A Two-Step Multiframe Assignment Method for Multiple Extended Target Tracking With Azimuth Ambiguity Based on Pseudo Measurement Set
Notice bibliographique
Résumé
Autonomous vehicle technology uses perception modules to detect and track people and objects around autonomous vehicles. These perception modules often employ high-resolution radars for tracking due to their relatively low cost and high angle resolution. A major challenge in using high-resolution radar for advanced driver assistance systems (ADAS) or autonomous vehicles is the azimuth ambiguity and related split ambiguity for extended targets, which are caused by grating lobes due to the large physical distance between radar antenna elements relative to signal wavelength. These grating lobes give false measurements in a direction different from the target's actual direction. Due to azimuth ambiguity, data association with multiframe measurements using traditional methods is limited and generates large missed detection errors. To address this limitation, a two-step multiframe assignment method is proposed to resolve the split and azimuth ambiguity separately. In the first step, each ambiguous radar measurement (cluster) is used to generate a pseudo measurement set (PMS). Then, the split ambiguity is resolved by the PMS-to-PMS association, resulting in a merged PMS (MPMS); in the second step, the azimuth ambiguity is resolved by the Track-to-MPMS association. Simulation results indicate that the proposed method outperforms the pseudo 3-D assignment (P3DA)-PMS method in reducing false detection errors when resolving azimuth ambiguity, due to the utilization of additional frame data. The effectiveness of the proposed method in addressing azimuth ambiguity is also demonstrated using real data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».