Mehrobjektverfolgung mit multiplen Sensoren

Die Mehrobjektverfolgung mit multiplen Sensoren (MVMS) hat in den letzten Jahren zahlreiche Anwendungen gefunden. Beispielsweise werden bei Fahrerassistenzsystemen Messdaten von multiplen Kameras und Radarsensoren kombiniert, um andere Verkehrsteilnehmer und Hindernisse zu erfassen und deren Bewegung zu verfolgen. Weitere MVMS-Anwendungen sind biomedizinische Analytik, Robotik, Fernerkundung, Ozeanographie, Luftraumüberwachung und maschinelles Sehen. Die Erforschung der Grenzen der Leistungsfähigkeit von MVMS sowie die Entwicklung genauer und zuverlässiger MVMS-Algorithmen sind anspruchsvolle Aufgaben, da die Anzahl der zu verfolgenden Objekte sowie die Zuordnung zu den Messdaten nicht bekannt sind. Eine weitere, neue Herausforderung stellen Agentennetze dar. Dabei sind Agenten (z.B. autonome Autos oder ein Schwarm unbemannter Fluggeräte) in einem vernetzten Team organisiert, um gemeinsam Aufgaben zu erfüllen. Aufgrund der dezentralen Topologie der meisten Agentennetze sind existierende zentralisierte MVMS-Algorithmen ungeeignet. Somit ergibt sich die Aufgabe, einen neuen Typ von verteilten MVMS-Algorithmen mit guter Skalierbarkeit und Robustheit gegen Ausfällen von Agenten zu entwickeln. Das vorgeschlagene Forschungsprojekt stellt sich dieser Herausforderung. Die Hauptziele des Projekts sind, die Grenzen der Leistungsfähigkeit von MVMS zu erforschen; verteilte und skalierbare MVMS-Algorithmen zu entwickeln. Die verteilte Arbeitsweise und Skalierbarkeit der zu entwickelnden MVMS-Algorithmen wird deren Einsatz in großen dezentralen Agentennetzen erlauben. In einem ersten Schritt werden die grundlegenden Grenzen der Leistungsfähigkeit von MVMS erforscht werden, indem Genauigkeitsschranken hergeleitet werden. Diese Herleitung wird zu einem tiefen Verständnis von MVMS führen und wertvolle Hilfestellungen für die Entwicklung verteilter und skalierbarer MVMS-Algorithmen ergeben. In einem zweiten Schritt werden die gewonnenen Einsichten genützt werden, um MVMS-Algorithmen zu entwickeln, die statistische Inferenz mit Hilfe sogenannter message passing-Algorithmen durchführen. Bei message passing-Algorithmen wird statistische Information in Form von Botschaften (messages) entlang der Kanten eines Graphen, der das Inferenzproblem abbildet, ausgetauscht. Message passing-Algorithmen erzielen einen sehr attraktiven Kompromiss zwischen Genauigkeit und Rechenaufwand. Überraschenderweise wurde in der MVMS-Forschung der message passing-Ansatz bis vor kurzem nicht verwendet.

Die Mehrobjektverfolgung (MOV) mit multiplen Sensoren hat in den letzten Jahren zahlreiche Anwendungen gefunden. Beispielsweise werden bei Fahrerassistenzsystemen Messdaten von multiplen Kameras und Radarsensoren kombiniert, um andere Verkehrsteilnehmer und Hindernisse zu erfassen und deren Bewegung zu verfolgen. Weitere MOV-Anwendungen sind biomedizinische Analytik, Robotik, Fernerkundung, Ozeanographie, Luftraumüberwachung und maschinelles Sehen. In diesem Projekt wurden MOV-Methoden entwickelt, die statistische Inferenz mit Hilfe sogenannter message passing-Algorithmen durchführen. Bei message passing-Algorithmen wird statistische Information in Form von "Botschaften" (messages) entlang der Kanten eines Graphen, der das Inferenzproblem abbildet, ausgetauscht. Die entwickelten message passing-Algorithmen erzielen einen sehr attraktiven Kompromiss zwischen Genauigkeit und Rechenaufwand.