Neue Methoden zur Verfolgung schwer-observierbarer Objekte

Die Verfolgung mehrerer Objekte beruht auf dem Problem der Schätzung der Anzahl und der Zustände einer unbekannten Anzahl mehrerer Objekte basierend auf Messungen, die von einem oder mehrerer Sensoren zur Verfügung gestellt werden. Typische Anwendungen finden sich hier in den Bereichen des autonomen Fahrens, der Objektlokalisierung in Innenräumen, der Ozeanographie, der Robotik und der biomedizinischen Analyse. Im sogenannten Detect-then-track (DTT) Verfolgunsansatz werden die vorhandenen Sensormessungen vorverarbeitet, um die Gesamtmenge an Daten und somit die Rechenkapazität zu reduzieren. Dem gegenüber steht der Detect-then-track (DTT) Verfolgunsansatz, der auf nicht vorverarbeiteten Sensormessungen basiert. Die Verfolgung von mehreren schwer-observierbaren Objekten gestaltet sich als besonders schwierig, da hier die Sensoren vorwiegend unpräzise Messungen liefern. Die Ursachen hierfür sind die begrenzte Erfassungs- und Detektionsfähigkeit der Sensoren oder aber auch Objekte, die sich in Bereichen mit eingeschränkter Sichtbarkeit bewegen, wie z. B. in Unterwasserumgebungen. Das Ziel des Postdoc-Stipendiums ist es, leistungsfähige und effiziente Methoden und Algorithmen zur Verfolgung schwer-observierbarer Objekte zu entwickeln. Dieses Forschungsprojekt konzentriert sich auf den TBD-Ansatz, der sich besonders zur Verfolgung schwer-observierbarer Objekte eignet, da dieser keine relevante Sensorinformation verwirft. Für die Modellierung des Verfolgungsproblems und der Objektschätzung kombinieren wir den Random Finite Set Ansatz mit der Methodik Belief Propagation, um neue akkurate aber auch effiziente Algorithmen zu entwickeln. Weiters beschäftigen wir uns auch mit dem DTT-Ansatz unter der Verwendung mehrerer Sensoren. Genauer gesagt befassen wir uns hier mit sogenannten verteilten Mehrsenor-Szenarion, bei denen jeder Sensor nur mit einer gewissen Anzahl seiner unmittelbaren Nachbar-Sensoren kommunizieren kann und wo keine zentrale Verarbeitungseinheit vorhanden ist. Bei diesem Ansatz basieren die meisten derzeitigen Methoden auf dem Fusionieren von Wahrscheinlichkeitsverteilungen unter der Verwendung von einer harten Zuordnung der verfolgten Objekte. Um aber eine fehlerhafte Zuordnung vermeiden zu können, welche üblicherweise sehr häufig bei schwer-observierbaren Objekten auftritt, schlagen wir die Verwendung einer weichen (probabilistischen) Zuordnung von Objekten vor, um eine harte Zuordnung zu vermeiden.