Urban Multi-Object Tracking in the Context of Hybrid Environment Models

Durch die zunehmende Urbanisierung und die verhältnismäßig hohe Anzahl von Unfällen mit Personenschäden in Kreuzungsbereichen gibt es einen wachsenden Bedarf an maschinellen Wahrnehmungssystemen für das urbane Umfeld. Die Wahrnehmung von bewegten Objekten in urbanen Umgebungen stellt Sensorik und weiterverarbeitende Algorithmen vor erweiterte Herausforderungen. Tracking-Algorithmen müssen gleichzeitig eine Vielzahl von Objekthypothesen stabil verfolgen und dabei sowohl Längs- als auch Querverkehr beherrschen. Bisher verfügbare Seriensysteme sind auf Längsverkehr und eine eingeschränkte Anzahl an Objekthypothesen optimiert. Realisierungen in aktuellen Forschungsbeiträgen nutzen zum Teil aufwändige Sensorsetups und fusionieren diese beispielsweise in objekt-, gitter- und graphenbasierten Darstellungsformen. Zur Verbesserung des Szenenverständnisses werden diese Darstellungsformen anschließend typischerweise zu einem Umfeldmodell kombiniert. Im Rahmen dieser Arbeit wird auf aufwändige Sensorsetups verzichtet. Stattdessen wird eine konkrete Realisierung eines maschinellen Wahrnehmungssystems für das urbane Umfeld mittels eines seriennahen Laserscanners analysiert. Hierfür wird eine strukturelle Erweiterung des sogenannten Interacting-Multi-Modell-Filters um Fusionen mit graphen- und gitterbasierten Darstellungsformen erarbeitet, die die Unsicherheit der Zustandsschätzung in Kreuzungsbereichen minimiert. Die Eigenschaften der neuartigen Erweiterung zum Active-Interacting-Multi-Modell-Filters (AIMM) werden anschließend anhand realer Messdaten validiert.Increasing urbanization results in a higher risk of accidents at intersections. This makes it necessary to improve machine perception systems in urban environments. The perception of moving objects in urban environments poses new challenges for sensors and tracking algorithms. Tracking algorithms must estimate the movement of a large number of objects simultaneously while taking into account longitudinal as well as crossing traffic. The systems currently available are only able to handle motorway traffic and a limited number of objects. In order to extend the application area of machine perception systems, several ongoing research projects attempt to use sophisticated sensor setups and fuse the data into object-, grid and graph-based representations. These representations are combinded to a single model of the environment, which is necessary to transfer the output to application scenarios. Aiming at closing this gap, the work presented in this thesis analyzes a concrete realization of a machine perception system for urban environments using a close-to-production laser scanner. An extension of the interacting multi model filter is used to minimize the uncertainty of state estimation in urban crossroads so that graph and grid-based forms of representation can be merged. Finally, the active interacting multi model filter (AIMM) is evaluated by using real sensor data