People tracking using particle filters and an advanced human motion model on mobile robots

Abstract

Für mobile Roboter, die sich in Umgebungen mit Menschen bewegen, ist es wichtig, die Position von Personen in ihrer Umgebung wahrzunehmen, sodass sich ein Roboter sicher bewegen kann. Um die Position einer Person stabil schätzen zu können, ist es erforderlich, sie nicht nur mit Sensoren wie Kameras oder Laserscannern zu erfassen, sondern auch Messungen verschiedener Sensoren über die Zeit zu kombinieren. Diese Diplomarbeit beschäftigt sich mit solchen Schätzungen für mehrere Personen. Um die Position einer Person unter der Einbeziehung von Detektionen verschiedener Sensoren zu schätzen wird ein Partikel-Filter verwendet. Im Gegensatz zu Kalman Filter haben Partikel-Filter den Vorteil, dass diese auch beliebige, multimodale Wahrscheinlichkeitsverteilungen repräsentieren können. Das Filter benötigt ein menschliches Bewegungsmodell, um die Bewegung einer Person zu schätzen. In dieser Arbeit stellen wir einen neuen Ansatz basierend auf statischen Karten und historischen Daten vor, um die Qualität der Vorhersage im Gegensatz zu typischen, bisher verwendeten State-of-the-Art Ansätzen wie Constant-Velocity und Coordinated-Turn zu verbessern. Um den Ansatz auf mehrere Personen zu erweitern, wird die Nearest-Neighbor-Data-Association Strategie verwendet, welche Detektionen zu existierenden Tracks zuordnet. Für das Initialisieren neuen Tracks auf Basis neu detektierter Personen beziehungsweise für das Löschen von veralteten Tracks werden gängige Lösungen aus der Literatur verwendet. Um den Ansatz auszuwerten, wurde zunächst die Vorhersage-Qualität des vorgestellten Bewegungsmodells mit dem Constant-Velocity und dem Coordinated-Turn Bewegungsmodell in bestimmten Szenarien verglichen. Die Ergebnisse legen nahe, dass das vorgestellte Bewegungsmodell wesentlich bessere Vorhersagen liefert. Darüber hinaus wurden zwei reale People-Tracking-Szenarien getestet, um die allgemeine Tracking-Qualität zu beurteilen. Zu diesem Zweck wurden wieder die drei oben genannten Bewegungsmodelle verglichen. Die Ergebnisse zeigen, dass bei ausreichend hoher Frequenz and Detektionen das Bewegungsmodell einen relativ geringen Einfluss auf die Tracking Qualität hat, jedoch kann das vorgestellte Bewegungsmodell durch die genauere Vorhersage fehlende Detektionen besser ausgleichen.

For mobile robots moving in environments alongside humans, it is crucial to perceive the location of people in their surroundings, such that a robot can move safely around them. In order to keep a stable estimate of a person’s position it is required to not only detect them with sensors such as cameras or laser scanners, but also to combine measurements of different sensors over time. This thesis is concerned with such estimates for multiple people. To estimate the position of a single person over time, incorporating detections acquired from different sensors, we apply particle filtering for state estimation. Particle filtering holds the advantage to be able to represent arbitrary multi-modal probability distributions in comparison with Kalman filtering. The filter requires a human motion model in order to forward predict the movement of a person. In this work, a novel approach based on static maps and historical data is introduced, in order to improve the prediction quality in contrast to typical state of the art approaches applying constant velocity or coordinated turn motion models. To extend to multiple persons, well known nearest neighbor data association is applied which assigns received detections to existing tracks. In order to initialize tracks for newly observed people, as well as to delete obsolete tracks we apply common techniques proposed in literature. To evaluate the approach we first compared forward prediction behavior of the proposed motion model with constant velocity and coordinated turn models in specific map scenarios, suggesting that the proposed motion model provides significantly better forward prediction. Furthermore, we tested two real world people tracking scenarios to assess overall tracking performance. We again compared the three motion models mentioned above, which show that if detections occur frequently enough, the motion model has a small influence on tracking quality, however using a more accurate model enables the filter to compensate for missing detections.