Change search
ReferencesLink to record
Permanent link

Direct link
Evaluation of Decentralized Information Matrix Fusion for Advanced Driver-Assistance Systems in Heavy-Duty Vehicles
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Optimization and Systems Theory.
2016 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Utvärdering av Decentraliserad Informationsmatris-Fusion för Avancerande Förarsystem i Lastbilar (Swedish)
Abstract [en]

Advanced driver-assistance systems (ADAS) is one of the fastest growing areas of automotive electronics and are becoming increasingly important for heavy-duty vehicles. ADAS aims to give the driver the option of handing over all driving decisions and driving tasks to the vehicle, allowing the vehicle to make fully automatic maneuvers.  In order to perform such maneuvers target tracking of surrounding traffic is important in order to know where other objects are. Target tracking is the art of fusing data from different sensors into one final value with the goal to create an as accurate as possible estimate of the reality.

Two decentralized information matrix fusion algorithms and a weighted least-squares fusion algorithm for target tracking have been evaluated on two simulated overtaking maneuvers performed by a single target. The first algorithm is the optimal decentralized algorithm (ODA), which is an optimal IMF filter, the second algorithm is the decentralized-minimum-information algorithm (DMIA), which approximates the error covariance of received estimates, and the third algorithm is the naïve algorithm (NA), which uses weighted-least-squares estimation for data fusion. In addition, DMIA and NA are evaluated using real sensor data from a test vehicle.

The results are generated from 100 Monte Carlo runs of the simulations. The error of position and velocity as well as the their corresponding root-mean-squared-error (RMSE) are smallest for ODA followed by NA and DMIA. ODA gives consistent estimators for the first simulated overtaking but not the second. DMIA and NA are not statistically significant on a 95 % level. The robustness against sensor failures shows that ODA is robust and yields similar results to the simulations without sensor failures. DMIA and NA are sensitive to sensor failures and yield unstable results. ODA is clearly the best option to use for sensor fusion in target tracking.

Abstract [sv]

Avancerade förarsystem (ADAS) är en av de snabbast växande områdena inom fordonselektronik och blir mer och mer viktigt även för lastbilar. ADAS riktar sig till att ge föraren möjligheten att låta fordonet ta beslut om köningen och utföra autonoma manövrar. För att kunna utföra sådana manövrar krävs objektföljning av omkringvarande fordon. Sensorfusion inom objektföljning är tekniken att kombinera data från olika sensorer till ett värde med målet att skapa en så precis skattning av verkligheten som möjligt.

Två decentraliserade informationsmatris-fusions algoritmer och en viktad minsta- kvadrat fusions algoritm för objektskattning har blivit utvärderade utifrån två simulerade omkörningar utförda av ett enskilt objekt.  Den första algoritmen är optimal decentralized algorithm (ODA), som är ett optimalt informationsmatris-fusions fil- ter, den andra algoritmen är decentralized-minimum-information algorithm (DMIA), som approximerar kovariansmatrisen av residualerna från mottagna skattningar, samt den tredje algoritmen är naïve algorithm (NA), som kombinerar data från sensorerna med hjälp av viktad minsta-kvadrat fusion. Utöver detta är DMIA och NA även utvärderade på riktig sensordata från ett testfordon.

Resultaten är genererade från 100 Monte Carlo körningar av simuleringarna. Residualerna för position och hastighet samt minsta-kvadrat felet är minst för ODA följt av NA och DMIA.  ODA ger konsistenta skattningar under den första simulerade omkörningen men inte under den andra omkörningen. DMIA och NA är inte kon- sistenta på en 95 % signifikansnivå under någon av omkörningarna. ODA är robust och ger liknande resultat i simuleringarna med och utan sensorfel. DMIA och NA är känsliga mot sensorfel och ger instabila resultat. ODA är det klart bästa alternativet för sensorfusion inom objektföljning.

Place, publisher, year, edition, pages
TRITA-MAT-E, 2016:53
National Category
Computational Mathematics
URN: urn:nbn:se:kth:diva-191993OAI: diva2:957678
External cooperation
Subject / course
Optimization and Systems Theory
Educational program
Master of Science - Applied and Computational Mathematics
Available from: 2016-09-03 Created: 2016-09-03 Last updated: 2016-09-03Bibliographically approved

Open Access in DiVA

fulltext(4362 kB)13 downloads
File information
File name FULLTEXT01.pdfFile size 4362 kBChecksum SHA-512
Type fulltextMimetype application/pdf

By organisation
Optimization and Systems Theory
Computational Mathematics

Search outside of DiVA

GoogleGoogle Scholar
Total: 13 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 37 hits
ReferencesLink to record
Permanent link

Direct link