The development of automated vehicles and active safety systems are of great importance for the Swedish vehicle industry, and may also lead to substantial gains for society. Accurate environment perception is essential to automated vehicles, since it enables vehicles to sense nearby objects, and estimate their positions as well as other relevant properties. The perception systems in modern vehicles make use of data from cameras, LIDAR sensors, etc., in order to obtain a detailed understanding of the current situation. However, more development is needed before these systems can robustly provide the accuracy required for a vehicle to drive autonomously in all situations. In this project, we addressed certain aspects of the environment perception problem, pertaining to the tracking of multiple dynamic objects. More specifically, we developed algorithms that can provide high-precision estimates of the trajectories of all dynamic objects in the vicinity of the host vehicle. Since the results of the project were aimed at producing ground truth for perception systems, we focused on offline techniques that would enable the extraction of as much information as possible from the available sensor data.

Utvecklingen av självkörande fordon och aktiva trafiksäkerhetssystem är av stort värde för den svenska fordonsindustrin och kan också leda till stora förbättringar för samhället i stort. Ett väl fungerande perceptionssystem är centralt för självkörande fordon eftersom det möjliggör för fordon att kunna upptäcka närliggande fordon och skatta både deras position och egenskaper. Perceptionssystem i moderna fordon använder sig ofta av kameror, lidarsensorer och andra sensorer för att få fram en detaljerad förståelse för trafiksituationen. Samtidigt krävs betydligt mer forskning och utveckling innan dessa system kan tillhandahålla robusta skattningar i alla trafikmiljöer. I det här projektet har vi arbetat med att förbättra vissa delar av perceptionssystemen kopplade till följningen av multipla dynamiska fordon. Mer specifikt har vi utvecklat algoritmer för noggrann skattning av trajektorier av samtliga dynamiska objekt nära vårt eget fordon. Vår ambition har varit att ta fram mycket precisa skattningar som kan användas för att utvärdera andra system, och vi har därför fokuserat på metoder som utnyttjar data från hela körsekvensen för att skatta trajektorierna.