Resumen

Los métodos robustos de seguimiento de objetos y estimación de maniobras desempeñan un papel importante en el diseño de sistemas avanzados de asistencia al conductor y coches autoconducidos. El rendimiento de estos algoritmos influye en la eficacia general de la planificación del movimiento y desempeña un papel importante en la seguridad. En este artículo se examina la idoneidad de distintos métodos probabilísticos de estimación del estado, a saber, el filtro de Kalman ampliado (EKF) y el filtro de partículas (PF), más general, con la adición del enfoque de modelos múltiples interactivos (IMM). Estos algoritmos no son capaces de predecir el movimiento a largo plazo en condiciones de tráfico rodado, aunque su robustez y capacidad de clasificación de modelos son esenciales para el sistema global. El rendimiento se evalúa en escenarios de tráfico rodado en los que el objeto rastreado imita las características de movimiento de un vehículo de carretera y se observa desde un sensor estacionario. Las mediciones se generan de acuerdo con modelos de radar de automoción estándar. El análisis realizado a lo largo de dos aspectos pone de relieve las diferentes propiedades de rendimiento y escalado de los algoritmos de estimación de estado examinados. El marco de evaluación presentado sirve como método personalizable para probar y desarrollar funciones autónomas avanzadas.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:sistemas avanzados de asistencia al conductor, diferentes métodos probabilísticos de estimación del estado, modelos estándar de radar de automoción, filtro de kalman ampliado, modelo múltiple interactivo, seguimiento robusto de objetos, funciones autónomas avanzadas, filtro de partículas general, métodos de estimación de maniobras, capacidad de clasificación de modelos
• Keywords:advanced driver assistant systems, different probabilistic state estimation methods, standard automotive radar models, extended kalman filter, interacting multiple model, robust object tracking, advanced autonomous functions, general particle filter, maneuver estimation methods, model classification capability