Learning Vehicle Trajectory Uncertainty

要約

ハイブリッド適応カルマン フィルターを使用した車両追跡の新しいアプローチを提案します。
フィルターは再帰型ニューラル ネットワークを利用して車両の幾何学的および運動学的特徴を学習し、教師あり学習モデルで使用して、カルマン フレームワークで実際のプロセス ノイズ共分散を決定します。
このアプローチは、従来の線形カルマン フィルターの制限に対処します。従来の線形カルマン フィルターは、車両の運動学的軌道モデリングの不確実性によりパフォーマンスが低下する可能性があります。
私たちの方法は、Oxford RobotCar データセットを使用して評価され、他の適応フィルターと比較され、リアルタイムのシナリオでプロセス ノイズの共分散を正確に決定するのに効果的であることが示されています。
全体として、このアプローチを他の推定問題に実装して、パフォーマンスを向上させることができます。

要約(オリジナル)

A novel approach for vehicle tracking using a hybrid adaptive Kalman filter is proposed. The filter utilizes recurrent neural networks to learn the vehicle’s geometrical and kinematic features, which are then used in a supervised learning model to determine the actual process noise covariance in the Kalman framework. This approach addresses the limitations of traditional linear Kalman filters, which can suffer from degraded performance due to uncertainty in the vehicle kinematic trajectory modeling. Our method is evaluated and compared to other adaptive filters using the Oxford RobotCar dataset, and has shown to be effective in accurately determining the process noise covariance in real-time scenarios. Overall, this approach can be implemented in other estimation problems to improve performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google