Soutenance mémoire
Association Temporelle de données
Dans un système de poursuite multi-objets, l’étape d’association temporelle est un point délicat. Elle identifie dans le temps les objets présents dans la scène. Une mauvaise association entraîne pour l’ensemble de l’algorithme de suivi une erreur sur l’estimation des trajectoires des objets. L’estimation des caractéristiques dynamiques des objets est un problème classique des systèmes de suivi d’objets multiples. Pour réaliser cette estimation, le rôle de l’étape d’association temporelle est de mettre en relation les informations (mesures) de l’instant courant avec celles des instants précédents . Les informations de l’instant courant sont issues de l’étape de détection d’objets et constituent le jeu de mesures disponibles pour assurer l’étape de suivi. L’exploitation des instants précédents passe par une étape de prédiction dans laquelle les informations dont on dispose sont exploitées afin de prévoir l’information attendue à l’instant courant et d’assurer ainsi l’association entre données attendues et données disponibles. Au final, l’étape de filtrage n’aura plus qu’à intégrer le résultat de cette association pour affiner l’estimation des états des objets (position, vitesse…).
Dans un contexte multi capteurs, l’étape d’association est cruciale car elle conditionne le bon déroulement de l’ensemble de la chaîne d’estimation et de suivi. Toutefois, afin de garantir une association efficace entre les objets mesurés à l’instant t et les objets prédits à partir des informations aux instants précédents . Cela permet de décider s’il y a lieu d’associer la piste existante avec une ou plusieurs observations à l’instant courant. Plusieurs cas de figure peuvent se présenter :
− une unique observation se trouve dans la région de validité de la piste,
− plusieurs observations tombent dans la région de validité d’une seule piste,
− une ou plusieurs observation(s) appartiennent à plus d’une région de validité de pistes.
Nous détaillons par la suite les principales méthodes d’association temporelle. considère tout d’abord le cas mono-objet avec une mise en correspondance des objets piste par piste et présente quelques approches :
− méthode du Plus Proche Voisin (NN –Nearest Neighbors) : sélection de l’observation la plus proche en distance de la mesure prédite, pour une piste donnée;
− méthode d’Association Probabiliste de Données (PDA –Probabilistic Data Association) : sélection de toutes les observations qui peuvent être à l’origine de la piste en cours de traitement ;
Méthode d’association de données multi-objets
Méthode des hypothèses multiples (MHT)
Dans le contexte de suivi multi-objets, la phase d’association observations-piste joue un rôle non négligeable dans l’apparition des trajectoires des objets (ou pistes). La méthode MHT traite de l’association de séquences d’observations et de l’évaluation de la probabilité de chaque séquence [Bar-Shalom, 1988]. Avec cette méthode, il est facile de démarrer des nouvelles pistes avec les observations qui n’ont pas été associées. Cette méthode a été initiée par [Reid, 1979] pour le suivi d’objets multiples dans un environnement encombré. Le principe de cette méthode réside dans la génération d’hypothèses pour chaque nouvelle observation. L’objectif est de garder les hypothèses les plus probables. La densité de probabilité de chaque hypothèse d’association est supposée gaussienne. L’évaluation dépend de trois paramètres : la probabilité d’association entre la piste et la nouvelle observation associée, le vecteur d’état et la matrice de covariance de l’erreur de la piste.
Pour chaque nouvelle observation, il y a trois cas possibles :
− c’est une fausse alarme ;
− elle appartient à une piste déjà existante ;
− il s’agit d’une nouvelle piste.
La croissance des hypothèses d’association suit une structure en arbre [Blackman, 1986], dans lequel chaque segment (tronçon entre deux nœuds de l’arbre, pour une période d’échantillonnage) représente une hypothèse de présence de piste et sa position à l’instant courant. Pour chaque observation, au moins deux nœuds de l’arbre sont construits.
Il est clair que dans ce contexte, le nombre d’hypothèses croit de manière exponentielle au cours du temps. On peut donc appliquer différentes techniques afin de :
− regrouper les hypothèses pour réduire la complexité algorithmique.
− éliminer les hypothèses de faible probabilité.
Différentes techniques de réduction d’hypothèses peuvent être appliquées [Bar-Shalom, 1988] dont une des plus populaires est le JPDA. Le concept de regroupement des hypothèses a été introduit par [Reid, 1979]. Cette méthode réduit le nombre des probabilités à calculer et traite séparément les hypothèses qui n’ont pas d’interaction dans le groupe. On trouvera dans [Blackman, 1986][Bar-Shalom, 1988] une description détaillée de l’algorithme MHT.
Méthode d’association probabiliste conjointe de données (JPDA)
Dans la méthode PDA, l’association est faite entre une unique piste et toutes les observations disponibles à l’instant courant, c’est le cas mono-objet. En revanche, une extension de la méthode PDA détaillée précédemment a été développée afin de traiter le cas multi-objet, c’est la méthode JPDA. Cette dernière méthode est aussi un cas particulier de la méthode MHT qui permet de minimiser le coût de construction et le calcul des probabilités des hypothèses d’association. La méthode JPDA traite le cas de chevauchement qui se produit entre différentes régions de validité des pistes et pour lesquelles des observations peuvent être associées simultanément à plusieurs pistes. Pour cette méthode, toutes les hypothèses d’association envisageables sont étudiées et une probabilité est attachée à chaque hypothèse construite. Le cas des observations correspondant à des fausses alarmes est également considéré par cette méthode.L’inconvénient de cette méthode est la croissance exponentielle du nombre d’hypothèses dans le cas où il y a des observations appartenant à plusieurs pistes. La création des nouvelles pistes par cette méthode est ainsi difficile.
Capteurs actifs
Les systèmes de perception de l’environnement nécessitent l’usage de capteurs de détection extéroceptifs et proprioceptifs. Les capteurs extéroceptifs donneront des informations sur l’environnement externe au système de perception, les capteurs proprioceptifs fourniront des informations sur des états internes au système. Ainsi, un capteur de vitesse est un capteur proprioceptif d’un système de détection d’obstacle embarqué dans un véhicule et un capteur image de détection d’obstacles est un capteur extéroceptif de ce véhicule. Ces capteurs extéroceptifs et proprioceptifs peuvent être actifs ou passifs. On parle de capteur actif lorsque l’information reçue par le capteur l’est en retour d’un signal émis. Un capteur est dit passif lorsqu’il reçoit une énergie sans pour autant émettre de signal.
Des exemples de capteurs extéroceptifs actifs sont
− les Lidar (LIght Detection And Ranging) ou capteur « Laser scanner » (Laser –Light Amplification by Stimulated Emission of Radiation, pour la détection d’objets à l’aide d’une lumière laser,
− les sonars (SOund Navigation And Ranging) pour la détection d’objet dans l’eau à l’aide d’ondes sonores ou encore
− les Radar (RAdio Detection And Ranging) pour détecter et déterminer la distance et/ou la vitesse d’objets à l’aide d’ondes radio.
Des exemples de capteurs extéroceptifs passifs sont :
− les capteurs optiques de type vidéo caméra. De façon générale, un capteur est caractérisé par ses contraintes d’utilisation et ses performances.
− pour quel objectif a-t-il été conçu : quel type d’événement détecte-t-il, quelle est sa nature (distance, volume, pression, température…) ?
− pour/dans quel environnement est-il amené à fonctionner (espace, eau, terre, en intérieur ou en extérieur, en environnement libre ou contraint, embarqué ou non, utilisation sur support statique ou mobile…) ?
− quelles sont les caractéristiques de sa grandeur physique (mesures, variation de la grandeur, sensibilité, précision, temps de réponse, bande passante, résolution…) ?
Avec l’arrivée des capteurs intelligents dans les années 80, d’autres fonctionnalités ont été ajoutées aux capteurs telles que des fonctions d’auto-test, de configuration de traitement, d’étalonnage, d’interconnexion à des bus de terrain…
|
Table des matières
Introduction générale
Chapitre I Positionnement des problèmes
I.1 Application Transport
I.2 Problématique scientifique étudiée
I.3 Méthode d’estimation
I.3.1 Estimation dynamique de processus markoviens
I.3.2 Filtrage linéaire optimal : le filtre de Kalman
I.3.3 Filtrage non-linéaire
I.3.3.1 Le filtre de Kalman étendu
I.3.3.2 Le filtre de Kalman « Unscented »
I.3.3.3 Méthodes de Monte-Carlo séquentielles : l’approche particulaire
I.4 Association Temporelle de données
I.4.1 Introduction
I.4.2 Méthodes d’association de données mono-objet
I.4.2.1 Méthode du plus proche voisin (NN)
I.4.2.2 Méthode d’association probabiliste de données (PDA)
I.4.3 Méthode d’association de données multi-objets
I.4.3.1 Méthode des hypothèses multiples (MHT)
I.4.3.2 Méthode d’association probabiliste conjointe de données (JPDA)
I.5 Capteurs actifs
I.5.1 Introduction
I.5.2 La technologie laser
I.5.2.1 Domaines d’utilisation du laser
I.5.2.2 Principe des télémètres lasers utilisés pour la surveillance et l’automobile
I.5.3 Evolution des capteurs laser automobile de détection d’obstacle
I.5.4 Présentations des capteurs Sick et IBEO utilisés et de leurs données
I.5.4.1 Le capteur laser automobile IBEO LD
I.5.4.2 Les capteurs de surveillance Sick LMS 200
Chapitre II Suivi multi-objets avec intégration du contexte capteur/objet
II.1 Détection des objets
II.1.1 Introduction
II.1.2 Méthodes supervisées
II.1.2.1 Exemple de méthodes supervisées
II.1.2.2 K-means (K-moyennes)
II.1.3 Méthodes non supervisées
II.1.3.1 Méthodes de classification non supervisées rencontrées dans la littérature
II.1.3.2 Détection par classification hiérarchique ascendante
II.1.3.3 Détection séquentielle (issue de l’algorithme des nuées dynamiques)
II.1.3.4 Comparaison des méthodes de détection présentées
II.1.4 Détection des objets dans des données réelles
II.2 Suivi d’objets en mouvement
II.2.1 Filtrage
II.2.1.1 Modèles de mouvement
II.3 Association probabiliste de données
II.3.1 Association temporelle
II.3.1.1 Critère d’association
II.3.2 Gestion des pistes
II.3.3 L’approche PDAF (Probabilistic Data Association Filter)
II.4 Intégration du contexte
II.4.1 Position du problème
II.4.2 Apport des réseaux bayésiens à l’association de données
II.4.2.1 Rappels sur les réseaux bayésiens
II.4.2.2 Détermination de la probabilité de détection par réseau bayésien
II.5 Expérimentations
II.5.1 Données synthétiques
II.5.1.1 Radar à balayage
II.5.1.2 Résultats de détection et estimation
II.5.2 Résultats sur données réelles (capteur IBEO)
II.5.3 Résultats sur données réelles (capteur SICK LMS)
II.6 Conclusion
Chapitre III Détection à partir de données télémétriques
III.1 Position générale du problème de détection
III.2 Performances des systèmes de détection
III.2.1 La détection à partir de données de type radar
III.2.2 La détection pour un télémètre laser à balayage
III.3 Les données télémétriques
III.3.1 Expression des mesures
III.3.2 Imprécisions et incertitudes sur les mesures
III.4 Le clustering
III.4.1 Clustering adaptatif
III.5 La segmentation
III.5.1 Détermination par minimisation quadratique
III.5.1.1 Extraction de droites en coordonnées cartésiennes
III.5.1.2 Extraction de droites en coordonnées polaires
III.5.2 Quelques algorithmes de segmentation
III.5.2.1 Algorithme Incrémental (ou Line Tracking)
III.5.2.2 Algorithmes de type Split and Merge
III.5.2.3 Quelques autres algorithmes non implémentés
III.5.3 Détermination des autres paramètres du segment
III.5.3.1 Calcul des extrémités du segment
III.5.3.2 Calcul de la longueur du segment
III.5.3.3 Calcul du milieu du segment
III.5.4 Modélisation par des primitives de type rectangle
III.5.4.1 Détection des coins
III.5.4.2 Modélisation par un rectangle
III.6 Une nouvelle méthode de segmentation
III.6.1 Mise en évidence d’un invariant
III.6.2 Principe de la méthode de segmentation
III.6.2.1 Segmentation par recherche d’invariants
III.6.2.2 Extraction des paramètres des segments
III.6.3 Application de la méthode sur données bruitées
III.7 Evaluation de l’algorithme de détection par invariant
III.7.1 Présentation du protocole d’expérimentation
III.7.2 Evaluation et comparaison des méthodes de détection
III.7.2.1 Comparaison avec les autres algorithmes de détection
III.7.2.2 Performances de l’algorithme Inv en fonction du contexte capteur-objet
III.7.2.3 Performances de l’algorithme Inv en fonction du contexte objet/objet
III.7.3 Résultats sur données réelles
III.8 Conclusion
Conclusion générale
