Robust multi-target sensing/tracking in the Bayesian Occupancy Filter framework

We present the “Bayesian Occupancy Filter” (BOF) and the “Fast ClusteringTracking” algorithms as a framework for robust sensing and multi-target tracking using multiple sensors. Perceiving of the surrounding physical environment reliably is a major demanding in smart systems requiring a high level of safety such as car driving assistant, autonomous robots, and surveillance. The dynamic environment need to be perceived and modeled according to the sensor measurements which could be noisy. To fit such a requirement, we propose a hierarchical approach in which two filtering layers are used: (i) Robust grid-level sensor fusion using the “Bayesian Occupancy Filter” algorithm in order to construct an occupancy/velocity grid representation of the environment. (ii) Robust object-level tracking using the “Fast Clustering-Tracking”. RÉSUMÉ. Nous présentons les algorithmes “Bayesian Occupancy Filter” (BOF) et “Fast Clustering-Tracking” comme un cadre pour la perception robuste et le suivi de cibles multiples en utilisant plusieurs capteurs. Percevoir l’environnement physique d’une manière fiable est une exigence clef dans les systèmes intelligents nécessitant un grand degré de sécurité tels que l’assistante à la conduite automobile, la robotique autonome et la surveillance. L’environnement dynamique doit être perçu et modélisé en utilisant les mesures capteurs généralement bruitées. Pour répondre à cette exigence, nous proposons une approche hiérarchique dans laquelle deux niveaux de filtrage sont utilisés: (i) Fusion robuste de capteurs en utilisant l’algorithme “Bayesian Occupancy Filter” dans lequel l’environnement dynamique est représenté par une grille d’occupation/vitesse. (ii) Suivi robuste d’objets en utilisant l’algorithme “Fast Clustering-Tracking”.