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:
Kostenloses White Paper
Sensor Fusion and Tracking für autonome Systeme
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.
Extended Object Tracking mit LiDAR.
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.
Tracking von Objekten mit 3-D Bounding Box aus einer LiDAR-Punktwolke.
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.
Ein Tracker, der in städtischer Umgebnung die Daten aus mehreren LiDARs zusammenführt.
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.
Track-Level Fusion mit Radar- und LiDAR-Sensoren.
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.
Verfolgen Sie eng beieinander liegende Objekte mit uneindeutigen Messungen.
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.
Extended Object Tracking mit Schätzung von Grösse und Ausrichtung.
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.
Track-to-Track-Fusion zwischen zwei Fahrzeugen.
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.
Tracking mit multistatischen 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.
Störung von Bewegungsbahnen und Sensoren, um Testdaten zu generieren.
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 der Ausrichtung einer Plattform durch Zusammenführung von Trägheitssensoren.
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.
Integrierte Tracking-Metriken zur Bewertung der Tracker-Leistung gegenüber Ground Truth.
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.
Tracking von Punktzielen in dichter Unordnung mit einem GM-PHD-Tracker.
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.
Tracking tausender Ziele mit generiertem Code ermöglicht schnellste Simulationszeiten.
RFS-Tracker
Verfolgen Sie Objekte mit dem gitterbasierten RFS-Tracker (Random Finite Set)
Generierung von Bewegungsbahnen
Erstellen von Trajektorien mit erdzentrierten Wegpunkten
Filter-Tuner für Trägheitssensoren
Automatische Anpassung der Trägheitssensor-Fusionsleistung für INS-, IMU- und AHRS-Filter
Monte-Carlo-Simulation
Störverfolgungsszenarien, Sensoren und Bewegungsbahnen zur Erstellung großer Datensätze für Tests
LiDAR-Sensormodell
Generierung synthetischer Punktwolken als Teil von Verfolgungsszenarien
Tracking Scenario Designer-App
Importieren von Tracking Szenarien in die App zur Visualisierung und Neugestaltung
INS-Sensor
Modellierung und Simulation eines INS-Sensors in Simulink
Bewegungsmodelle
Simulation einer Singer-Beschleunigungsbewegung
Details zu diesen Merkmalen und den zugehörigen Funktionen finden Sie in den Versionshinweisen.
