Sensor Fusion and Tracking Toolbox

 

Sensor Fusion and Tracking Toolbox

Diseñe, simule y pruebe sistemas de seguimiento y posicionamiento multisensor

Más información:

Seguimiento para sistemas de vigilancia

Realice el seguimiento de los objetivos en las regiones de vigilancia utilizando datos de sensores activos y pasivos montados en plataformas fijas y móviles.

Sistema de radar realizando el seguimiento de un avión en ruta.

Seguimiento de un avión con escenarios centrados en la Tierra.

Vigilancia espacial

Realice el seguimiento de varios objetos espaciales utilizando datos de sensores de radar para generar percepción de la situación espacial. Puede configurar los seguidores para que utilicen un modelo de movimiento kepleriano u otros modelos orbitales.

Sistema de radar realizando el seguimiento de desechos espaciales en la órbita terrestre.

Seguimiento de desechos espaciales con modelos de movimiento kepleriano.

Vigilancia terrestre y marítima

Realice el seguimiento de objetos ampliados en aplicaciones terrestres y marítimas con sensores de LiDAR y radar de alta resolución.

Seguimiento de objetos ampliados con LiDAR.

Seguimiento para sistemas autónomos

Mejore los sistemas de percepción en vehículos autónomos mediante el seguimiento de objetos ampliados con datos de cámara, radar y LiDAR. Fusione nubes de puntos, detecciones y seguimientos de varios sensores para estimar la posición, la cinemática, la extensión y la orientación de estos objetos.

Seguimiento con un único sensor

Modele y simule seguidores multiobjeto para realizar el procesamiento requerido en sensores inteligentes. Esto incluye transformar los datos sin procesar en listas de seguimiento de objetos.

Seguimiento de objetos mediante un cuadro delimitador 3D generado a partir de una nube de puntos LiDAR.

Fusión centralizada

Realice el seguimiento de objetos ampliados con un seguidor centralizado que fusiona datos de varios sensores y modalidades de sensores. Utilice un seguidor de densidad de hipótesis de probabilidad (PHD) para estimar la cinemática de objetos en movimiento, junto con las dimensiones y la orientación de los objetos. Para entornos urbanos complejos, implemente un seguidor de conjuntos finitos aleatorios (RFS) basado en cuadrícula para seguir la ocupación de cada celda de la cuadrícula, así como su cinemática.

Utilice un mapa de rejilla de ocupación dinámica en escenas de conducción urbana.

Fusión en el nivel de seguimiento

Fusione seguimientos de varias fuentes de seguimiento para lograr una estimación más completa del entorno. Evalúe las arquitecturas de fusión track-to-track en sistemas con limitaciones de ancho de banda y sistemas que emplean control de rumores para eliminar resultados obsoletos.

Fusión en el nivel de seguimiento con sensores de LiDAR y radar.

Seguimiento multiobjeto

Integre y configure filtros de Kalman y de partículas, algoritmos de asociación de datos y seguidores de varios objetos multisensor. Mantenga una o varias hipótesis sobre los objetos seguidos.

Filtros de estimación y asociación de datos

Estime los estados de los objetos utilizando una extensa librería de filtros de estimación, tales como filtros de Kalman lineales y no lineales, filtros multimodelo y filtros de partículas. Encuentre las soluciones óptimas o k-óptimas al problema de asignación 2D o al problema de asignación S-D. Asigne detecciones a detecciones, detecciones a seguimientos o seguimientos a seguimientos.

Varios sensores siguiendo un único objeto a medida que se mueve por la cobertura.

Seguimiento de solo rango con filtros no gaussianos.

Seguidores multiobjeto.

Integre filtros de estimación, algoritmos de asignación y lógica de gestión del seguimiento en seguidores multiobjeto para fusionar las detecciones en los seguimientos. Convierta los datos de sensores a un formato de detección y utilice un seguidor de vecino más próximo global (GNN) para escenarios simples. Para escenarios difíciles, como el seguimiento de objetivos muy cercanos que generan ambigüedades de medición, puede optar fácilmente por un seguidor conjunto de asociación de datos probabilísticos (JPDA), un seguidor de varias hipótesis (MHT) o un seguidor PHD.

Seguimiento de objetivos cercanos que generan ambigüedades de medición.

Seguidores de objetos ampliados y basados en cuadrícula

Utilice un seguidor PHD para seguir la cinemática, el tamaño y la orientación de objetos ampliados. Utilizando datos de sensores de alta resolución tales como nubes de puntos de LiDAR y radar, realice el seguimiento con seguidores RFS basados en cuadrícula para estimar las características dinámicas de las celdas de la cuadrícula en entornos urbanos complejos.

Seguimiento de objetos ampliados con estimación de tamaño y orientación.

Seguimiento centralizado y descentralizado

Cree arquitecturas de seguimiento centralizadas y descentralizadas que fusionan los informes de los sensores dentro de las limitaciones del ancho de banda de comunicación. Utilice diferentes métodos para la fusión de estados y de covarianzas de estado.

Fusión en el nivel de seguimiento

Fusione seguimientos generados por sensores de seguimiento u otros objetos de fusión track-to-track. Diseñe sistemas de seguimiento descentralizados en sistemas con ancho de banda restringido. Reduzca la propagación de rumores para eliminar los resultados obsoletos del seguidor.

Fusión track-to-track entre dos vehículos.

Arquitecturas de fusión

Explore las arquitecturas de seguidores y evalúe los tradeoffs de diseño entre las arquitecturas de fusión track-to-track, de seguimiento de nivel central o de seguimiento híbrido. Utilice la fusión estática (detección) para combinar detecciones de sensores solo de ángulo y de solo rango, tales como IR, ESM o radares biestáticos.

Sensores pasivos síncronos distribuidos que usan detecciones de solo ángulo para el seguimiento de varios objetos.

Seguimiento con sensores pasivos síncronos distribuidos.

Simulación de escenarios de seguimiento

Genere informes de sensores para probar sistemas de seguimiento. Defina escenarios multiplataforma y genere perfiles de movimiento para cada plataforma utilizando trayectorias basadas en waypoints y en cinemática. Adjunte firmas y modelos de sensores a cada plataforma, y simule sus informes estadísticamente. Utilice una validación (ground-truth) simulada en las simulaciones Montecarlo para verificar y validar los sistemas de seguimiento.

Trayectoria de objetos y generación de poses

Defina escenarios de forma interactiva con la app Tracking Scenario Designer y genere scripts de MATLAB que definen y convierten la posición, la velocidad y la orientación reales de los objetos en distintos marcos de referencia.

Modelos de sensores activos y pasivos

Modele sensores activos (incluidos radar, sonar y LiDAR) para generar detecciones de objetos. Simule exploraciones mecánicas y electrónicas en acimut, elevación o ambos. Modele sensores de receptor de advertencia de radar (RWR), medida de soporte electrónico (ESM), sonar pasivo e infrarrojos para generar detecciones de solo ángulo para su uso en escenarios de seguimiento. Modele sistemas de radar y sonar multiestáticos con emisores y sensores.

Seguimiento con sensores multiestáticos.

Simulaciones Montecarlo

Realice simulaciones Montecarlo utilizando diferentes valores de ruido aleatorios. Introduzca perturbaciones en las configuraciones de validación (ground-truth) y de los sensores para aumentar la robustez de las pruebas.

Perturbación de trayectorias y sensores para generar datos de pruebas.

Localización para plataformas de seguimiento

Realice la fusión de sensores IMU, GPS y altímetros para determinar la orientación y la posición a lo largo del tiempo y permitir el seguimiento con plataformas móviles. Estime la orientación y la posición para los sistemas de navegación inercial (INS) a lo largo del tiempo con algoritmos optimizados para diferentes configuraciones de sensores, requisitos de salida y restricciones de movimiento.

Modelos de sensores INS

Modele sensores de unidad de medición inercial (IMU), GPS, altímetros e INS. Ajuste los parámetros del medioambiente, tales como la temperatura, y las propiedades de ruido de los modelos para emular entornos del mundo real.

Sensores IMU y GPS para generar datos para desarrollar y probar algoritmos de fusión inercial.

Modelado de sensores IMU y GPS para probar algoritmos de fusión inercial.

Estimación de la orientación

Fusione las lecturas de acelerómetros y magnetómetros para simular una brújula electrónica (eCompass). Fusione las lecturas de acelerómetros, giroscopios y magnetómetros con un filtro de sistema de referencia de actitud y rumbo (AHRS) para estimar la orientación.

Estimación de la orientación de una plataforma mediante la fusión de sensores inerciales.

Localización de un egovehículo mediante odometría visual-inercial en un entorno sin acceso a GPS.

Odometría visual-inercial utilizando datos fusionados de IMU y cámara.

Visualización y análisis

Analice y evalúe el rendimiento de los sistemas de seguimiento con respecto a la validación (ground-truth).

Visualizaciones de escenarios

Represente gráficamente la orientación y la velocidad de los objetos, las trayectorias de validación (ground-truth), las mediciones de sensores y los seguimientos en 3D. Represente gráficamente las incertidumbres de detección y seguimiento. Visualice los ID de seguimiento con registros de historial.

Detecciones generadas en un escenario multiplataforma con tres sensores y varios objetivos.

Gráfica teatral de un escenario multiplataforma.

Métricas de sensores y seguimientos

Genere métricas de establecimiento, mantenimiento y eliminación de seguimientos, tales como longitud de seguimiento, interrupciones de seguimiento e intercambios de ID de seguimiento. Estime la precisión del seguimiento mediante posición, velocidad, aceleración y raíz del error cuadrático medio (RMSE) de velocidad de giro o error al cuadrado de estimación normalizado promedio (ANEES). Utilice las métricas integradas de OSPA y GOSPA para obtener una puntuación única de rendimiento. Analice el ruido de un sensor inercial usando la varianza de Allan.

Métricas de seguimiento integradas para evaluar el rendimiento del seguidor con respecto a la validación (ground-truth).

Ajuste de filtros y seguidores

Ajuste los parámetros de los seguidores multiobjeto, tales como el umbral de asignación, la función de inicialización del filtro, y los umbrales de confirmación y eliminación, para maximizar el rendimiento. Compare los resultados entre seguidores y configuraciones de seguidores. Ajuste automáticamente los filtros INS para optimizar los parámetros de ruido.

Seguimiento de objetivos puntuales en una aglomeración densa con un seguidor GM-PHD.

Aceleración de algoritmos y generación de código

Acelere las simulaciones mediante la aplicación de coarse gating, la generación de código C/C++ y MEX o el uso de grupos de workers.

Generación de código

Genere código C/C++ y MEX para la aceleración de simulaciones o el prototipado de escritorio con MATLAB Coder™. Aplique umbrales de cálculo de costes para reducir el tiempo dedicado al cálculo del coste de asignación.

Seguimiento de miles de objetivos con generación de código para reducir el tiempo de simulación.