the tracked object imitates the motion characteristics of a road vehicle and is observed from a stationary sensor. The measurements are generated according to standard automotive radar models. The analysis conducted along two aspects emphasizes the different performance and scaling properties of the examined state estimation algorithms. The presented evaluation framework serves as a customizable method to test and develop advanced autonomous functions.

show abstract

An MPF Based Aerial Platform Tracking Method for Road Network Targets

Yuan

Chen

Zhang

et al. 2022

J. Phys.: Conf. Ser.

View full text Add to dashboard Cite

This paper presents a new algorithm to improve the tracking accuracy of the aerial mobile observation platform by using road information constraints. Combined with the road information and Mixed Particle Filter(MPF) algorithm, the Road Constrained Mixed Particle Filter(RCMPF) algorithm is proposed. RCMPF algorithm can effectively solve the problem of non-linear observation equation of aerial observation platform and realize the tracking of ground targets. The simulation results show that the algorithm improves the tracking accuracy of the target.

show abstract

IMM Bernoulli Filter for Cooperative Object Tracking in Road Traffic

Cited by 4 publications

References 17 publications

Közúti jármű mozgásmodelljének meghatározása kényszerezett multimodelles szűrő eljárásokkal

Közúti jármű mozgásmodelljének meghatározása kényszerezett multimodelles szűrő eljárásokkal

Sensitivity and Performance Evaluation of Multiple-Model State Estimation Algorithms for Autonomous Vehicle Functions

An MPF Based Aerial Platform Tracking Method for Road Network Targets

Contact Info

Product

Resources

About