Abstract: Syfte och mål
Projektet har två huvudsakliga arbetspaket: Etapp ett utgår ifrån projektet SEFS, och syftar till att leverera högpresterande modeller och metoder att användas i följningsfilter. En viktig frågeställning är om vi smidigt kan anpassa ett traditionellt följningsfilter så att det kan användas effektivt i etapp två. Etapp två syftar till att bredda våra erhållna kunskaper om sensordatafusion att även hantera sensorer som hittills typiskt hanterats på högre algoritmisk nivå. Vi vill också studera metoder som sträcker sig utanför Bayesiansk statistik.
Förväntade effekter och resultat
Bland annat: Sensormodell för radar som hanterar utsträkta objekt på ett sätt som gör det användbart att jämföra med t.ex. data ifrån en driver state sensor. En robust metod att skatta väntevärde och kovarians för en olinjärt transformerad stokastisk variabel, att användas i en Kalmanfiltervariant. En analys rörande lämplig fusionsnivå av data från sensorer av mycket skiljd karraktär, t.ex. DSS och radar, samt metoder för detta. Abstract: The project aims at developing models and methods for efficient and robust implementation of moment estimation methods in a Kalman Filter framework, comprising a radar sensor model for extended targets. In a later stage, the project aims at extending such a framework to include sensor data typically fused on a higer information level, e.g. a Driver state sensor. Methods for doing so inside and outside the tracking framework will be analysed and developed.