Guerlin, Louis
[VerfasserIn]
;
Université Grenoble Alpes
[MitwirkendeR];
Rombaut, Michèle
[MitwirkendeR];
Pannetier, Benjamin
[MitwirkendeR]
Approches bayésiennes pour le suivi d’objets étendus appliquées à la lutte anti-drone et au véhicule autonome ; Multisensor data fusion for autonomous driving and advanced driver-assistance systems
Titel:
Approches bayésiennes pour le suivi d’objets étendus appliquées à la lutte anti-drone et au véhicule autonome ; Multisensor data fusion for autonomous driving and advanced driver-assistance systems
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Cette thèse s'inscrit dans le cadre d'une synergie entre le Groupe Renault, l'Onéra et le Gipsa-lab sur la problématique du suivi multi-objets étendus avec des approches bayésiennes. Les applications visées sont la lutte anti-drone pour l'Onéra, et les aides à la conduite pour le Groupe Renault.Pour chacune des applications, l'objectif est d'estimer les paramètres cinématiques d'objets étendus dans un espace surveillé par un ou plusieurs capteurs. Un objet étendu est une entité dynamique dont la taille est plus grande que la résolution d'un capteur extéroceptif: il génère plusieurs mesures par balayage du capteur. Le but est de déterminer ses paramètres cinématiques, ainsi qui son extension.Dans les applications visées par ces travaux, plusieurs objets étendus doivent être estimés simultanément. Le suivi multi-objets s'intéresse à l'estimation conjointe du nombre d'objets et de leur état cinématique.Les ensembles aléatoires finis proposent une modélisation élégante de ce problème. Ils modélisent l'ensemble du système mutli-objets avec une vraisemblance des mesures et un modèle d'évolution pour le système multi-objets complet, avec l'aide de densités de probabilités mutli-objets. Malheureusement, le modèle de mesure standard est incompatible avec les cibles étendues: il y est fait l'hypothèse d'objets retournant au plus une mesure.Pour traiter les cibles étendues, deux méthodes sont proposées. D'abord un modèle bayésien, le modèle des matrices aléatoires, utilisant des densités de probabilités sur les matrices de covariance gaussiennes, puis un algorithme de type réseau de neurones convolutifs.Pour les deux applications, la problématique du suivi multi-objets est traitée avec la modélisation offerte par les ensembles aléatoires finis. En revanche, pour la modélisation des objets étendus, les solutions diffèrent puisque la quantité de données disponibles n'est pas la même pour chaque application. Pour le suivi de groupes de drones, nous disposons de peu de données, donc nous avons adopté un modèle bayésien complet ...