Sensor Fusion and Tracking Toolbox
Entwurf, Simulation und Test von Multisensor-Tracking- und Navigationssystemen
Die Sensor Fusion and Tracking Toolbox™ umfasst Algorithmen und Tools für die Entwicklung, Simulation und Analyse von Systemen, die Daten von mehreren Sensoren zusammenführen, um Situationswahrnehmung und Lokalisation aufrechtzuerhalten. Referenzbeispiele bieten einen Ausgangspunkt für die Entwicklung der Multi-Objekt-Verfolgung und Sensorfusion für Überwachungs- und autonome Systeme im Luft- und Weltraum, am Boden, auf Schiffen und unter Wasser.
Sie können Daten aus realen Sensoren, einschließlich aktivem und passivem Radar, Sonar, LiDAR, EO/IR, IMU und GPS/IMU-Sensoren zusammenführen. Außerdem können Sie synthetische Daten aus virtuellen Sensoren generieren, um Ihre Algorithmen in verschiedenen Szenarien zu testen. Die Toolbox umfasst das Tracking mehrerer Objekte und Schätzfilter zur Bewertung von Architekturen, die Raster-, Erkennungs- und Objekt- oder Tracking-Sensoren zusammenführen. Zudem sind Metriken wie OSPA und GOSPA zur Validierung der Leistung im Vergleich zu Ground Truth-Szenen enthalten.
Für die Beschleunigung der Simulation oder Rapid Prototyping unterstützt die Toolbox die Generierung von C Code.
Jetzt beginnen:
Luftraumüberwachung
Tracking mehrerer Objekte mit Daten aus aktiven und passiven Sensoren wie Radar, ADS-B und EO/IR. Anpassung der Tracker-Eigenschaften für die Verfolgung manövrierender Objekte.
Tracking von Luftfahrzeugen mit erdgebundenen Szenarien.
Weltraumüberwachung
Tracking mehrerer Objekte im Weltraum mittels radar-basierter Sensordaten, um Situationsbewusstsein im Weltraum zu erzeugen. Tracker-Konfigurierung für die Verwendung eines Keplerschen Bewegungsmodells oder anderer Orbitalmodelle.
Tracking von Weltraummüll mit Keplerschen Bewegungsmodellen.
Bodenüberwachung und maritime Überwachung
Extended Object Tracking am Boden und in maritimen Anwendungen mit hochauflösenden Radar- und LiDAR-Sensoren.
Tracking für autonome Systeme
Verbesserung der Wahrnehmungssysteme in autonomen Fahrzeugen mittels Extended Object Tracking anhand von Kamera-, Radar- und LiDAR-Daten. Führen Sie Punktwolken, Erkennungen und Nachverfolgungen aus mehreren Sensoren zusammen, um Position, Kinematik, Ausmaß und Ausrichtung dieser Objekte abzuschätzen.
Single Sensor Tracking
Modellieren und simulieren Sie das Tracking mehrerer Objekte, um die in intelligenten Sensoren notwendige Verarbeitung auszuführen. Das beinhaltet auch die Transformation von Rohdaten in Objektverfolgungslisten.
Zentralisierte Fusion
Extended Object Tracking mit einem zentralisierten Tracker, der Daten aus mehreren Sensoren und Sensormodalitäten zusammenführt. Verwenden Sie einen Probability Hypothesis Density (PHD) Tracker zum Abschätzen der Kinematik eines sich bewegenden Objekts wie auch seiner Abmessungen und Ausrichtung. In komplexen städtischen Umgebungen implementieren Sie einen rasterbasierten Tracker einer zufälligen endlichen Menge (RFS), um die Belegung jeder Rasterzelle und ihre Kinematik zu verfolgen.
Track-Level Fusion
Führen Sie Tracks aus mehreren Tracking-Quellen zusammen, um eine umfassendere Abdeckung der Umgebung zu erhalten. Bewerten Sie Track-to-Track-Fusion-Architekturen in Systemen mit Bandbreitenbeschränkungen und Systemen mit Rumor Control, um abgelaufene Ergebnisse zu entfernen.
Schätzfilter und Datenzuordnung
Schätzen Sie den Objektstatus mittels einer umfassenden Bibliothek aus Schätzfiltern ab, darunter lineare und nicht lineare Kalman-Filter, Multi-Modell-Filter und Partikelfilter. Finden Sie die besten oder K-Best Solutions für das 2D-Zuordnungsproblem oder das S-D-Zuordnungsproblem. Weisen Sie Detektionen zu Detektionen, Detektionen zu Tracks oder Tracks zu Tracks zu.
Rein bereichsbasierte Verfolgung mit Nicht-Gaußschen Filtern.
Tracking mehrerer Objekte
Integrieren Sie Schätzfilter, Zuordnungsalgorithmen und Track-Management-Logik in Multi-Objekt-Tracker, um Detektionen in Tracks zusammenzuführen. Konvertieren Sie Ihre Sensordaten in ein Detektionsformat und verwenden Sie einen GNN-Tracker (Global Nearest Neighbor) für einfache Szenarien. Schalten Sie in anspruchsvollen Szenarien wie dem Verfolgen eng beieinander liegender Objekte mit uneindeutigen Messungen problemlos auf einen JPDA-Tracker (gemeinsame probabilistische Datenzuordnung), einen MHT-Tracker (multiple Hypothesen) oder einen PHD-Tracker um.
Extended Object Tracker und rasterbasierte Tracker
Verwenden Sie einen PHD-Tracker für das Tracking von Kinematik, Größe und Ausrichtung von Extended Objects. Tracking mit rasterbasierten RFS-Trackern unter Verwendung von hochauflösenden Sensordaten wie LiDAR- und Radar-Punktwolken, um dynamische Merkmale von Rasterzellen in vielschichtigen städtischen Gebieten zu bestimmen.
Track-Level Fusion
Führen Sie die durch Tracking-Sensoren oder andere Track-to-Track-Fusionsobjekte generierten Tracks zusammen. Erstellen Sie dezentralisierte Tracking-Systeme in Systeme mit Bandbreitenbeschränkungen. Reduzierung der Gerüchteverbreitung (Rumor Propagation) durch die Entfernung abgelaufener Tracker-Ergebnisse.
Fusion-Architekturen
Tracker-Architekturen kennenlernen und Entwurfskompromisse bewerten zwischen Track-to-Track-Fusion, zentralem Tracking oder hybriden Tracking-Architekturen. Verwenden Sie statische (Detektions-) Fusion, um Detektionen von reinen Winkel- oder Bereichssensoren wie IR, ESM oder bistatischem Radar zu kombinieren.
Track verwendet Distributed Synchronous Passive Sensors.
Simulation eines Tracking-Szenarios
Generieren Sie Sensorberichte, um Tracking-Systeme zu überprüfen. Definieren Sie Szenarien mit mehreren Plattformen und generieren Sie Bewegungsprofile für jede Plattform mit wegpunkt- und kinematik-basierten Bewegungsbahnen. Fügen Sie jeder Plattform Sensormodelle und Signaturen bei und simulieren Sie ihre Berichte statistisch. Verwenden Sie eine simulierte Ground Truth in Monte Carlo-Simulationen, um Tracking-Systeme zu verifizieren und zu validieren.
Object Trajectory und Posengenerierung
Definieren Sie Szenarien interaktiv mit der Tracking Scenario Designer-App und erzeugen Sie MATLAB-Scripts, die tatsächliche Position, Geschwindigkeit und Ausrichtung von Objekten in unterschiedlichen Bezugsrahmen bestimmen und konvertieren.
Aktive und passive Sensormodelle
Modellieren Sie aktive Sensoren (einschließlich Radar, Sonar und LiDAR), um Detektionen von Objekten zu generieren. Simulieren Sie mechanische und elektronische Abtastungen für Azimut, Höhe oder beide. Modellieren Sie Radarwarnungsempfänger (RWR), elektronisches Unterstützungsmaß (ESM) sowie passive Sonar und Infrarotsensoren, um reine Winkeldetektionen zur Verwendung in Tracking-Szenarien zu generieren. Modellieren Sie multistatische Radar- und Sonarsysteme mit Sendern und Sensoren.
Monte-Carlo-Simulationen
Führen Sie Monte-Carlo-Simulationen mit verschiedenen zufälligen Rauschwerten durch. Stören Sie Ground-Truth- und Sensorkonfigurationen, um die Testrobustheit zu erhöhen.
Lokalisierung für Tracking-Plattformen
Führen Sie IMU-, GPS- und Höhenmesser-Sensor-Fusion durch, um Ausrichtung und Position im Zeitverlauf zu bestimmten und Tracking mit beweglichen Plattformen zu ermöglichen. Schätzen Sie Ausrichtung und Position für Trägheitsnavigationssysteme(INS) im Zeitverlauf mit Algorithmen, die für verschiedene Sensorkonfigurationen, Ausgangsanforderungen und Bewegungsbeschränkungen optimiert wurden.
INS-Sensormodelle
Modellieren Sie Trägheitsmessungseinheiten- (IMU), GPS-, Höhenmeter- und INS-Sensoren. Justieren Sie Umgebungsparameter wie Temperatur sowie Rauscheigenschaften der Modelle, um reale Umgebungen zu emulieren.
Modellieren Sie IMU- und GPS-Sensoren, um Trägheitsfusionsalgorithmen zu testen.
Schätzung der Ausrichtung
Führen Sie Beschleunigungsmesser- und Magnetometer-Messwerte zusammen, um einen elektronischen Kompass (eCompass) zu simulieren. Führen Sie Beschleunigungsmesser-, Gyroskop- und Magnetometer-Messwerte mit einem AHRS-Filter (Attitude and Heading Reference System), um die Ausrichtung zu schätzen.
Abschätzung von Posen
Abschätzen von Posen mit und ohne Non-holonomic Heading Constraints mittels Trägheitssensoren und GPS. Posen-Bestimmung ohne GPS durch Zusammenführen von Trägheitssensoren mit Höhenmessern oder visueller Odometrie.
Visuelle Trägheitsodometrie mit zusammengeführten IMU- und Kameradaten.
Szenario-Visualisierung
Stellen Sie die Ausrichtung und Geschwindigkeit von Objekten, Ground Truth-Bewegungsbahnen, Sensormessungen und Tracks grafisch in 3D dar. Stellen Sie Detektion grafisch dar und verfolgen Sie Unsicherheiten. Visualisieren Sie Track-IDs mit historischen Pfaden.
Theater Plot eines Multi-Plattform-Szenarios.
Sensor- und Track-Metriken
Erzeugen Sie Track-Einrichtung, Wartung und Detektionsmetriken, einschließlich Track-Länge, Track-Unterbrechungen und Track-ID-Auswechslungen. Schätzen Sie die Track-Genauigkeit mit dem Effektivwertfehler (RMSE) oder den mittleren normalisierten Bewertungsfehlerquadraten (ANEES) von Position, Geschwindigkeit, Beschleunigung und Giergeschwindigkeit. Verwenden Sie integrierte OSPA- und GOSPA-Metriken, um die Leistung in einer einzelnen Bewertung zusammenzufassen. Analysieren Sie Trägheitssensorrauschen mit der Allan-Varianz.
Justierung von Filtern und Trackern
Justieren Sie Parameter von Multi-Objekt-Trackern wie Zuordnungsschwellwert, Filter-Initialisierungsfunktion sowie Bestätigungs- und Löschschwellwerte zur Maximierung der Leistung. Vergleichen Sie die Ergebnisse verschiedener Tracker und Tracker-Konfigurationen. Justieren Sie INS-Filter automatisch, um Rauschparameter zu optimieren.
Codegenerierung
Generieren Sie C/C++ und MEX Code zur Simulationsbeschleunigung oder zur Desktop-Prototypenentwicklung mit MATLAB Coder™. Wenden Sie Kostenkalkulationsschwellwerte an, um weniger Zeit zur Berechnung von Zuordnungskosten zu benötigen.
