CN108490927A - 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 - Google Patents

一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 Download PDF

Info

Publication number
CN108490927A
CN108490927A CN201810070156.5A CN201810070156A CN108490927A CN 108490927 A CN108490927 A CN 108490927A CN 201810070156 A CN201810070156 A CN 201810070156A CN 108490927 A CN108490927 A CN 108490927A
Authority
CN
China
Prior art keywords
radar
target
robot operating
tracking
operating system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810070156.5A
Other languages
English (en)
Inventor
陈晓冬
向易
蔡怀宇
汪毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201810070156.5A priority Critical patent/CN108490927A/zh
Publication of CN108490927A publication Critical patent/CN108490927A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12—Target-seeking control

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法，跟踪系统包括由激光雷达和毫米波雷达组成的车载雷达系统与机器人操作系统Robot Operating System(ROS)；激光雷达安装在车辆的顶部，其测量精度相对较高，但容易受光照等环境影响，毫米波雷达安装在车辆前方的车牌处，测量精度相对较低，但是受外界环境影响较小，该车载雷达系统组合在一起可提高测量准确性；在机器人操作系统ROS的节点集合中存在雷达传感器节点和无迹卡尔曼滤波估计器节点，通过无损卡尔曼滤波算法它使用一系列sigma点通过非线性变换生成状态，并使用这些估计过的sigma点覆盖状态估计点和协方差，从而完成对雷达系统所接收的数据的融合，实现目标跟踪。

Description

一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法
技术领域
本发明涉及车用目标跟踪系统及方法，具体地说是一种用于装载有车载雷达系统的无人驾驶汽车的基于无损卡尔曼滤波的目标跟踪系统及方法。
背景技术
无人驾驶汽车在进行无人驾驶的时候需要对环境进行感知，从而根据环境信息实现对车辆的控制和路径的规划，而这一过程要依靠相对应的车载传感器。这些传感器主要包括摄像头、激光雷达、毫米波雷达、红外相机、GPS和惯导系统等。毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候、全天时的优点，但是探测精度低；而激光雷达探测精度高但容易受外界环境干扰。因此，相比于单一传感器，激光雷达和毫米波雷达组合而成的车载雷达系统，稳定性更强。
针对上述的车载雷达系统，可以实现对行人、其他车辆以及车辆自身等目标的状态估计和跟踪。在众多相关的信息融合算法中，无损卡尔曼滤波更适用于非线性系统，并且能够避免普通卡尔曼滤波和增强卡尔曼滤波的缺陷。因此将无损卡尔曼滤波与搭载有该系统的无人驾驶汽车结合起来，可以使得探测结果更加稳定，系统整体的实用性更强。
机器人操作系统Robot Operating System(ROS),提供一组实用工具和软件库以及开源功能包，可以搭建一整套针对无人驾驶系统的运行框架。ROS运行时是由被称之为节点(Node)的多个松耦合的进程组成，在实际工程中，这种结构的设计可以根据要求快速地修改所需的功能模块。因此将目标跟踪算法在ROS中实现可以大大提高算法的灵活性。
当前技术中，申请号“201210555170.7”，申请公布号为“CN103889047A”的专利“一种基于卡尔曼滤波的目标跟踪算法”以及申请号为“201610809777.1”，申请公布号“106443661A”的专利“基于无迹卡尔曼滤波的机动扩展目标跟踪方法”都未将无损卡尔曼滤波与无人驾驶汽车的车载雷达系统结合起来应用，也并未形成完整的目标跟踪以及信息处理系统。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法，将无损卡尔曼滤波算法应用到由激光雷达和毫米波雷达组成的无人驾驶汽车车载雷达系统上，并在机器人操作系统ROS中完成算法的实现以及功能模块的构建。
本发明的目的是通过以下技术方案实现的：
一种应用于无人驾驶汽车的目标跟踪系统，该系统包括由激光雷达和毫米波雷达组成的车载雷达系统与机器人操作系统Robot Operating System(ROS)；所述激光雷达安装在车辆的顶部，其测量精度相对较高，但容易受光照等环境影响，所述的毫米波雷达安装在车辆前方的车牌处，测量精度相对较低，但是受外界环境影响较小，该车载雷达系统组合在一起可提高测量准确性；在机器人操作系统ROS的节点集合中存在雷达传感器节点和无迹卡尔曼滤波估计器节点，通过无损卡尔曼滤波算法它使用一系列sigma点通过非线性变换生成状态，并使用这些估计过的sigma点覆盖状态估计点和协方差，从而完成对雷达系统所接收的数据的融合，实现目标跟踪。
一种应用于无人驾驶汽车的目标跟踪方法，将无损卡尔曼滤波(UnscentedKalman Filter，简称UKF)算法应用到无人驾驶汽车车载雷达系统中，其具体包括以下步骤：
(1)对车载雷达系统进行标定；
(2)接收解算雷达系统的数据并进行标记(其中0.0代表激光雷达数据，1.0代表毫米波雷达数据)；
(3)基于ROS系统使用无损卡尔曼滤波处理数据，得到目标状态的估计。
这其中，步骤(3)应用了ROS系统中的无损卡尔曼滤波器节点ukf_localization_node，该滤波器节点所包含的滤波器包括以下步骤：
a)预测目标状态量的均值和方差，其公式分别为：
其中，wi为无损变换中各个先验分布中采集的点(也称为sigma点)的权重，为状态向量；
b)雷达系统测量更新，其中激光雷达和毫米波雷达测量映射函数分别为：
Zl,k+1/k＝(x,y)T
公式中，x,y是相对于车辆坐标系的坐标值,v为目标在主车到目标连线上的速度分量；
c)预测目标的雷达测量值非线性变换后的测量均值和协方差，其公式分别为：
公式中，R是测量噪声；
d)更新状态估计以及状态协方差矩阵，其公式分别为：
xk+1/k+1＝xk+1/k-Kk+1/k(zk+1-zk+1/k)
其中，K为卡尔曼增益，可以通过互相关函数与变换后的协方差得到。
与现有技术相比，本发明的技术方案所带来的有益效果是：
1.将无损卡尔曼滤波与由激光雷达和毫米波雷达组成的无人驾驶汽车车载雷达系统结合。该雷达系统相对于单一雷达传感器组成的系统的稳定性更强，而无损卡尔曼滤波算法相较于其他算法的实用性也更强；
2.基于机器人操作系统Robot Operating System(ROS)实现信息的处理和算法的完成，系统框架更加完整，功能模块的应用更加灵活。
附图说明
图1为本发明的系统布局示意图；
图2为本发明的方法流程图；
图3为本发明的滤波算法流程图；
图4为本发明的机器人操作系统ROS系统框架图；
图5为本发明的实例结果图。
具体实施方式
下面结合附图和实例进一步说明本发明的实质内容，但本发明的内容并不限于此。
如图1所示为本发明的系统布局图，系统包括由激光雷达和毫米波雷达组成的车载雷达系统以及机器人操作系统Robot Operating System(ROS)；激光雷达安装在车辆的顶部，其测量精度相对较高，但容易受光照等环境影响，所述的毫米波雷达安装在车辆前方的车牌处，测量精度相对较低，但是受外界环境影响较小，该车载雷达系统组合在一起可提高测量准确性；在机器人操作系统ROS的节点集合中存在雷达传感器节点和无迹卡尔曼滤波估计器节点，通过无损卡尔曼滤波算法它使用一系列sigma点通过非线性变换生成状态，并使用这些估计过的sigma点覆盖状态估计点和协方差，从而完成对雷达系统所接收的数据的融合，实现目标跟踪。
如图2所示为本发明的方法流程图，其具体包括以下步骤：
(1)对车载雷达系统进行标定；
(2)接收解算雷达系统的数据并进行标记(其中0.0代表激光雷达数据，1.0代表毫米波雷达数据)；
(3)基于ROS系统使用无损卡尔曼滤波处理数据，得到目标状态的估计。
如图3所示为本发明的无损卡尔曼滤波算法流程图，其具体内容如下：
a)预测状态量的均值和方差，其公式分别为：
其中，wi为无损变换中各个先验分布中采集的点(也称为sigma点)的权重，为状态向量；
b)雷达系统测量更新，其中激光雷达和毫米波雷达测量映射函数分别为：
Zl,k+1/k＝(x,y)T
公式中，x,y是相对于车辆坐标系的坐标值,v为目标在主车到目标连线上的速度分量；
c)预测目标的雷达测量值非线性变换后的测量均值和协方差，其公式分别为：
公式中，R是测量噪声；
d)更新状态估计以及状态协方差矩阵，其公式分别为：
xk+1/k+1＝xk+1/k-Kk+1/k(zk+1-zk+1/k)
其中，K为卡尔曼增益，可以通过互相关函数与变换后的协方差得到。上述的算法都在如图4所示的基于机器人操作系统ROS所搭建的系统框架里实现。
如图5所示，根据本发明中所述的应用于无人驾驶汽车的目标跟踪的系统和方法，对采集到的实际无人驾驶工程中的一组目标探测数据进行处理，可以得到目标的状态估计值，并且可以对状态估计值、雷达测量值以及目标真实轨迹值进行比较。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (3)

1.一种应用于无人驾驶汽车的目标跟踪系统，其特征在于，包括由激光雷达和毫米波雷达组成的车载雷达系统与机器人操作系统ROS；所述激光雷达安装在车辆的顶部，所述毫米波雷达安装在车辆前方车牌处；机器人操作系统ROS的节点集合中存在雷达传感器节点和无损卡尔曼滤波估计器节点。
2.一种应用于无人驾驶汽车的目标跟踪方法，基于权利要求1的目标跟踪系统，其特征在于，将无损卡尔曼滤波算法(UKF)应用到无人驾驶汽车车载雷达系统中，具体包括以下步骤：
(1)对车载雷达系统进行标定；
(2)接收解算车载雷达系统的数据并进行标记；
(3)基于机器人操作系统ROS使用无损卡尔曼滤波处理数据，得到目标状态的估计。
3.根据权利要求2所述的一种应用于无人驾驶汽车的目标跟踪方法，其特征在于，步骤(3)包括以下步骤：
a)预测目标状态量的均值和方差，其公式分别为：
其中，wi为无损变换中各个先验分布中采集的点(亦称为sigma点)的权重，为状态向量；
b)车载雷达系统测量更新，其中激光雷达和毫米波雷达测量映射函数分别为：
Zl,k+1/k＝(x,y)T
公式中，x,y是相对于车辆坐标系的坐标值,v为目标在主车到目标连线上的速度分量；
c)预测目标的雷达测量值非线性变换后的测量均值和协方差，其公式分别为：
公式中，R是测量噪声；
d)更新状态估计以及状态协方差矩阵，其公式分别为：
xk+1/k+1＝xk+1/k-Kk+1/k(zk+1-zk+1/k)
其中，K为卡尔曼增益，可通过互相关函数与变换后的协方差得到。
CN201810070156.5A 2018-01-24 2018-01-24 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 Pending CN108490927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810070156.5A CN108490927A (zh) 2018-01-24 2018-01-24 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810070156.5A CN108490927A (zh) 2018-01-24 2018-01-24 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法

Publications (1)

Publication Number Publication Date
CN108490927A true CN108490927A (zh) 2018-09-04

Family

ID=63343717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810070156.5A Pending CN108490927A (zh) 2018-01-24 2018-01-24 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法

Country Status (1)

Country Link
CN (1) CN108490927A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901183A (zh) * 2019-03-13 2019-06-18 电子科技大学中山学院 一种提高激光雷达全天候测距精度和可靠性的方法
CN109919233A (zh) * 2019-03-12 2019-06-21 西北工业大学 一种基于数据融合的跟踪滤波方法
WO2020063818A1 (zh) * 2018-09-30 2020-04-02 长城汽车股份有限公司 目标跟踪方法及装置
CN111192295A (zh) * 2020-04-14 2020-05-22 中智行科技有限公司 目标检测与跟踪方法、相关设备和计算机可读存储介质
CN111562570A (zh) * 2020-04-30 2020-08-21 南京理工大学 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN112285700A (zh) * 2020-08-24 2021-01-29 江苏大学 基于激光雷达与毫米波雷达融合的机动目标跟踪方法
CN113486300A (zh) * 2021-07-02 2021-10-08 南通大学 一种无人驾驶车辆多目标跟踪方法
WO2024001629A1 (zh) * 2022-07-01 2024-01-04 重庆邮电大学 一种面向智能驾驶车辆的多传感器融合方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891820A (zh) * 2016-03-17 2016-08-24 四川长虹电器股份有限公司 基于ukf和iufir的机动目标跟踪方法
CN106443661A (zh) * 2016-09-08 2017-02-22 河南科技大学 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN106503393A (zh) * 2016-11-15 2017-03-15 浙江大学 一种利用仿真生成样本实现无人车自主行进的方法
CN106959918A (zh) * 2017-04-25 2017-07-18 百度在线网络技术（北京）有限公司 用于评测机器人操作系统中的操作的方法和装置
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN107300697A (zh) * 2017-06-07 2017-10-27 南京航空航天大学 基于无人机的运动目标ukf滤波方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891820A (zh) * 2016-03-17 2016-08-24 四川长虹电器股份有限公司 基于ukf和iufir的机动目标跟踪方法
CN106443661A (zh) * 2016-09-08 2017-02-22 河南科技大学 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN106503393A (zh) * 2016-11-15 2017-03-15 浙江大学 一种利用仿真生成样本实现无人车自主行进的方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN106959918A (zh) * 2017-04-25 2017-07-18 百度在线网络技术（北京）有限公司 用于评测机器人操作系统中的操作的方法和装置
CN107300697A (zh) * 2017-06-07 2017-10-27 南京航空航天大学 基于无人机的运动目标ukf滤波方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ADAMSHAN: "无人驾驶汽车系统入门（三）——无损卡尔曼滤波，目标追踪", 《HTTPS://BLOG.CSDN.NET/ADAMSHAN/JAVA/ARTICLE/DETAILS/78359048》 *
向易 等: "基于无损卡尔曼滤波的车载双雷达目标位置估计方法", 《光电工程》 *
向易: "基于车载双雷达系统的目标位置估计方法研究", 《CNKI》 *
陈安: "网联车自动驾驶系统研究及停车场场景下的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063818A1 (zh) * 2018-09-30 2020-04-02 长城汽车股份有限公司 目标跟踪方法及装置
CN109919233A (zh) * 2019-03-12 2019-06-21 西北工业大学 一种基于数据融合的跟踪滤波方法
CN109919233B (zh) * 2019-03-12 2022-04-22 西北工业大学 一种基于数据融合的跟踪滤波方法
CN109901183A (zh) * 2019-03-13 2019-06-18 电子科技大学中山学院 一种提高激光雷达全天候测距精度和可靠性的方法
CN111192295A (zh) * 2020-04-14 2020-05-22 中智行科技有限公司 目标检测与跟踪方法、相关设备和计算机可读存储介质
CN111192295B (zh) * 2020-04-14 2020-07-03 中智行科技有限公司 目标检测与跟踪方法、设备和计算机可读存储介质
CN111562570A (zh) * 2020-04-30 2020-08-21 南京理工大学 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN112285700A (zh) * 2020-08-24 2021-01-29 江苏大学 基于激光雷达与毫米波雷达融合的机动目标跟踪方法
CN112285700B (zh) * 2020-08-24 2023-12-15 江苏大学 基于激光雷达与毫米波雷达融合的机动目标跟踪方法
CN113486300A (zh) * 2021-07-02 2021-10-08 南通大学 一种无人驾驶车辆多目标跟踪方法
WO2024001629A1 (zh) * 2022-07-01 2024-01-04 重庆邮电大学 一种面向智能驾驶车辆的多传感器融合方法及系统

Similar Documents

Publication Publication Date Title
CN108490927A (zh) 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法
CN107246876B (zh) 一种无人驾驶汽车自主定位与地图构建的方法及系统
CN104729506B (zh) 一种视觉信息辅助的无人机自主导航定位方法
JP4984659B2 (ja) 自車両位置推定装置
CN107015238A (zh) 基于三维激光雷达的无人车自主定位方法
JP2007333385A (ja) 不動物位置記録装置
CN107274721B (zh) 一种智能交通系统中多车辆协作定位方法
CN108387236B (zh) 一种基于扩展卡尔曼滤波的偏振光slam方法
CN111707260B (zh) 一种基于频域分析及卷积神经网络的定位方法
Chen et al. Improving inertial sensor by reducing errors using deep learning methodology
CN114623823B (zh) 一种融合里程计的uwb多模态定位系统、方法及装置
Chen et al. A novel fusion methodology to bridge GPS outages for land vehicle positioning
Wu et al. A self-adaptive unscented Kalman filtering for underwater gravity aided navigation
Bifulco et al. Real-time smoothing of car-following data through sensor-fusion techniques
Zindler et al. Real-time ego-motion estimation using Lidar and a vehicle model based Extended Kalman Filter
Palanthandalam-Madapusi et al. Wind-field reconstruction using flight data
Zhang et al. Cooperative vehicle-infrastructure localization based on the symmetric measurement equation filter
EP1405098A1 (en) Method for target-tracking of objects
CN112747752B (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
US11662454B2 (en) Systems and methods for range-rate dealiasing using position consistency
Palanthandalam-Madapusi et al. Wind-field reconstruction from flight data using an unbiased minimum-variance unscented filter
Yang et al. A location method for autonomous vehicle based on integrated GPS/INS
CN113911123A (zh) 一种道路模型的更新方法及装置
Song An integrated GPS/vision UAV navigation system based on Kalman filter
CN111273279A (zh) 一种基于加速度噪声参数的多雷达数据处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180904

WD01 Invention patent application deemed withdrawn after publication