Közúti jármű mozgásmodelljének meghatározása kényszerezett multimodelles szűrő eljárásokkal

Olivér Törő; Tamás Bécsi

doi:10.24228/KTSZ.2021.6.2

Olivér Törő BME Közlekedés- és Járműirányítási Tanszék
Tamás Bécsi BME Közlekedés- és Járműirányítási Tanszék

DOI: https://doi.org/10.24228/KTSZ.2021.6.2

Kulcsszavak: Közúti jármű, mozgásmodell, kényszerezett multimodelles szűrőeljárás

Absztrakt

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 zándékainak 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.

Hivatkozások

X. R. Li and V. P. Jilkov, “Survey of maneuvering target tracking. part v. multiple-model methods,” IEEE Transactions on Aerospace and Electronic Systems, vol. 41, no. 4, pp. 1255–1321, 2005. DOI: https://doi.org/fn8tfr

H. A. Blom and Y. Bar-Shalom, “The interacting multiple model algorithm for systems with markovian switching coefficients,” IEEE transactions on Automatic Control, vol. 33, no. 8, pp. 780–783, 1988. DOI: https://doi.org/cwbf76

E. Mazor, A. Averbuch, Y. Bar-Shalom, and J. Dayan, “Interacting multiple model methods in target tracking: a survey,” IEEE Transactions on aerospace and electronic systems, vol. 34, no. 1, pp. 103–123, 1998. DOI: https://doi.org/c9b8j9

Y. Bar-Shalom, X. R. Li, and T. Kirubarajan, Estimation with applications to tracking and navigation: theory algorithms and software. John Wiley & Sons, 2004. DOI: https://doi.org/dfqbsw

Z. Messaoudi, A. Ouldali, and M. Oussalah, “Comparison of interactive multiple model particle filter and interactive multiple model unscented particle filter for tracking multiple manoeuvring targets in sensors array,” in Cybernetic Intelligent Systems (CIS), 2010 IEEE 9th International Conference on. IEEE, 2010, pp. 1–6. DOI: https://doi.org/bbrxrf

M. Zhang and W. Chen, “Variable structure multiple model particle filter for maneuvering radar target tracking,” in Microwave and Millimeter Wave Technology (ICMMT), 2010 International Conference on. IEEE, 2010, pp. 1754-1757. DOI: https://doi.org/cvvkz2

Törő, O., Bécsi, T., Aradi, S. and Gáspár, P., 2018. Imm bernoulli filter for cooperative object tracking in road traffic. IFACPapersOnLine, 51(9), pp.355-360. DOI: https://doi.org/gt4j

Törő, O., Bécsi, T., Aradi, S. and Gáspár, P., 2018. IMM Bernoulli Gaussian Particle Filter. IFAC-PapersOnLine, 51(22), pp.274-279. DOI: https://doi.org/gt4k

D. Simon, Optimal state estimation : Kalman, H_∞ and nonlinear approaches. Hoboken, N.J: Wiley-Interscience, 2006. DOI: https://doi.org/bmzttv

Teixeira, B. O., Chandrasekar, J., Tôrres, L. A., Aguirre, L. A., & Bernstein, D. S. (2009). State estimation for linear and non-linear equality-constrained systems. International Journal of Control, 82(5), 918-936. DOI: https://doi.org/bfwshc

O. Törő, T. Bécsi, and S. Aradi, “Design of lane keeping algorithm of autonomous vehicle,” Periodica Polytechnica Transportation Engineering, vol. 44, no. 1, pp. 60–68, 2016. DOI: https://doi.org/ggfvvq

Z. Zhao, B. Huang, and F. Liu, “Constrained particle filtering methods for state estimation of nonlinear process,” AIChE Journal, vol. 60, no. 6, pp. 2072–2082, 2014. DOI: https://doi.org/gt4m

Chen, Z., 2003. Bayesian filtering: From Kalman filters to particle filters, and beyond. Statistics, 182(1), pp.1-69. DOI: https://doi.org/bkztpw

A. A. Saucan, T. Chonavel, C. Sintes, and J. M. L. Caillec, “Interacting multiple model particle filters for side scan bathymetry,” in 2013 MTS/IEEE OCEANS - Bergen, June 2013, pp. 1–5. DOI: https://doi.org/gt4n