Az autonóm közlekedési rendszerek egyidőben hivatottak a környezet (pseudo-)statikus és dinamikus objektumainak felismerésére is időbeli követésére. A környezet digitális 3D rekonstrukciója során a rendszer szenzorfúziós algoritmusok segítségével absztrakciót végez, és egy modelltérbe képzi le a közlekedés résztvevőiről gyűjtött információt, így például a mellettünk elhaladó autók sebességét, méretét, pozícióját, orientációját és várható mozgásállapotát. A valós közlekedési helyzetekben egyidejűleg számos közlekedési résztvevő mozgásállapotát szükséges meghatároznunk, gyakran egymást keresztező útvonalakon, miközben a mérési adatok jelentős zajjal terheltek. Ebben a környezetben számos hipotézist kell megvizsgálnunk, és a mozgásállapotok, az érzékelőkből érkező zajmodell és a becsült kovarianciaértékek mentén valós időben absztrakt képet kell alkotnunk a környezetünkről. A hallgató feladata egy olyan többszereplős valós idejű asszociációs algoritmus implementációja és kvantitatív kiértékelése, mely egy valós közlekedési szituációból származó adathalmazon képes egyszerre több objektum időbeli követésére, az egymást követő időpontokban azok asszociációjára, és a zajjal terhelt mérési adatok szűrésére. A javasolt algoritmusok: - Joint Probabilistic Data Association Filter - Multiple Hypothesis Filter A munkához javasolt a publikusan elérhető adathalmazok használata, a kiértékeléshez pedig az innen gyűjtött referenciaadatok felhasználása. A kvantitatív analízishez szükséges a MOTA és MOTP (Multiple Object Tracking Accuracy & Precision) metrikák implementációja és alkalmazása. A feladat megoldásához a hallgató a Continental AI Development Center munkatársaitól kap segítséget.