[Back]


Diploma and Master Theses (authored and supervised):

F. Beck:
"People tracking using particle filters and an advanced human motion model on mobile robots";
Supervisor: J. Blieberger, M. Bader; Institute of Computer Engineering, 2018; final examination: 2018-04-11.



English abstract:
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 personīs 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.

German 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 Wahr-
scheinlichkeitsverteilungen 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 ver-
wendet.
Um den Ansatz auszuwerten, wurde zunächst die Vorhersage-Qualität des vorgestellten
Bewegungsmodells mit dem Constant-Velocity und dem Coordinated-Turn Bewegungsmo-
dell 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 be-
urteilen. 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