Un enfoque eficiente de fusión multi-sensor para la detección de objetos en entornos marítimos

La detección y seguimiento de objetos en tiempo real y de manera robusta son problemas desafiantes en los sistemas de transporte autónomo debido al funcionamiento de los algoritmos en entornos inherentemente inciertos y dinámicos, así como al movimiento rápido de los objetos. Por lo tanto, los algoritmos de seguimiento y detección deben cooperar entre sí para lograr un seguimiento fluido de los objetos detectados que luego pueden ser utilizados por el sistema de navegación. En este artículo, primero presentamos un enfoque eficiente de fusión multi-sensor basado en el método de asociación de datos probabilísticos para lograr resultados precisos en la detección y seguimiento de objetos. El enfoque propuesto fusiona los resultados de detección obtenidos independientemente de cuatro sensores principales: radar, LiDAR, cámara RGB y cámara infrarroja. Genera propuestas de regiones de objetos basadas en el resultado de detección fusionado. Luego, se utiliza un enfoque de Red Neuronal Convolucional (CNN) para identificar las categorías de objetos dentro de estas regiones. La CNN se entrena con un conjunto de datos real de diferentes escenarios de conducción de ferry. Los resultados experimentales de seguimiento y clasificación en conjuntos de datos reales muestran que el enfoque propuesto proporciona resultados de detección y clasificación de objetos confiables en entornos marítimos.