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.

Die Verfolgung mehrerer Objekte beruht auf dem Problem, die Anzahl und Zustände einer unbekannten Anzahl von Objekten anhand von Messungen, die von einem oder mehreren Sensoren erfasst werden, zu schätzen. Zu den Anwendungsbereichen gehören Überwachung, autonomes Fahren, Indoor-Lokalisierung, Ozeanographie, Robotik und biomedizinische Analytik. Die Sensormessungen können entweder vorverarbeitet werden, um das Datenvolumen und die Rechenkomplexität zu reduzieren, was zu dem sogenannten 'Detect-Then-Track' (DTT)-Ansatz führt, oder sie werden unverarbeitet belassen, was zu dem sogenannten 'Track-Before-Detect' (TBD)-Ansatz führt. Die Verfolgung mehrerer schwer-observierbarer Objekte erweist sich als besonders schwierig, da die Sensoren hier vorwiegend unpräzise Messungen liefern. Die Ursachen hierfür sind die begrenzte Erfassungs- und Detektionsfähigkeit der Sensoren oder auch Objekte, die sich in Bereichen mit eingeschränkter Sichtbarkeit bewegen, wie etwa in Unterwasserumgebungen. Das Ziel des zugrunde liegenden Schrödinger-Projekts war die Entwicklung neuer, leistungsfähiger und effizienter Methoden und Algorithmen zur Verfolgung schwer-observierbarer Objekte. Ein Teil des Projekts beschäftigte sich mit dem TBD-Ansatz, der sich besonders gut für die Verfolgung schwer-observierbarer Objekte eignet, da hier relevante Sensorinformation nicht verworfen wird. Hierbei entwickelten wir eine neue TBD-Methode, die auf endlichen Zufallsmengen und 'Belief Propagation' (BP) basiert. Die entwickelte Methode funktioniert auch bei niedrigen Signal-Rausch-Verhältnissen und in schwierigen Szenarien mit mehreren nahe beieinander liegenden Objekten sehr gut. Da die Menge an Sensordaten in TBD-Szenarien in der Regel hoch ist, entwickelten wir eine zweite Methode, die nur einen Bruchteil der verfügbaren Daten nutzt. Diese Methode wiederum basiert auf einem Vordetektor, der nur Messungen zur Objektverfolgung auswählt, die ein bestimmtes Qualitätskriterium erfüllen. Hier konnten wir zeigen, dass diese Methode eine deutlich geringere Komplexität aufweist und nur einen geringen Genauigkeitsverlust mit sich bringt. Weiters haben wir eine DTT-basierte Methode zur Verfolgung mehrerer Objekte entwickelt, die mehrere Sensoren nutzt. Hier entwickelten wir einen verteilten Multisensor-Algorithmus, d. h. einen Algorithmus, der auf keiner zentralen Verarbeitungseinheit beruht, bei dem jeder Sensor nur mit seinen direkten Nachbarn kommuniziert. Ein kritischer Punkt bei solchen Algorithmen ist die korrekte Zuordnung der von verschiedenen Sensoren verfolgten Objekte. Gängige Algorithmen verwenden hier eine harte (deterministische) Zuordnung der Objekte zwischen den Sensoren. Unsere entwickelte Methode basiert auf dem neuen Konzept der weichen (probabilistischen) Zuordnung von Objekten, die von verschiedenen Sensoren erfasst werden. Dies hat den Vorteil, dass eine falsche Zuordnung vermieden wird, die häufig bei schwer-observierbaren Objekten auftritt. Bei der Entwicklung dieses Algorithmus haben wir erneut endliche Zufallsmengen und BP verwendet. Zu guter Letzt haben wir Mehrobjekt-Verfolgungsalgorithmen in realen Unterwasserumgebungen angewendet. Konkret haben wir die Positionen mehrerer Schnabelwale in einem fordernden Unterwasserszenario mithilfe von Daten aus mehreren akustischen Sensoren erfolgreich verfolgt.