【信息矩阵融合算法】【融合】【Dempster-Shafer】自动驾驶应用中环境感知的目标级融合研究（Matlab代码实现）

admin管理员组

文章数量:1546091

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

文章来源：

摘要：近年来，驾驶辅助系统越来越多地依赖于更多传感器进行新功能的实现。随着先进驾驶辅助系统继续朝着自动驾驶方向不断改进，需要新的方法以有效经济的方式处理来自传感器的数据，以适应这些复杂系统。动态物体的检测是先进驾驶辅助系统和自动驾驶所需的最重要方面之一。本论文提出了一种环境模型方法，用于检测动态物体，以实现有效的传感器数据融合方法。开发了一个可伸缩的高级融合架构，用于在单一系统中融合来自几个传感器的目标数据，其中处理分为三个级别：传感器、融合和应用。定义了一个完整一致的物体模型，包括物体的动态状态、存在概率和分类，作为跨三个处理级别的传感器独立和通用接口，用于传感器数据融合。在架构的融合级别开发了用于物体数据关联和融合的新算法。采用异步传感器到全局融合策略，以便在高级融合架构内立即处理传感器数据，为驾驶辅助系统提供关于车辆环境的最新信息。跟踪到跟踪的融合算法被独特应用于动态状态融合，其中信息矩阵融合算法产生了与低级中心卡尔曼滤波器方法可比拟的结果。一个基于Dempster-Shafer证据理论的新方法用于融合对象的存在概率，考虑了在融合过程中各个传感器的存在估计性能。类似的新方法也应用于对象分类的融合，基于Dempster-Shafer证据理论。开发的高级传感器数据融合架构及其算法使用配备12个传感器用于环境感知的原型车辆进行评估。在封闭测试赛道上，使用配备硬件以生成准确地面真实数据的车辆对完整的物体模型进行了彻底评估。使用实际交通场景的标记数据集评估了存在和分类性能。评估表明了提出的传感器数据融合方法的准确性和有效性。本论文中介绍的工作还在几个研究项目中广泛应用，作为用于高速公路实际交通中自动驾驶应用的动态目标检测平台。详细文章见第4部分。

📚2 运行结果

 

部分代码：

%% Parameters

% Assignment gate value
AssignmentThreshold = 30;        % The higher the Gate value, the higher the likelihood that every track...
                                 % will be assigned a detection.

% M/N initiation parameters
% The track is "confirmed" if after N consecutive updates at
% least M measurements are assigned to the track after the track initiation.
N = 5;
M = 4;

% Elimination threshold: The track will be deleted after EliminationTH # of updates without 
% any measurement update
EliminationTH = 10; % updates

% Measurement Noise
R = [22.1 0 0 0
     0 2209 0 0
     0 0 22.1 0
     0 0 0 2209];

% Process noise
Q= 7e-1.*eye(4);

% Performance anlysis parameters:
XScene = 80;
YScene = 40;
% PerfRadius is defined after scenario generation

%% Generate the Scenario

% Define an empty scenario.
scenario = drivingScenario;
scenario.SampleTime = 0.01;  % seconds
SensorsSampleRate   = 0.1;  % seconds

EgoSpeed = 25; % m/s

%% Simple Scenario (Choice #1)

% Load scenario road and extract waypoints for each lane
Scenario = load('SimpleScenario.mat');
WPs{1} = Scenario.data.ActorSpecifications(2).Waypoints;
WPs{2} = Scenario.data.ActorSpecifications(1).Waypoints;
WPs{3} = Scenario.data.ActorSpecifications(3).Waypoints;

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章

本文标签： 矩阵算法目标代码环境