CN108733042A - 自动驾驶车辆的目标跟踪方法及装置 - Google Patents
自动驾驶车辆的目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN108733042A CN108733042A CN201710271864.0A CN201710271864A CN108733042A CN 108733042 A CN108733042 A CN 108733042A CN 201710271864 A CN201710271864 A CN 201710271864A CN 108733042 A CN108733042 A CN 108733042A
- Authority
- CN
- China
- Prior art keywords
- target
- condition
- driving vehicle
- automatic driving
- relative
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001052 transient effect Effects 0.000 claims abstract description 192
- 238000005070 sampling Methods 0.000 claims abstract description 110
- 238000005259 measurement Methods 0.000 claims abstract description 78
- 238000012937 correction Methods 0.000 claims abstract description 68
- 238000012423 maintenance Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 108010001267 Protein Subunits Proteins 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 208000013586 Complex regional pain syndrome type 1 Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Abstract
一种自动驾驶车辆的目标跟踪方法及装置，所述方法包括：获取第k个采样周期所采集到的目标对应的测量参数，k为正整数；采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标；根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标；采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值并实时输出。采用上述方案，可以提高自动驾驶车辆目标跟踪的准确性。
Description
技术领域
本发明涉及自动驾驶车辆环境感知系统，尤其涉及一种自动驾驶车辆的目标跟踪方法及装置。
背景技术
自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
自动驾驶车辆在自动驾驶过程中，主要是依靠车辆环境感知系统中的雷达来获取周围环境中目标的测量参数并对目标进行识别跟踪，自动驾驶车辆路径规划层根据雷达获取到的目标的测量参数对行驶路径进行规划。
在雷达对目标进行跟踪过程中，由于车体振动以及雷达目标回波能量分布不均和杂波影响，使得雷达返回的目标测量信息中存在虚假目标以及目标短暂丢失的情况，有效目标的测量信息准确率较低，影响自动驾驶车辆路径规划层对路径的规划的准确性，从而影响自动驾驶车辆行驶过程中的安全性。
发明内容
本发明解决的技术问题是如何提高自动驾驶车辆目标跟踪的准确性。
为解决上述技术问题，本发明实施例提供一种自动驾驶车辆的目标跟踪方法，包括：获取第k个采样周期所采集到的目标对应的测量参数，k为正整数；采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标；根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标；采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值并实时输出。
可选地，所述所采集到的目标对应的测量参数包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离、纵向相对距离及径向相对速度。
可选地，所述获取第k个采样周期所采集到的目标对应的测量参数，包括：获取在极坐标系下的观测值，所述观测值包括:所述采集到的目标相对于所述自动驾驶车辆的径向相对距离、方位角及所述径向相对速度；采用如下公式将所述采集到的目标在极坐标下的观测值转换成在直角坐标系下的所述测量参数；x＝Lsinθ；y＝Lcosθ；其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离；L为所述采集到的目标相对于所述自动驾驶车辆的径向相对距离；θ为所述方位角。
可选地，所述采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，包括：将所采集到的目标对应的属性信息中存在锁定标识信息的目标作为锁定目标；采用所述预设的计算模型，根据所述锁定目标的测量参数，对所述锁定目标进行状态预测，以得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵；根据所述锁定目标的状态量估计值、所述锁定目标的测量参数及所述系统先验估计误差的协方差矩阵，根据预设的噪点识别条件对所述锁定目标进行噪点识别。
可选地，所述锁定目标对应的状态量估计值，包括：所述锁定目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
可选地，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述锁定目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述锁定目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述锁定目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
可选地，所述根据预设的噪点识别条件对所述锁定目标进行噪点识别，包括以下至少一种方式：当所述锁定目标满足所述条件一、所述条件二、所述条件三和所述条件四，则将所述锁定目标标记为有效目标；在第k个至第k+m个采样周期内，所述锁定目标有任意一个采样周期不满足所述条件二、所述条件三及所述条件四中的任一项，则将所述锁定目标标记为虚假目标；从所述第k个采样周期开始，连续m个采样周期，所述锁定目标均不满足所述条件一，则将所述锁定目标标记为虚假目标；从所述第k个采样周期开始，连续n个采样周期，所述锁定目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四，则将所述锁定目标作标记为短暂丢失目标，n＜m，且为非负整数。
可选地，所述根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标，包括：将第k个采样周期中赋于σy(k)；根据被赋于后的σy(k)计算根据对所述短暂丢失目标进行噪点识别；当所述短暂丢失目标满足所述条件一、所述条件二、所述条件三和所述条件四时，将所述短暂丢失目标标记为有效目标；其中，为第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根；σy(k)为所述第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的后验估计误差的协方差的平方根；为第k+1个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根。
可选地，所述方法还包括：当所述短暂丢失目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四时，继续对所述短暂丢失目标进行目标维护；或，当所述短暂丢失目标不满足所述条件二、所述条件三及所述条件四中的任意一项，将所述短暂丢失目标标记为虚假目标。
可选地，所述采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，包括：将所采集到的目标对应的属性信息中不存在锁定标识信息的目标作为新目标；为所述新目标分配对应的滤波器，对所述滤波器进行参数初始化，并采用初始化后的滤波器对所述新目标进行滤波处理；采用所述预设的计算模型，根据所述新目标对应的测量参数，对所述新目标进行状态预测，以得到所述新目标的状态量估计值以及先验估计误差的协方差；根据所述新目标的测量参数、所述新目标的状态量估计值以及所述先验估计误差的协方差，根据预设的噪点识别条件，对所述新目标进行噪点识别。
可选地，所述新目标对应的状态量估计值，包括：所述新目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
可选地，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述新目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述新目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述新目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
可选地，所述根据预设的噪点识别条件，对所述新目标进行噪点识别，包括以下至少一种方式：当从第k个采样周期开始，连续m个采样周期，所述新目标均满足所述条件一、所述条件二、所述条件三及所述条件四，则将所述新目标标记为有效目标，并将所述锁定标识信息更新至对应的属性信息中；当所述新目标不满足所述条件一、所述条件二、所述条件三及所述条件四中的任一项时，将所述新目标标记为虚假目标。
可选地，所述方法还包括：当所采集到的目标为虚假目标时，将所述所采集到的目标删除，并释放对应的滤波器。
可选地，所述采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值，包括：采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量估计值及横向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离的状态量估计值及纵向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度的状态量估计值及径向相对速度，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的径向相对速度修正值。
可选地，在计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值之后，还包括：根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度并输出。
可选地，所述测量参数根据车载毫米波雷达返回的所采集到的目标的测量值得到。
可选地，采用Kalman滤波算法建立所述预设的计算模型。
本发明实施例还提供一种自动驾驶车辆的目标跟踪装置，包括：获取单元，适于获取第k个采样周期所采集到的目标对应的测量参数，k为正整数；噪点识别单元，适于采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标；目标维护单元，适于根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标；计算单元，适于采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值；输出单元，适于实时将计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值输出。
可选地，所述所采集到的目标对应的测量参数包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离、纵向相对距离及径向相对速度。
可选地，所述获取单元，适于获取在极坐标系下的观测值，所述观测值包括:所述采集到的目标相对于所述自动驾驶车辆的径向相对距离、方位角及所述径向相对速度；采用如下公式将所述采集到的目标在极坐标下的观测值转换成在直角坐标系下的所述测量参数；x＝Lsinθ；y＝Lcosθ；其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离；L为所述采集到的目标相对于所述自动驾驶车辆的径向相对距离；θ为所述方位角。
可选地，所述噪点识别单元，包括：第一检测子单元、第一状态预测子单元及第一噪点识别子单元，其中：所述第一检测子单元，适于将所采集到的目标对应的属性信息中存在锁定标识信息的目标作为锁定目标；所述第一状态预测子单元，适于采用所述预设的计算模型，根据所述锁定目标的测量参数，对所述锁定目标进行状态预测，以得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵；所述第一噪点识别子单元，适于根据所述锁定目标的状态量估计值、所述锁定目标的测量参数及所述系统先验估计误差的协方差矩阵，根据预设的噪点识别条件对所述锁定目标进行噪点识别。
可选地，所述锁定目标对应的状态量估计值，包括：所述锁定目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
可选地，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述锁定目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述锁定目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述锁定目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
可选地，所述第一噪点识别子单元，适于采用以下至少一种方式进行噪点识别：当所述锁定目标满足所述条件一、所述条件二、所述条件三和所述条件四，则将所述锁定目标标记为有效目标；在第k个至第k+m个采样周期内，所述锁定目标有任意一个采样周期不满足所述条件二、所述条件三及所述条件四中的任一项，则将所述锁定目标标记为虚假目标；从所述第k个采样周期开始，连续m个采样周期，所述锁定目标均不满足所述条件一，则将所述锁定目标标记为虚假目标；从所述第k个采样周期开始，连续n个采样周期，所述锁定目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四，则将所述锁定目标作标记为短暂丢失目标，n＜m，且为非负整数。
可选地，所述目标维护单元，适于将第k个采样周期中赋于σy(k)；根据被赋予后的σy(k)计算根据对所述短暂丢失目标进行噪点识别；当所述短暂丢失目标满足所述条件一、所述条件二、所述条件三和所述条件四时，将所述短暂丢失目标标记为有效目标；其中，为第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根；σy(k)为所述第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的后验估计误差的协方差的平方根；为第k+1个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根。
可选地，所述目标维护单元，还适于当所述短暂丢失目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四时，继续对所述短暂丢失目标进行目标维护；或，当所述短暂丢失目标不满足所述条件二、所述条件三及所述条件四中的任一项，将所述短暂丢失目标标记为虚假目标。
可选地，所述噪点识别单元，包括：第二检测子单元、滤波处理子单元、第二状态预测子单元及第二噪点识别子单元，其中：所述第二检测子单元，适于将所采集到的目标对应的属性信息中不存在锁定标识信息的目标作为新目标；所述滤波处理子单元，适于为所述新目标分配对应的滤波器，对所述滤波器进行参数初始化，并采用所述滤波器对所述新目标进行滤波处理；所述第二状态预测子单元，适于采用所述预设的计算模型，根据所述新目标对应的测量参数，对所述新目标进行状态预测，以得到所述新目标的状态量估计值以及先验估计误差的协方差；所述第二噪点识别子单元，适于根据所述新目标的测量参数、所述新目标的状态量估计值以及所述先验估计误差的协方差，根据预设的噪点识别条件，对所述新目标进行噪点识别。
可选地，所述新目标对应的状态量估计值，包括：所述新目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
可选地，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述新目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述新目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述新目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
可选地，所述第二噪点识别子单元，适于采用以下至少一种方式进行噪点识别：当从第k个采样周期开始，连续m个采样周期，所述新目标均满足所述条件一、所述条件二、所述条件三及所述条件四，则将所述新目标标记为有效目标，并将所述锁定标识信息更新至对应的属性信息中；或，当所述新目标不满足所述条件一、所述条件二、所述条件三及所述条件四中的任一项时，将所述新目标标记为虚假目标。
可选地，所述装置还包括删除单元，适于当所采集到的目标为虚假目标时，将所采集到的目标删除，并释放对应的滤波器。
可选地，所述计算单元，适于采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量估计值及横向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离的状态量估计值及纵向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度的状态量估计值及径向相对速度，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的径向相对速度修正值。
可选地，所述计算单元，还适于根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度并输出；所述输出单元，还适于将计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度输出。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
采用预设的计算模型，根据获取到的所采集到的目标所对应的测量参数，对所采集到的目标进行噪点识别，以确定所采集到的目标为有效目标、虚假目标及短暂丢失目标中的哪一种。当所述采集到的目标为所述短暂丢失目标时，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标，从而可以避免短暂丢失目标中的有效目标的丢失，提高自动驾驶车辆目标跟踪的准确性。
进一步地，根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标对应的状态量修正值，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度，从而可以进一步提高路径规划层对自动驾驶车辆路径规划的准确性。
附图说明
图1是本发明实施例中一种自动驾驶车辆的目标跟踪方法的流程图；
图2是本发明实施例中另一种自动驾驶车辆的目标跟踪方法的流程图；
图3是本发明实施例中车载相机采集到的自动驾驶车辆前方道路环境图像；
图4是本发明实施例中前、后向毫米波雷达采集到的目标的对应的属性信息显示在车载计算机的显示界面上的示意图；
图5是本发明实施例中对前、后向毫米波雷达采集到的目标进行噪点识别之后得到的有效目标对应的属性信息显示在车载计算机的显示界面上的示意图；
图6是本发明实施例中前方目标的噪点识别分析结果示意图；
图7是本发明实施例中两种不同坐标系下前方目标相对于自动驾驶车辆的横向相对速度的对比示意图；
图8是本发明实施例中自动驾驶车辆的实际速度示意图；
图9是本发明实施例中两种不同坐标系下前方目标的实际纵向速度的对比示意图；
图10是本发明实施例中本发明实施例中两种不同坐标系下前方目标相对于自动驾驶车辆的纵向相对速度和径向速度的对比示意图；
图11是本发明实施例中一种自动驾驶车辆的目标跟踪装置的结构示意图；
图12是本发明实施例中一种噪点识别单元的结构示意图。
具体实施方式
自动驾驶车辆在自动驾驶过程中，主要是依靠车辆环境感知系统中的雷达来获取周围环境中目标的测量参数并对目标进行识别跟踪，自动驾驶车辆路径规划层根据雷达获取到的目标的测量参数对行驶路径进行规划。
在雷达对目标进行跟踪过程中，由于车体振动以及雷达目标回波能量分布不均和杂波影响，使得雷达返回的目标测量信息中存在虚假目标以及目标短暂丢失的情况，有效目标的测量信息准确率较低，影响自动驾驶车辆路径规划层对路径的规划的准确性，从而影响自动驾驶车辆行驶过程中的安全性。
为解决上述问题，在本发明实施例中，采用预设的计算模型，根据获取到的所采集到的目标所对应的测量参数，对所述所采集到的目标进行噪点识别，以确定所采集到的目标为有效目标、虚假目标及短暂丢失目标中的哪一种。当所述所采集到的目标为所述短暂丢失目标时，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标，从而可以避免短暂丢失目标中的有效目标的丢失，提高自动驾驶车辆目标跟踪的准确性。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，给出了本发明实施例中一种自动驾驶车辆的目标跟踪方法的流程图，下面通过具体步骤进行详细说明。
步骤S11，获取第k个采样周期所采集到的目标对应的测量参数。
在具体实施中，在自动驾驶车辆上可以安装有车载雷达，例如可以设置前向车载雷达或后向车载雷达，或同时设置前向车载雷达和后向车载雷达。采用车载雷达可以获得自动驾驶车辆周围目标的观测值。
可以根据自动驾驶车辆上安装的车载雷达返回的目标的观测值，得到第k个采样周期所采集到的目标对应的测量参数，k为正整数。
在本发明一实施例中，为了保证采集到的目标的测量参数的准确性及测量精度，所述车载雷达为毫米波雷达。可以理解的是，在实际应用中，可以根据对精度的需求以及实际的应用场景来选择雷达的类型。
在具体实施中，所述所采集到的目标对应的测量参数可以包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离、纵向相对距离及径向相对速度等。
在具体实施中，可以先获取极坐标系下的观测值并将其转换为直角坐标系下的观测值，将直角坐标系下的观测值作为所采集到的目标的测量参数。以下通过一具体实施例进行详细说明：
获取极坐标系下的观测值，所述观测值可以包括：所述采集到的目标相对于所述自动驾驶车辆的径向相对距离、方位角及径向相对速度。其中，所述方位角指所述采集到的目标与所述自动驾驶车辆车头正对方向所在的垂线的夹角。
在得到所述采集到的目标在极坐标系下相对于所述自动驾驶车辆的观测值后，可以通过公式(1)及公式(2)计算所述采集到的目标的测量参数。
x＝Lsinθ； (1)
y＝Lcosθ； (2)
其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离测量值；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离测量值；L为所述采集到的目标相对于所述自动驾驶车辆的径向相对距离；θ为所述方位角。
步骤S12，采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标。
通过对所采集到的目标进行噪点识别，可以获知所采集到的目标是有效目标还是虚假目标或者是短暂丢失目标，使得后续的处理过程可以根据所采集到的目标情况进行相应的处理，以避免虚假目标或短暂丢失目标对路径规划的影响，从而提高路径规划的准确性。
步骤S13，根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标。
通过对短暂丢失目标进行目标维护，可以从短暂丢失目标中获取到有效目标，从而减小雷达目标回波能量分布不均和杂波的影响，所引起的目标短暂丢失和跳变现象，提高雷达获取到的有效目标的准确性，从而可以提高自动驾驶车辆路径规划层根据有效目标所规划的路径的合理性，提高行车安全。
步骤S14，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值并实时输出。
在具体实施中，获取到有效目标或从所述短暂丢失的目标中筛选出有效目标后，可以根据所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值，并实时输出。
由上可见，采用预设的计算模型，根据获取到的所采集到的目标所对应的测量参数，对所采集到的目标进行噪点识别，以确定所述所采集到的目标为有效目标、虚假目标及短暂丢失目标中的哪一种。当所述所采集到的目标为所述短暂丢失目标时，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标，从而可以避免短暂丢失目标中的有效目标的丢失，提高自动驾驶车辆目标跟踪的准确性。
在具体实施中，所述有效目标或从所述短暂丢失目标中筛选出的有效目标对应的状态量修正值，可以包括：所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离修正值、纵向相对距离修正值及径向相对速度修正值。
相应地，所述根据所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值可以采用如下方式进行：
对于所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离修正值，采用预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量估计值、及横向相对距离，即可计算得出所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对距离修正值。
对于所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离修正值，采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离的状态量估计值、及纵向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的纵向相对距离修正值。
对于所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度修正值，采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度的状态量估计值及径向相对速度，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度修正值。
在本发明一实施例中，可以采用卡尔曼(Kalman)滤波算法建立计算模型。
在具体实施中，当所述采集到的目标为虚假目标时，还可以将所述虚假目标删除，并释放对应的滤波器。
为了进一步提高路径规划层所规划的路径的精确度，在本发明一实施例中，还可以根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度。
为了便于理解本发明，下面结合具体的例子对本发明进行详细的说明。参照图2，给出了本发明实施例中另一种自动驾驶车辆的目标跟踪方法的流程图。
在具体实施中，自动驾驶车辆上可以搭载有车载相机、前向毫米波雷达、后向毫米波雷达和车载计算机。其中，车载相机可以采集自动驾驶车辆在行驶过程中周围环境的图像信息。车载计算机可以通过控制器局域网络(Controller Area Network,CAN)总线接收前向毫米波雷达以及后向毫米波雷达传输的目标的观测值。其中，为了方便数据分析，车载相机与前、后向毫米波雷达传输的数据是同步记录的。车载计算机可以建立计算模型，也可以显示所采集到的目标对应的属性信息。
在本发明一实施例中，采用Kalman滤波算法建立计算模型。
步骤S201，获取第k个采样周期所采集到的目标对应的测量参数。
在具体实施中，车载计算机接收到前向毫米波雷达及后向毫米波雷达传输的所采集到的目标的观测值。通常前向毫米波雷达及后向毫米波雷达所观测的目标的观测值是极坐标系下的，可以包括：所采集到的目标相对于所述自动驾驶车辆的径向相对距离、方位角及径向相对速度。可以采用本发明上述实施例中提供的公式(1)及公式(2)，将极坐标系下的观测值转换成直角坐标系下的测量参数。
参照图3，给出了本发明实施例中车载相机采集到的自动驾驶车辆前方道路环境图像。
参照图4，给出了前、后向毫米波雷达采集到的目标的对应的属性信息显示在车载计算机的显示界面上的示意图。
在具体实施中，图中左侧部分显示内容可以包括：Vehicle info、Front ESR、RearRSDS等。其中，Vehicle info表示自动驾驶车辆的车辆信息，Front ESR表示前向毫米波雷达所采集到的目标的属性信息，Rear RSDS表示后向毫米波雷达所采集到的目标的属性信息。
在具体实施中，自动驾驶车辆的车辆信息(Vehicle info)可以包括：Speed、Steering Wheel Angle、Yawrate，其中，Speed表示自动驾驶车辆的速度；Steering WheelAngle表示方向盘转角，单位deg；Yawrate表示偏航角速度，单位deg/s。
前向毫米波雷达(Front ESR)所采集到的目标的属性信息可以包括：自适应定速巡航(Adaptive Cruise Control，ACC)、当前车道离最近的碰撞缓解(Closest In-PathCollision Mitigation，CMBB)、当前车道离最近的碰撞预警(Closest In-Path ForwardCollision Warning，FCW)等。Moving ID表示移动目标序列号，Stationary ID表示静止目标序列号。
后向毫米波雷达所采集到的目标的属性信息可以包括：盲区检测(Blind SpotInformation System，BLIS)、速度接近预警(Closing Velocity Warning，CVW)、行驶道路预测半径(Radius)等。Left表示位于自动驾驶车辆左侧的后向毫米波雷达采集到的目标，Right表示位于自动驾驶车辆右侧的后向毫米波雷达采集到的目标。
图4中右侧部分显示内容为前向毫米波雷达及后向车载毫米波雷达采集到的目标的对应的属性信息。在本发明一实施例中，以横坐标轴43为界，横坐标43以上部分为前向毫米波雷达采集到的目标，横坐标轴43以下部分为后向毫米波雷达采集到的目标。在横坐标轴43以下部分，再以纵坐标轴44为界，纵坐标轴44左侧为位于自动驾驶车辆左侧的后向毫米波雷达采集到的目标，纵坐标轴44右侧为位于自动驾驶车辆右侧的后向毫米波雷达采集到的目标。
其中，○表示一个目标，●表示该目标点被选中，ID表示目标的序列号，MF表示目标的运动状态，1表示绝对运动，0表示绝对静止。例如，“ID：11，MF：0”表示序列号为11的目标的运动状态为绝对静止。
当前图4中显示的ID为34和2的目标点的属性信息，其中ACC、CMBB及FCW对应的选项框内出现“ID:34”且带有背景色，BLIS对应的选项框内出现“ID:2；Level One”且带有背景色，表示ID为34及ID为2的目标点被选中。ID为34的目标点的属性信息为：Speed为29.379m/s，Steering Wheel Angle为6.68deg，Yaw Rate为-0.269323deg/s，为移动的目标点。ID为2的目标点的属性信息为：属于BLIS一级水平，Radius为8198m。
结合图3所示出的车载相机采集到的自动驾驶车辆的前方道路环境图像，可以得知前向毫米波雷达采集到的目标中包括：左方栅栏、右方隔离墙、前方的其他车辆等。参照图4，左方栅栏42，右方隔音墙41。当所采集到的目标点数目较多或者相邻目标点距离较近时，在车载计算机显示界面显示目标点信息时可能会出现重叠现象。
步骤S202，判断所采集到的目标的属性信息中是否包括锁定标识信息。
在具体实施中，由于在自动驾驶车辆目标跟踪过程中，在每个采样周期中，当检测到目标为稳定存在的目标时，也即采集到的目标为有效目标，会在稳定存在的目标对应的属性信息中给予锁定标识信息。
检测所采集到的目标的属性信息中是否包括锁定标识信息。当检测到所采集到的目标的属性信息中包括锁定标识信息时，将存在锁定标识信息的目标作为锁定目标，并执行步骤S203。当检测到目标中不包括锁定标识信息时，则执行步骤S204。
步骤S203，采用预设的计算模型，对所述锁定目标进行状态预测。
当所述目标中包括锁定标识信息时，则表征所述目标为稳定存在的目标。可以采用预设的计算模型，根据所述锁定目标的测量参数，对所述锁定目标进行状态预测，以得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵。
在本发明一实施例中，可以将自动驾驶车辆及周围的目标作为一个自动驾驶车辆的目标跟踪系统，采用Kalman滤波算法为自动驾驶车辆的目标跟踪系统建立计算模型，并采用Kalman滤波算法建立的计算模型对所采集到的目标进行状态量预测，得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵。
其中，在计算模型中，自动驾驶车辆的目标跟踪系统的状态方程为公式(3)，测量方程为公式(4)：
X(k)＝AX(k-1)+ω(k) p(ω)～N(0,Q)； (3)
Z(k)＝HX(k)+υ(k) p(υ)～N(0,R)； (4)
其中，ω(k)为第k采样周期的过程噪声，υ(k)为第k采样周期的测量噪声，且ω(k)与υ(k)是独立不相关并符合高斯分布的白噪声；Q为ω(k)的协方差矩阵；R为υ(k)的协方差矩阵；X(k)为自动驾驶车辆的目标跟踪系统在第k个采样周期的系统状态量；Z(k)为自动驾驶车辆的目标跟踪系统在第k个采样周期的系统测量参数；A为自动驾驶车辆的目标跟踪系统的系统参数；H为自动驾驶车辆的目标跟踪系统的测量系数；p(ω)为ω(k)的概率值；p(υ)为υ(k)的概率值。
在本发明一实施例中，
其中，T为车载毫米波雷达的采样周期时长，在本发明一实施例中，T＝50ms，，在实际应用中，采样周期的具体时长可以根据所选用的雷达类型，并结合实际需要进行设定。
自动驾驶车辆的目标跟踪系统的状态量可以采用公式(5)表示：
自动驾驶车辆的目标跟踪系统的测量参数为公式(6)：
Z(k)＝[x y vr]T (6)
自动驾驶车辆的目标跟踪系统的状态量估计值可以通过公式(7)计算得到：
X(k|k-1)＝A X(k-1|k-1) (7)
自动驾驶车辆的目标跟踪系统的状态量估计值可以采用公式(8)表示：
其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离；为x的状态量；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离；为y的状态量；vr为所述采集到的目标相对于所述自动驾驶车辆的径向相对速度；为vr的状态量；为x对应的状态量估计值；为对应的状态量估计值；为y对应的状态量估计值；为对应的状态量估计值；为vr的状态量估计值；为的状态量估计值；X(k|k-1)为基于第k-1个采样周期的系统状态量估计值；X(k-1|k-1)为第k-1个采样周期的系统状态量修正值；为第k个采样周期的状态量估计值。
步骤S204，为新目标分配对应的滤波器，并将所述滤波器进行参数初始化，对所述新目标进行滤波处理。
当所采集到的目标对应的属性信息中不包括锁定标识信息时，将所采集到的目标对应的属性信息中不存在锁定标识信息的目标作为新目标，为所述新目标分配对应的滤波器，将所述滤波器的参数初始化，采用初始化后的滤波器对所述新目标进行滤波处理。所述滤波器将对所述新目标进行跟踪，直至所述新目标成为虚假目标，将所述新目标删除时，才会释放对应的滤波器。
在具体实施中，滤波器的数目可以为多个。
在本发明一实施例中，采用Kalman滤波算法建立滤波器。
步骤S205，采用预设的计算模型，对所述新目标进行状态预测。
在具体实施中，可以采用Kalman滤波算法建立的计算模型，并结合公式(3)至公式(8)，对所述新目标进行状态预测，以得到所述新目标的状态量估计值以及先验估计误差的协方差。具体计算过程，此处不再赘述。
步骤S206，对所采集到的目标进行噪点识别。
在具体实施中，可以采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别。
由于采集到的目标可以为不同的类型，例如，可以为锁定目标，也可以为新目标。可以根据目标对应的属性信息获知目标的类型。
在具体实施中，可以根据实际应用场景及对目标识别的精度要求设置噪点识别条件。
在具体实施中，所述噪点识别条件可以包括：条件一对应的公式(9)、条件二对应的公式(10)、条件三对应的公式(11)及条件四对应的公式(12)：
条件一：
条件二:y(k+m)≥1； (10)
条件三：
条件四：
在本发明一实施例中，所采集到的目标为锁定目标，其中，y(k+m)为所述锁定目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述锁定目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述锁定目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
在具体实施中，所述与纵向相对距离y(k+m)的所述先验估计误差的协方差的矩阵相关，而纵向相对距离y(k+m)的所述先验估计误差的协方差的矩阵为所述系统先验估计误差的协方差的矩阵的子矩阵。
在具体实施中，对锁定目标的噪点识别过程可以包括：根据所述锁定目标的状态量估计值、所述锁定目标的测量参数及所述系统先验估计误差的协方差矩阵，根据预设的噪点识别条件对所述锁定目标进行噪点识别。其中，所述锁定目标对应的状态量估计值可以包括：所述锁定目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
在具体实施中，可以采用以下至少一种方式对所述锁定目标进行噪点识别：
当所述锁定目标满足所述条件一、所述条件二、所述条件三和所述条件四，则将所述锁定目标标记为有效目标。
在第k个至第k+m个采样周期内，所述锁定目标有任意一个采样周期不满足所述条件二、所述条件三及所述条件四中的任一项，则将所述锁定目标标记为虚假目标。
从所述第k个采样周期开始，连续m个采样周期，所述锁定目标均不满足所述条件一，则将所述锁定目标标记为虚假目标。
从所述第k个采样周期开始，连续n个采样周期，所述锁定目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四，则将所述锁定目标作标记为短暂丢失目标，n＜m，且为非负整数。
在本发明另一实施例中，所采集到的目标为新目标，其中：y(k+m)为所述新目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述新目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述新目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
在具体实施中，对新目标的噪点识别过程可以包括：根据所述新目标的测量参数、所述新目标的状态量估计值以及所述先验估计误差的协方差，根据预设的噪点识别条件，对所述新目标进行噪点识别。其中，所述新目标对应的状态量估计值，包括：所述新目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
在具体实施中，可以采用以下至少一种方式对所述新目标进行噪点识别：
当从第k个采样周期开始，连续m个采样周期，所述新目标均满足所述条件一、所述条件二、所述条件三及所述条件四，则将所述新目标标记为有效目标，并将所述锁定标识信息更新至对应的属性信息中。
当所述新目标不满足所述条件一、所述条件二、所述条件三及所述条件四中的任一项时，将所述新目标标记为虚假目标。
在具体实施中，将所采集到的新目标进行噪点识别之后，可以根据噪点识别的结果，分别采用不同的标识信息对有效目标、短暂丢失目标及虚假目标进行标识，以方便后续对不同的类型目标进行相应的处理。
在具体实施中，为了在保障噪点识别结果的准确性的情况下，又能兼顾获取每个采样周期的有效目标的状态量修正值的时效性，以使得自动驾驶车辆路径规划层能及时的根据第k个采样周期的目标的修正值，进行相应的路径规划。在本发明一实施例中，m取值为3。可以理解的是，在实际应用中还可以根据采样周期的具体时长对m的取值进行设定。
需要说明的是，在对所采集到的目标进行噪点识别时，可以根据预设的计算模型，采用步骤S201获取的所采集到的目标的测量参数，结合步骤S202及步骤S203得到的锁定目标的状态量估计值，通过步骤S206对锁定目标进行噪点识别。可以根据预设的计算模型，采用步骤S201获取的所采集到的目标的测量参数，结合步骤S202、步骤204及步骤205得到的新目标的状态量估计值，通过步骤S206对新目标进行噪点识别。
所采集到的目标经噪点识别后，当所采集到的目标为短暂丢失目标时，执行步骤S207；当所采集到的目标为有效目标时，执行步骤S209；当所采集到的目标为虚假目标时，执行步骤S213。
所采集到的目标为短暂丢失目标，执行步骤S208，对短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标。
在具体实施中，可以通过如下方式对所述短暂丢失的目标进行目标维护：
将第k个采样周期中赋于σy(k)；根据被赋予后的σy(k)计算根据对所述短暂丢失目标进行噪点识别；当所述短暂丢失目标满足本发明上述实施例中的所述条件一、所述条件二、所述条件三和所述条件四时，也即是满足公式(9)至公式(12)时，将所述短暂丢失目标标记为有效目标。
其中，为第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根；σy(k)为所述第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的后验估计误差的协方差的平方根；为第k+1个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根。
在具体实施中，当所述短暂丢失目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四时，也即不满足公式(9)，但满足公式(10)、公式(11)和公式(12)，则继续对所述短暂丢失目标进行目标维护。
在具体实施中，当所述短暂丢失目标不满足所述条件二、所述条件三及所述条件四中的任意一项，也即不满足公式(10)、公式(11)和公式(12)中的任一项时，将所述短暂丢失目标标记为虚假目标。
当所采集到的目标经噪点识别后标记为虚假目标时，执行步骤S215，将所述虚假目标删除，并释放对应的滤波器。
步骤S210，对所述有效目标或从所述短暂丢失目标中筛选出的有效目标进行状态修正。
在具体实施中，可以根据所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值，并实时输出。
在本发明一实施例中，可以采用卡尔曼(Kalman)滤波算法建立计算模型。通过公式(13)计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量修正值、纵向相对距离修正值及径向相对速度修正值：
X(k|k)＝X(k|k-1)+Kg(k)*(Z(k)-HX(k|k-1)) (13)
其中，X(k|k)为第k个采样周期中的有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值；X(k|k-1)为第k采样周期中的有效目标或从所述短暂丢失目标中筛选出的有效目标相对所述自动驾驶车辆的状态量估计值；Kg(k)为第k个采样周期的卡尔曼增益(Kalman Gain)。
在具体实施中，卡尔曼增益可以采用公式(14)计算：
Kg(k)＝P(k|k-1)H’/(HP(k|k-1)H’+R) (14)
其中，Kg(k)为第k个采样周期的卡尔曼增益；P(k|k-1)为X(k|k-1)对应的协方差矩阵；H’为H的转置矩阵。
在具体实施中，当计算模型由Kalman滤波算法建立时，在计算得到第k采样周期中的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量修正值、纵向相对距离修正值及径向相对速度的状态量修正值后，为了保障Kalman滤波算法建立的计算模型能够继续运算下去，还可以对第k采样周期下自动驾驶车辆跟踪系统的状态量对应的协方差矩阵进行更新。
在本发明一实施例中，采用公式(15)对第k采样周期下自动驾驶车辆跟踪系统的状态量对应的协方差矩阵进行更新：
P(k|k)＝(I-Kg(k))HP(k|k-1)； (15)
其中，P(k|k)为更新后的第k个采样周期下自动驾驶车辆跟踪系统的状态量对应的协方差矩阵；P(k|k-1)为第k个采样周期下自动驾驶车辆跟踪系统的状态量对应的协方差矩阵；I为1的矩阵。
步骤S211，对所述有效目标或从所述短暂丢失目标中筛选出的有效目标进行速度估计。
在具体实施中，可以根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从的所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度。
在本发明一实施例中，采用公式(16)、公式(17)及公式(18)计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对速度及纵向相对速度：
其中，vx为所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度；vr为所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度；vy为所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对速度；为vr的状态量估计值；vθ为所述有效目标或从所述短暂丢失目标中筛选出的有效目标相的横向速度；为vθ的状态量估计值。
步骤S212，将第k个采样周期的有效目标的信息输出。
在具体实施中，有效目标的信息包括：有效目标相对于自动驾驶车辆的横向相对距离、纵向相对距离、横向相对速度及纵向相对速度。
步骤S216，进入第k+1个采样周期。
对所采集到的目标进行噪点识别，并得到有效目标的信息之后，得到的有效目标对应的属性信息显示在车载计算机的显示界面上的示意图，可参照图5所示。其中vx表示采集到的目标相对于自动驾驶车辆的横向相对速度。
在本发明一实施例中，为了验证对速度估计的效果，在城市道路上进行了实车实验。实车实验中的自动驾驶车辆直线行驶，逐渐靠近前方旁车道的静止的前方目标，通过对实验采集到的数据进行噪点识别，选取单目标进行数据分析，得出的实验分析结果如图6。从图6中可以看得出，毫米波雷达在初始时刻检测到纵向相对距离为185m的前方目标。后续对目标车辆进行噪点识别，其中，在0～14.7s时间区间所处区域为有效目标区域，即区域A。在15s～21s时间区间所处区域为噪点区域，即区域B。其中，噪点区域指前方目标为处于短暂丢失状态或虚假状态。
在具体实施中，为进一步验证速度估计的效果，采用两种不同的坐标系对目标进行速度估计。在实验时，采用了极坐标系和直角坐标系。选取图6中0～14.7s时间区间内的有效目标进行速度分析。
图7给出了本发明实施例中两种不同坐标系下前方目标相对于自动驾驶车辆的横向相对速度的对比示意图。其中，VxPCS为在极坐标系下的横向相对速度估计值，VyPCS为在极坐标系下的纵向相对速度估计值；VxRCS为在直角坐标系下的横向相对速度估计值，VyRCS为在直角坐标系下的纵向相对速度估计值。
图8给出了本发明实施例中自动驾驶车辆的实际速度示意图。
图9给出了本发明实施例中两种不同坐标系下前方目标的实际纵向速度的对比示意图。其中，Vobj PCS为在极坐标系下前方目标的实际纵向速度，Vobj RCS为直角坐标系下前方目标的实际纵向速度。
图10给出了本发明实施例中两种不同坐标系下前方目标相对于自动驾驶车的纵向相对速度和径向速度的对比示意图。其中，Vr为毫米波雷达输出的前方目标相对自动驾驶车辆的径向速度，当前方目标相对自动驾驶车辆的径向速度为负时，表示前方目标靠近自动驾驶车辆。
从图中可以看出在12s～14.7s时间区间内，两种方法估计的速度有明显差异。如图7所示，其中VxPCS逐渐升高到-2.5m/s，而VxRCS变化平稳且逐渐收敛于0。如图8所示，在12s～14.7s区间内VyPCS和Vr的曲线变化情况相似，逐渐降低到-9m/s，而VyRCS变化平稳且缓慢。通过获取自动驾驶车辆的实际车速可得到前方目标的实际纵向速度，如图9所示，在12s～14.7s区间内，Vobj PCS快速升高到2m/s，而Vobj RCS变化平稳且缓慢，更符合前方目标的实际变化情况。
对比两种坐标系下所估计的速度，在直角坐标下所估计的速度结果更具合理性，符合前方目标的实际变化情况。经过实验验证和结果分析，可得知在直角坐标下所建立的计算模型与实际自动驾驶车的目标跟踪系统的变化情况相匹配。
参照图11，给出了本发明实施例中一种自动驾驶车辆的目标跟踪装置。所述自动驾驶车辆的目标跟踪装置110，可以包括：获取单元111、噪点识别单元112、目标维护单元113、计算单元114及输出单元115，其中：
获取单元111，适于获取第k个采样周期所采集到的目标对应的测量参数，k为正整数；
噪点识别单元112，适于采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标；
目标维护单元113，适于根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标；
计算单元114，适于采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值；
输出单元115，适于实时将计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值输出。
在具体实施中，所述所采集到的目标对应的测量参数包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离、纵向相对距离及径向相对速度。
在具体实施中，所述获取单元111，适于获取在极坐标系下的观测值，所述观测值包括:所述采集到的目标相对于所述自动驾驶车辆的距离、方位角及所述径向相对速度；采用如下公式将所述采集到的目标在极坐标下的观测值转换成在直角坐标系下的所述测量参数；
x＝Lsinθ；
y＝Lcosθ；
其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离；L为所述采集到的目标相对于所述自动驾驶车辆的径向相对距离；θ为所述方位角。
参照图12，给出了本发明实施例中一种噪点识别单元112的结构示意图。在具体实施中，所述噪点识别单元112，包括：第一检测子单元121、第一状态预测子单元122及第一噪点识别子单元123，其中：
所述第一检测子单元121，适于将所采集到的目标对应的属性信息中存在锁定标识信息的目标作为锁定目标；
所述第一状态预测子单元122，适于采用所述预设的计算模型，根据所述锁定目标的测量参数，对所述锁定目标进行状态预测，以得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵；
所述第一噪点识别子单元123，适于根据所述锁定目标的状态量估计值、所述锁定目标的测量参数及所述系统先验估计误差的协方差矩阵，根据预设的噪点识别条件对所述锁定目标进行噪点识别。
在具体实施中，所述锁定目标对应的状态量估计值，包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
在具体实施中，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述锁定目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述锁定目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述锁定目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
继续参照图12，在具体实施中，所述第一噪点识别子单元123，适于采用以下至少一种方式进行噪点识别：当所述锁定目标满足所述条件一、所述条件二、所述条件三和所述条件四，则将所述锁定目标标记为有效目标；在第k个至第k+m个采样周期内，所述锁定目标有任意一个采样周期不满足所述条件二、所述条件三及所述条件四中的任一项，则将所述锁定目标标记为虚假目标；从所述第k个采样周期开始，连续m个采样周期，所述锁定目标均不满足所述条件一，则将所述锁定目标标记为虚假目标；从所述第k个采样周期开始，连续n个采样周期，所述锁定目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四，则将所述锁定目标作标记为短暂丢失目标，n＜m，且为非负整数。
在具体实施中，为了在保障噪点识别结果的准确性的情况下，又能兼顾获取每个采样周期的有效目标的状态量修正值的时效性，以使得自动驾驶车辆路径规划层能及时的根据第k个采样周期的目标的修正值，进行相应的路径规划。在本发明一实施例中，m取值为3。可以理解的是，在实际应用中还可以根据采样周期的具体时长对m的取值进行设定。
在具体实施中，所述目标维护单元113，适于将第k个采样周期中赋于σy(k)；根据被赋予后的σy(k)计算根据对所述短暂丢失目标进行噪点识别；当所述短暂丢失目标满足所述条件一、所述条件二、所述条件三和所述条件四时，将所述短暂丢失目标标记为有效目标；其中，为第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根；σy(k)为所述第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的后验估计误差的协方差的平方根；为第k+1个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根。
在具体实施中，所述目标维护单元113，还适于当所述短暂丢失目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四时，继续对所述短暂丢失目标进行目标维护；或，当所述短暂丢失目标不满足所述条件二、所述条件三及所述条件四中的任意一项，将所述短暂丢失目标标记为虚假目标。
继续参照图12，在具体实施中，所述噪点识别单元112，可以包括：第二检测子单元124、滤波处理子单元125、第二状态预测子单元126及第二噪点识别子单元127，其中：
所述第二检测子单元124，适于将所采集到的目标对应的属性信息中不存在锁定标识信息的目标作为新目标；
所述滤波处理子单元125，适于为所述新目标分配对应的滤波器，对所述滤波器进行参数初始化，并采用所述滤波器对所述新目标进行滤波处理；
所述第二状态预测子单元126，适于采用所述预设的计算模型，根据所述新目标对应的测量参数，对所述新目标进行状态预测，以得到所述新目标的状态量估计值以及先验估计误差的协方差；
所述第二噪点识别子单元127，适于根据所述新目标的测量参数、所述新目标的状态量估计值以及所述先验估计误差的协方差，根据预设的噪点识别条件，对所述新目标进行噪点识别。
在具体实施中，所述新目标对应的状态量估计值，包括：所述新目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
在具体实施中，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述新目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述新目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述新目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
在具体实施中，所述第二噪点识别子单元127，适于采用以下至少一种方式进行噪点识别：当从第k个采样周期开始，连续m个采样周期，所述新目标均满足所述条件一、所述条件二、所述条件三及所述条件四，则将所述新目标标记为有效目标，并将所述锁定标识信息更新至对应的属性信息中；当所述新目标不满足所述条件一、所述条件二、所述条件三及所述条件四中的任一项时，将所述新目标标记为虚假目标。
在具体实施中，所述自动驾驶车辆的目标跟踪装置110还可以包括删除单元(未示出)，适于当所采集到的目标为虚假目标时，将所采集到的目标删除，并释放对应的滤波器。
继续参照图11，在具体实施中，所述计算单元114，适于采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量估计值及横向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离的状态量估计值及纵向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度的状态量估计值及径向相对速度，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的径向相对速度修正值。
在具体实施中，所述计算单元114，还适于根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度并输出；所述输出单元115，还适于将计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度输出。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (34)
1.一种自动驾驶车辆的目标跟踪方法，其特征在于，包括：
获取第k个采样周期所采集到的目标对应的测量参数，k为正整数；
采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标；
根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标；
采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值并实时输出。
2.根据权利要求1所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述所采集到的目标对应的测量参数包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离、纵向相对距离及径向相对速度。
3.根据权利要求2所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述获取第k个采样周期所采集到的目标对应的测量参数，包括：
获取在极坐标系下的观测值，所述观测值包括:所述采集到的目标相对于所述自动驾驶车辆的径向相对距离、方位角及所述径向相对速度；
采用如下公式将所述采集到的目标在极坐标下的观测值转换成在直角坐标系下的所述测量参数；
x＝Lsinθ；
y＝Lcosθ；
其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离；L为所述采集到的目标相对于所述自动驾驶车辆的径向相对距离；θ为所述方位角。
4.根据权利要求2所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，包括：
将所采集到的目标对应的属性信息中存在锁定标识信息的目标作为锁定目标；
采用所述预设的计算模型，根据所述锁定目标的测量参数，对所述锁定目标进行状态预测，以得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵；
根据所述锁定目标的状态量估计值、所述锁定目标的测量参数及所述系统先验估计误差的协方差矩阵，根据预设的噪点识别条件对所述锁定目标进行噪点识别。
5.根据权利要求4所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述锁定目标对应的状态量估计值，包括：所述锁定目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
6.根据权利要求5所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述锁定目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述锁定目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述锁定目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
7.根据权利要求6所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述根据预设的噪点识别条件对所述锁定目标进行噪点识别，包括以下至少一种方式：
当所述锁定目标满足所述条件一、所述条件二、所述条件三和所述条件四，则将所述锁定目标标记为有效目标；在第k个至第k+m个采样周期内，所述锁定目标有任意一个采样周期不满足所述条件二、所述条件三及所述条件四中的任一项，则将所述锁定目标标记为虚假目标；
从所述第k个采样周期开始，连续m个采样周期，所述锁定目标均不满足所述条件一，则将所述锁定目标标记为虚假目标；
从所述第k个采样周期开始，连续n个采样周期，所述锁定目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四，则将所述锁定目标作标记为短暂丢失目标，n＜m，且为非负整数。
8.根据权利要求6所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标，包括：
将第k个采样周期中赋于σy(k)；
根据被赋于后的σy(k)计算
根据对所述短暂丢失目标进行噪点识别；
当所述短暂丢失目标满足所述条件一、所述条件二、所述条件三和所述条件四时，将所述短暂丢失目标标记为有效目标；
其中，为第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根；σy(k)为所述第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的后验估计误差的协方差的平方根；为第k+1个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根。
9.根据权利要求8所述的自动驾驶车辆的目标跟踪方法，其特征在于，还包括：
当所述短暂丢失目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四时，继续对所述短暂丢失目标进行目标维护；或，
当所述短暂丢失目标不满足所述条件二、所述条件三及所述条件四中的任意一项，将所述短暂丢失目标标记为虚假目标。
10.根据权利要求2或4所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，包括：
将所采集到的目标对应的属性信息中不存在锁定标识信息的目标作为新目标；
为所述新目标分配对应的滤波器，对所述滤波器进行参数初始化，并采用初始化后的滤波器对所述新目标进行滤波处理；
采用所述预设的计算模型，根据所述新目标对应的测量参数，对所述新目标进行状态预测，以得到所述新目标的状态量估计值以及先验估计误差的协方差；
根据所述新目标的测量参数、所述新目标的状态量估计值以及所述先验估计误差的协方差，根据预设的噪点识别条件，对所述新目标进行噪点识别。
11.根据权利要求10所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述新目标对应的状态量估计值，包括：所述新目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
12.根据权利要求11所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述新目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述新目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述新目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
13.根据权利要求12所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述根据预设的噪点识别条件，对所述新目标进行噪点识别，包括以下至少一种方式：
当从第k个采样周期开始，连续m个采样周期，所述新目标均满足所述条件一、所述条件二、所述条件三及所述条件四，则将所述新目标标记为有效目标，并将所述锁定标识信息更新至对应的属性信息中；
当所述新目标不满足所述条件一、所述条件二、所述条件三及所述条件四中的任一项时，将所述新目标标记为虚假目标。
14.根据权利要求1所述的自动驾驶车辆的目标跟踪方法，其特征在于，还包括：当所采集到的目标为虚假目标时，将所述所采集到的目标删除，并释放对应的滤波器。
15.根据权利要求1所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值，包括：
采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量估计值及横向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对距离修正值；
采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离的状态量估计值及纵向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离修正值；
采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度的状态量估计值及径向相对速度，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的径向相对速度修正值。
16.根据权利要求1所述的自动驾驶车辆的目标跟踪方法，其特征在于，在计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值之后，还包括：
根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度并输出。
17.根据权利要求1所述的自动驾驶车辆的目标跟踪方法，其特征在于，所述测量参数根据车载毫米波雷达返回的所采集到的目标的测量值得到。
18.根据权利要求1所述的自动驾驶车辆的目标跟踪方法，其特征在于，采用Kalman滤波算法建立所述预设的计算模型。
19.一种自动驾驶车辆的目标跟踪装置，其特征在于，包括：
获取单元，适于获取第k个采样周期所采集到的目标对应的测量参数，k为正整数；
噪点识别单元，适于采用预设的计算模型，根据所采集到的目标对应的测量参数，对所采集到的目标进行噪点识别，从中得到有效目标、虚假目标及短暂丢失目标；
目标维护单元，适于根据预设的修正算法，对所述短暂丢失目标进行目标维护，以从所述短暂丢失目标中筛选出有效目标；
计算单元，适于采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值；
输出单元，适于实时将计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的状态量修正值输出。
20.根据权利要求19所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述所采集到的目标对应的测量参数包括：所述采集到的目标相对于所述自动驾驶车辆的横向相对距离、纵向相对距离及径向相对速度。
21.根据权利要求20所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述获取单元，适于获取在极坐标系下的观测值，所述观测值包括:所述采集到的目标相对于所述自动驾驶车辆的径向相对距离、方位角及所述径向相对速度；
采用如下公式将所述采集到的目标在极坐标下的观测值转换成在直角坐标系下的所述测量参数；
x＝Lsinθ；
y＝Lcosθ；
其中，x为所述采集到的目标相对于所述自动驾驶车辆的横向相对距离；y为所述采集到的目标相对于所述自动驾驶车辆的纵向相对距离；L为所述采集到的目标相对于所述自动驾驶车辆的径向相对距离；θ为所述方位角。
22.根据权利要求20所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述噪点识别单元，包括：第一检测子单元、第一状态预测子单元及第一噪点识别子单元，其中：
所述第一检测子单元，适于将所采集到的目标对应的属性信息中存在锁定标识信息的目标作为锁定目标；
所述第一状态预测子单元，适于采用所述预设的计算模型，根据所述锁定目标的测量参数，对所述锁定目标进行状态预测，以得到所述锁定目标对应的状态量估计值及系统先验估计误差的协方差矩阵；
所述第一噪点识别子单元，适于根据所述锁定目标的状态量估计值、所述锁定目标的测量参数及所述系统先验估计误差的协方差矩阵，根据预设的噪点识别条件对所述锁定目标进行噪点识别。
23.根据权利要求22所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述锁定目标对应的状态量估计值，包括：所述锁定目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
24.根据权利要求23所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述锁定目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述锁定目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述锁定目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
25.根据权利要求24所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述第一噪点识别子单元，适于采用以下至少一种方式进行噪点识别：
当所述锁定目标满足所述条件一、所述条件二、所述条件三和所述条件四，则将所述锁定目标标记为有效目标；
在第k个至第k+m个采样周期内，所述锁定目标有任意一个采样周期不满足所述条件二、所述条件三及所述条件四中的任一项，则将所述锁定目标标记为虚假目标；
从所述第k个采样周期开始，连续m个采样周期，所述锁定目标均不满足所述条件一，则将所述锁定目标标记为虚假目标；
从所述第k个采样周期开始，连续n个采样周期，所述锁定目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四，则将所述锁定目标作标记为短暂丢失目标，n＜m，且为非负整数。
26.根据权利要求24所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述目标维护单元，适于将第k个采样周期中赋于σy(k)；根据被赋予后的σy(k)计算根据对所述短暂丢失目标进行噪点识别；当所述短暂丢失目标满足所述条件一、所述条件二、所述条件三和所述条件四时，将所述短暂丢失目标标记为有效目标；其中，为第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根；σy(k)为所述第k个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的后验估计误差的协方差的平方根；为第k+1个采样周期的所述短暂丢失目标相对于所述自动驾驶车辆的纵向相对距离的先验估计误差的协方差的平方根。
27.根据权利要求26所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述目标维护单元，还适于当所述短暂丢失目标不满足所述条件一，但满足所述条件二、所述条件三和所述条件四时，继续对所述短暂丢失目标进行目标维护；或，当所述短暂丢失目标不满足所述条件二、所述条件三及所述条件四中的任一项，将所述短暂丢失目标标记为虚假目标。
28.根据权利要求20或22所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述噪点识别单元，包括：第二检测子单元、滤波处理子单元、第二状态预测子单元及第二噪点识别子单元，其中：
所述第二检测子单元，适于将所采集到的目标对应的属性信息中不存在锁定标识信息的目标作为新目标；
所述滤波处理子单元，适于为所述新目标分配对应的滤波器，对所述滤波器进行参数初始化，并采用所述滤波器对所述新目标进行滤波处理；
所述第二状态预测子单元，适于采用所述预设的计算模型，根据所述新目标对应的测量参数，对所述新目标进行状态预测，以得到所述新目标的状态量估计值以及先验估计误差的协方差；
所述第二噪点识别子单元，适于根据所述新目标的测量参数、所述新目标的状态量估计值以及所述先验估计误差的协方差，根据预设的噪点识别条件，对所述新目标进行噪点识别。
29.根据权利要求28所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述新目标对应的状态量估计值，包括：所述新目标相对于所述自动驾驶车辆的横向相对距离估计值、纵向相对距离估计值及径向相对速度估计值。
30.根据权利要求29所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述预设的噪点识别条件包括：
条件一:
条件二:y(k+m)≥1；
条件三：
条件四：
其中，y(k+m)为所述新目标相对于所述自动驾驶车辆的纵向相对距离；为y(k+m)的状态量估计值；x(k+m)为所述新目标相对于所述自动驾驶车辆的横向相对距离；为x(k+m)的状态量估计值；为纵向相对距离y(k+m)的所述先验估计误差的协方差的平方根；Cx为横向相对距离的误差阈值；vr(k+m)为所述新目标相对于所述自动驾驶车辆的径向相对速度；为vr(k+m)的状态量计值；为径向相对速度的误差阈值；m≥0，且为整数。
31.根据权利要求30所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述第二噪点识别子单元，适于采用以下至少一种方式进行噪点识别：
当从第k个采样周期开始，连续m个采样周期，所述新目标均满足所述条件一、所述条件二、所述条件三及所述条件四，则将所述新目标标记为有效目标，并将所述锁定标识信息更新至对应的属性信息中；或，
当所述新目标不满足所述条件一、所述条件二、所述条件三及所述条件四中的任一项时，将所述新目标标记为虚假目标。
32.根据权利要求19所述的自动驾驶车辆的目标跟踪装置，其特征在于，还包括删除单元，适于当所采集到的目标为虚假目标时，将所采集到的目标删除，并释放对应的滤波器。
33.根据权利要求19所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述计算单元，适于采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对距离的状态量估计值及横向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的横向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离的状态量估计值及纵向相对距离，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的纵向相对距离修正值；采用所述预设的计算模型，根据所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的径向相对速度的状态量估计值及径向相对速度，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标分别相对于所述自动驾驶车辆的径向相对速度修正值。
34.根据权利要求19所述的自动驾驶车辆的目标跟踪装置，其特征在于，所述计算单元，还适于根据计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于自动驾驶车辆的状态量修正值，采用所述预设的计算模型，计算所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度并输出；
所述输出单元，还适于将计算得到的所述有效目标或从所述短暂丢失目标中筛选出的有效目标相对于所述自动驾驶车辆的横向相对速度及纵向相对速度输出。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710257311X | 2017-04-19 | ||
| CN201710257311 | 2017-04-19 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108733042A true CN108733042A (zh) | 2018-11-02 |
| CN108733042B CN108733042B (zh) | 2021-11-09 |
Family
ID=63934109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710271864.0A Active CN108733042B (zh) | 2017-04-19 | 2017-04-24 | 自动驾驶车辆的目标跟踪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108733042B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109814114A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种超声波雷达阵列、障碍物检测方法及系统 |
| WO2020133223A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市大疆创新科技有限公司 | 目标探测方法、雷达、车辆以及计算机可读存储介质 |
| CN111965636A (zh) * | 2020-07-20 | 2020-11-20 | 重庆大学 | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 |
| CN113460064A (zh) * | 2020-03-31 | 2021-10-01 | 北京新能源汽车股份有限公司 | 一种前方目标车辆的识别方法、装置及电动汽车 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090192686A1 (en) * | 2005-09-21 | 2009-07-30 | Wolfgang Niehsen | Method and Driver Assistance System for Sensor-Based Drive-Off Control of a Motor Vehicle |
| CN101814187A (zh) * | 2009-12-29 | 2010-08-25 | 天津市亚安科技电子有限公司 | 基于多级特征的视频跟踪方法 |
| CN103262121A (zh) * | 2010-12-20 | 2013-08-21 | 国际商业机器公司 | 移动物体的检测和跟踪 |
| CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
| CN204631612U (zh) * | 2015-04-09 | 2015-09-09 | 乌鲁木齐职业大学 | 自动跟踪摄像小车 |
| CN104943684A (zh) * | 2014-03-31 | 2015-09-30 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
| CN105447888A (zh) * | 2015-11-16 | 2016-03-30 | 中国航天时代电子公司 | 一种基于有效目标判断的无人机机动目标检测方法 |
| US20160125249A1 (en) * | 2014-10-30 | 2016-05-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Blur object tracker using group lasso method and apparatus |
| CN105701479A (zh) * | 2016-02-26 | 2016-06-22 | 重庆邮电大学 | 基于目标特征的智能车辆多激光雷达融合识别方法 |
| CN105740804A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于图像处理的车辆自动跟踪驾驶方法 |
| CN105774806A (zh) * | 2015-01-07 | 2016-07-20 | 丰田自动车株式会社 | 车辆行驶控制装置 |
| CN105857310A (zh) * | 2016-03-29 | 2016-08-17 | 谢奇 | 一种交通工具自主跟随方法和系统 |
| US9443320B1 (en) * | 2015-05-18 | 2016-09-13 | Xerox Corporation | Multi-object tracking with generic object proposals |
| CN106143490A (zh) * | 2015-04-07 | 2016-11-23 | 上海汽车集团股份有限公司 | 车辆自适应巡航控制方法及装置 |
| KR20170007924A (ko) * | 2015-07-13 | 2017-01-23 | 현대모비스 주식회사 | 센서의 시야 범위를 조정하는 시스템 및 그 방법 |
| CN106428000A (zh) * | 2016-09-07 | 2017-02-22 | 清华大学 | 一种车辆速度控制装置和方法 |
| CN106529466A (zh) * | 2016-11-03 | 2017-03-22 | 中国兵器工业计算机应用技术研究所 | 一种基于仿生眼的无人驾驶车辆路径规划方法及系统 |
-
2017
- 2017-04-24 CN CN201710271864.0A patent/CN108733042B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090192686A1 (en) * | 2005-09-21 | 2009-07-30 | Wolfgang Niehsen | Method and Driver Assistance System for Sensor-Based Drive-Off Control of a Motor Vehicle |
| CN101814187A (zh) * | 2009-12-29 | 2010-08-25 | 天津市亚安科技电子有限公司 | 基于多级特征的视频跟踪方法 |
| CN103262121A (zh) * | 2010-12-20 | 2013-08-21 | 国际商业机器公司 | 移动物体的检测和跟踪 |
| CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
| CN104943684A (zh) * | 2014-03-31 | 2015-09-30 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
| US20160125249A1 (en) * | 2014-10-30 | 2016-05-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Blur object tracker using group lasso method and apparatus |
| CN105774806A (zh) * | 2015-01-07 | 2016-07-20 | 丰田自动车株式会社 | 车辆行驶控制装置 |
| CN106143490A (zh) * | 2015-04-07 | 2016-11-23 | 上海汽车集团股份有限公司 | 车辆自适应巡航控制方法及装置 |
| CN204631612U (zh) * | 2015-04-09 | 2015-09-09 | 乌鲁木齐职业大学 | 自动跟踪摄像小车 |
| US9443320B1 (en) * | 2015-05-18 | 2016-09-13 | Xerox Corporation | Multi-object tracking with generic object proposals |
| KR20170007924A (ko) * | 2015-07-13 | 2017-01-23 | 현대모비스 주식회사 | 센서의 시야 범위를 조정하는 시스템 및 그 방법 |
| CN105447888A (zh) * | 2015-11-16 | 2016-03-30 | 中国航天时代电子公司 | 一种基于有效目标判断的无人机机动目标检测方法 |
| CN105740804A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于图像处理的车辆自动跟踪驾驶方法 |
| CN105701479A (zh) * | 2016-02-26 | 2016-06-22 | 重庆邮电大学 | 基于目标特征的智能车辆多激光雷达融合识别方法 |
| CN105857310A (zh) * | 2016-03-29 | 2016-08-17 | 谢奇 | 一种交通工具自主跟随方法和系统 |
| CN106428000A (zh) * | 2016-09-07 | 2017-02-22 | 清华大学 | 一种车辆速度控制装置和方法 |
| CN106529466A (zh) * | 2016-11-03 | 2017-03-22 | 中国兵器工业计算机应用技术研究所 | 一种基于仿生眼的无人驾驶车辆路径规划方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| CRISTIANO PREMEBIDA: "A Multi-Target Tracking and GMM-Classifier for Intelligent Vehicles", 《2006 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE》 * |
| TATSUYA SUGANO: "Narrow Space Driving of Welfare Vehicles using Robust Platoon Control with Adaptive Way Point Tracking", 《PROCEEDINGS OF THE SICE ANNUAL CONFERENCE 2016》 * |
| 周建强: "序列图像中运动目标的检测与跟踪研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
| 姜勇: "汽车自动驾驶的方向与车速控制算法设计", 《科学技术与工程》 * |
| 薛莲: "基于视频图像的运动目标跟踪系统分析与设计", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020133223A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市大疆创新科技有限公司 | 目标探测方法、雷达、车辆以及计算机可读存储介质 |
| CN109814114A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种超声波雷达阵列、障碍物检测方法及系统 |
| CN109814114B (zh) * | 2019-01-15 | 2021-12-24 | 北京百度网讯科技有限公司 | 一种超声波雷达阵列、障碍物检测方法及系统 |
| CN113460064A (zh) * | 2020-03-31 | 2021-10-01 | 北京新能源汽车股份有限公司 | 一种前方目标车辆的识别方法、装置及电动汽车 |
| CN113460064B (zh) * | 2020-03-31 | 2024-01-23 | 北京新能源汽车股份有限公司 | 一种前方目标车辆的识别方法、装置及电动汽车 |
| CN111965636A (zh) * | 2020-07-20 | 2020-11-20 | 重庆大学 | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108733042B (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106772435B (zh) | 一种无人机避障方法和装置 | |
| US9199643B1 (en) | Sensor odometry and application in crash avoidance vehicle | |
| CN107894767B (zh) | 一种自动驾驶车辆横向运动控制对象选择方法 | |
| CN108226951B (zh) | 一种基于激光传感器的快速运动障碍物实时跟踪方法 | |
| CN110275153B (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
| CN110296713A (zh) | 路侧自动驾驶车辆定位导航系统及单个、多个车辆定位导航方法 | |
| CN108733042A (zh) | 自动驾驶车辆的目标跟踪方法及装置 | |
| CN107015238A (zh) | 基于三维激光雷达的无人车自主定位方法 | |
| CN104635233B (zh) | 基于车载毫米波雷达的前方物体运动状态估计及分类方法 | |
| CN115661204B (zh) | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 | |
| US20100156699A1 (en) | Device and method of detecting a target object for motor vehicle | |
| CN105699964A (zh) | 一种基于汽车防撞雷达的道路多目标跟踪方法 | |
| Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
| CN113848545B (zh) | 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法 | |
| CN106569214A (zh) | 结合导航信息的自适应巡航车载雷达数据处理方法及系统 | |
| CN114170274B (zh) | 目标跟踪方法和装置、电子设备和存储介质 | |
| CN112198503A (zh) | 一种目标航迹预测优化方法、装置及雷达系统 | |
| CN110307841B (zh) | 一种基于信息量测不完全的车辆运动参数估计方法 | |
| CN113189975A (zh) | 确定车辆的位置数据和/或运动数据的方法 | |
| CN112810619A (zh) | 基于雷达的辅助驾驶系统前方目标车辆识别方法 | |
| EP3605500B1 (en) | Output device, control method, program, and storage medium | |
| CN111959482A (zh) | 自主驾驶装置及方法 | |
| EP4027169A2 (en) | Radar reference map generation | |
| CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及系统 | |
| CN112415516B (zh) | 一种车辆前方障碍区域感知方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |