CN108872975B - 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 - Google Patents
用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108872975B CN108872975B CN201710360754.1A CN201710360754A CN108872975B CN 108872975 B CN108872975 B CN 108872975B CN 201710360754 A CN201710360754 A CN 201710360754A CN 108872975 B CN108872975 B CN 108872975B
- Authority
- CN
- China
- Prior art keywords
- target object
- motion state
- millimeter wave
- vehicle
- wave radar
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001914 filtration Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 230000001133 acceleration Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 230000026676 system process Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了用于目标跟踪的车载毫米波雷达滤波估计方法、装置以及存储介质，该方法包括：经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。本发明所公开的方法及装置占用资源较少并且处理效率较高。
Description
技术领域
本发明涉及估计方法、装置及存储介质，更具体地，涉及用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质。
背景技术
目前，随着车辆的日益发展和普及，使用车载毫米波雷达对目标(例如行人或行驶中的其他车辆)进行识别和跟踪以辅助驾驶员安全驾驶变得越来越重要。
在现有的技术方案中，典型地通过如下方式实施目标识别和跟踪：(1)经由车载毫米波雷达检测目标的运动状态以根据测量值获得该目标与所述车载毫米波雷达驻留于其上的车辆之间的在极坐标下的相对运动数据，所述相对运动数据例如包括相对距离、方位角以及径向速度；(2)根据所述在极坐标下的相对运动数据并基于最优估计算法计算该目标与该车辆之间的在笛卡尔坐标系下的相对运动数据，其中，所述在笛卡尔坐标系下的相对运动数据包括相对位置、侧向和/或纵向速度、侧向和/或纵向加速度等等。
然而，上述现有的技术方案存在如下问题：由于需要根据非线性形式的极坐标下的相对运动数据来计算出在笛卡尔坐标系下的相对运动数据，故典型地需要使用包含复杂的浮点运算操作的最优化估计算法(诸如扩展卡尔曼滤波算法)，由此导致资源占用率较高并且致使系统处理效率和性能下降。
因此，存在如下需求：提供占用资源较少并且处理效率较高的用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质。
发明内容
为了解决上述现有技术方案所存在的问题，本发明提出了占用资源较少并且处理效率较高的用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质。
本发明的目的是通过以下技术方案实现的：
一种用于目标跟踪的车载毫米波雷达滤波估计方法，其包括下列步骤：
(A1)经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
(A2)将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
(A3)基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
在上面所公开的方案中，示例性地，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
在上面所公开的方案中，示例性地，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
在上面所公开的方案中，示例性地，所述步骤(A2)进一步包括：以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)]T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0]T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
其中，
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)]T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
其中，
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是系统过程噪声的协方差。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
其中，kg(t)是卡尔曼增益，
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，kg(t)是卡尔曼增益，H是所述测量参数矩阵。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
本发明的目的也可以通过以下技术方案实现：
一种用于目标跟踪的车载毫米波雷达滤波估计装置，其包括：
测量单元，所述测量单元被配置为经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
数据转换单元，所述数据转换单元被配置为将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
最优估计值计算单元，所述最优估计值计算单元被配置为基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
本发明的目的也可以通过以下技术方案实现：
一种用于存储计算机指令的存储介质，所述计算机指令能够被一个或多个处理器执行以实施如前面所述的方法。
本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质具有下列优点：由于通过坐标系转换操作而将非线性运算转化为线性运算，故显著地降低了资源占用率并提高了数据处理性能和效率。
附图说明
结合附图，本发明的技术特征以及优点将会被本领域技术人员更好地理解，其中：
图1是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计方法的流程图。
图2是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计装置的示意性结构图。
具体实施方式
图1是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计方法的流程图。如图1所示，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法包括下列步骤：(A1)经由车载毫米波雷达获取针对目标对象(例如行人或行驶中的其他车辆)的在极坐标系下的当前运动状态测量数据；(A2)将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；(A3)基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A2)进一步包括：以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)]T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0]T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故能够在随后的计算过程中去除浮点运算操作，从而显著地减少资源占用率并且提高数据处理性能和速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
其中，
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)]T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
其中，
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是系统过程噪声的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
其中，kg(t)是卡尔曼增益，
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故测量参数矩阵得到了简化，从而能够显著的提高运算速度和效率。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，kg(t)是卡尔曼增益，H是所述测量参数矩阵。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
由上可见，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法具有下列优点：由于通过坐标系转换操作而将非线性运算转化为线性运算，故显著地降低了资源占用率并提高了数据处理性能和效率。
图2是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计装置的示意性结构图。如图2所示，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置包括测量单元1、数据转换单元2以及最优估计值计算单元3。所述测量单元1被配置为经由车载毫米波雷达获取针对目标对象(例如行人或行驶中的其他车辆)的在极坐标系下的当前运动状态测量数据。所述数据转换单元2被配置为将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据。所述最优估计值计算单元3被配置为基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述数据转换单元2进一步被配置为以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)]T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0]T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故能够在随后的计算过程中去除浮点运算操作，从而显著地减少资源占用率并且提高数据处理性能和速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
其中，
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)]T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
其中，
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是系统过程噪声的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
其中，kg(t)是卡尔曼增益，
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故测量参数矩阵得到了简化，从而能够显著的提高运算速度和效率。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，kg(t)是卡尔曼增益，H是所述测量参数矩阵。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
此外，在本发明的各个实施例中，所述测量单元1、数据转换单元2以及最优估计值计算单元3可以均位于车辆(例如电动车辆)的中央控制器中或者各自位于任何其他类型的独立的或集成的控制器中，例如但不限于电子控制单元(ECU)、视频信号处理器、数据处理单元等等，并且所述测量单元1、数据转换单元2以及最优估计值计算单元3可以被实现为任何形式的实体或程序，例如但不限于软件、固件或专用集成电路等等。
此外，本发明也公开包含上述任一个实施例所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的目标跟踪系统。
此外，本发明也公开包含上述任一个实施例所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的车辆。
由上可见，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置具有下列优点：由于通过坐标系转换操作而将非线性运算转化为线性运算，故显著地降低了资源占用率并提高了数据处理性能和效率。
此外，本发明也公开用于存储计算机指令的存储介质，所述计算机指令能够被一个或多个处理器执行以实施如前面所述的用于目标跟踪的车载毫米波雷达滤波估计方法。
本发明还提供控制器，其包括存储器与处理器，存储器中存储有程序指令，该程序指令在被该处理器执行时能够实现如上文所描述的任意一种用于目标跟踪的车载毫米波雷达滤波估计方法。应该理解到，存储器中存储的指令是与它在被处理器执行时能够实现的用于目标跟踪的车载毫米波雷达滤波估计方法的具体示例的步骤对应的。在指令执行过程中，执行步骤可控的情况下，该指令也可以是能够使得处理器在执行该指令时实现如上所述的用于目标跟踪的车载毫米波雷达滤波估计方法的各个示例的指令。
尽管本发明是通过上述的优选实施方式进行描述的，但是其实现形式并不局限于上述的实施方式。应该认识到：在不脱离本发明主旨和范围的情况下，本领域技术人员可以对本发明做出不同的变化和修改。
Claims (19)
1.一种用于目标跟踪的车载毫米波雷达滤波估计方法，其包括下列步骤：
(A1)经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
(A2)将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
(A3)基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值，
其中，所述步骤(A2)进一步包括：以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)]T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0]T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。
2.根据权利要求1所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
3.根据权利要求2所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
4.根据权利要求1所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
5.根据权利要求4所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
其中，
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)]T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
其中，t是上一时刻至当前时刻所经过的时间。
6.根据权利要求5所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
7.根据权利要求6所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
其中，
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是系统过程噪声的协方差。
8.根据权利要求7所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
9.根据权利要求8所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
其中，kg(t)是卡尔曼增益，
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
10.根据权利要求9所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
11.根据权利要求10所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，kg(t)是卡尔曼增益，H是所述测量参数矩阵。
12.根据权利要求11所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间。
13.根据权利要求12所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间。
14.根据权利要求13所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
15.一种用于目标跟踪的车载毫米波雷达滤波估计装置，其包括：
测量单元，所述测量单元被配置为经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
数据转换单元，所述数据转换单元被配置为将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
最优估计值计算单元，所述最优估计值计算单元被配置为基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值，
所述数据转换单元配置为以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)]T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0]T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。
16.一种包含权利要求15所述的用于目标跟踪的车载毫米波雷达滤波估计装置的目标跟踪系统。
17.一种包含权利要求15所述的用于目标跟踪的车载毫米波雷达滤波估计装置的车辆。
18.一种用于存储计算机指令的存储介质，所述计算机指令能够被一个或多个处理器执行以实施如权利要求1-14中任一个所述的方法。
19.一种控制器，其包括存储器与处理器，存储器中存储有程序指令，该程序指令在被控制器执行时能够实施如权利要求1到14中任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710360754.1A CN108872975B (zh) | 2017-05-15 | 2017-05-15 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
| PCT/CN2018/073218 WO2018209997A1 (zh) | 2017-05-15 | 2018-01-18 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710360754.1A CN108872975B (zh) | 2017-05-15 | 2017-05-15 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108872975A CN108872975A (zh) | 2018-11-23 |
| CN108872975B true CN108872975B (zh) | 2022-08-16 |
Family
ID=64273406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710360754.1A Active CN108872975B (zh) | 2017-05-15 | 2017-05-15 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108872975B (zh) |
| WO (1) | WO2018209997A1 (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581302B (zh) * | 2018-12-12 | 2021-04-16 | 北京润科通用技术有限公司 | 一种车载雷达数据跟踪方法及系统 |
| CN109975798B (zh) * | 2019-03-26 | 2022-11-18 | 武汉理工大学 | 一种基于毫米波雷达与摄像头的目标检测方法 |
| CN110320518B (zh) * | 2019-05-31 | 2023-01-24 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载bsd毫米波雷达安装位置自动标定方法 |
| CN112050830B (zh) * | 2019-06-06 | 2023-06-02 | 华为技术有限公司 | 一种运动状态估计方法及装置 |
| CN110275168B (zh) * | 2019-07-09 | 2021-05-04 | 厦门金龙联合汽车工业有限公司 | 一种多目标识别和防撞预警方法和系统 |
| CN112395916B (zh) * | 2019-08-15 | 2024-04-19 | 北京地平线机器人技术研发有限公司 | 目标的运动状态信息确定方法、确定装置及电子设备 |
| CN110672074A (zh) * | 2019-10-24 | 2020-01-10 | 北京地平线机器人技术研发有限公司 | 一种测量目标对象距离的方法及装置 |
| CN110673123B (zh) * | 2019-10-24 | 2022-07-29 | 北京地平线机器人技术研发有限公司 | 一种目标对象的测距方法及装置 |
| CN111273279B (zh) * | 2020-02-18 | 2022-05-10 | 中国科学院合肥物质科学研究院 | 一种基于加速度噪声参数的多雷达数据处理方法 |
| CN111736146B (zh) * | 2020-07-03 | 2022-06-21 | 哈尔滨工业大学 | 一种基于速度滤波的双基地检测前跟踪方法及装置 |
| CN112130136B (zh) * | 2020-09-11 | 2024-04-12 | 中国重汽集团济南动力有限公司 | 一种交通目标综合感知系统及方法 |
| CN113589254A (zh) * | 2021-08-23 | 2021-11-02 | 东莞正扬电子机械有限公司 | 基于雷达的移动目标检测方法、装置及雷达检测设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4179696A (en) * | 1977-05-24 | 1979-12-18 | Westinghouse Electric Corp. | Kalman estimator tracking system |
| CN1580816A (zh) * | 2004-05-21 | 2005-02-16 | 清华大学 | 车辆前方目标物的探测方法 |
| JP2009047550A (ja) * | 2007-08-20 | 2009-03-05 | Tokyo Keiki Inc | 不要追尾目標除去装置 |
| TW200916810A (en) * | 2007-10-09 | 2009-04-16 | Univ Nat Taiwan | Method and system for radar tracking of moving target from moving station |
| CN103048658A (zh) * | 2012-11-10 | 2013-04-17 | 中国人民解放军海军航空工程学院 | 基于径向加速度的RA-Singer-EKF机动目标跟踪算法 |
| CN103760555A (zh) * | 2014-01-23 | 2014-04-30 | 西安电子科技大学 | 一种提高机载雷达检测跟踪一体化精度的方法 |
| CN103812813A (zh) * | 2012-11-12 | 2014-05-21 | 德尔福电子(苏州)有限公司 | 基于软件定义无线电cmmb解调器的时域同步方法 |
| CN103968838A (zh) * | 2014-05-09 | 2014-08-06 | 哈尔滨工程大学 | 一种基于极坐标系的auv曲线运动状态下的协同定位方法 |
| CN104182609A (zh) * | 2014-07-17 | 2014-12-03 | 电子科技大学 | 基于去相关的无偏转换量测的三维目标跟踪方法 |
| CN105182311A (zh) * | 2015-09-02 | 2015-12-23 | 四川九洲电器集团有限责任公司 | 全向雷达数据处理方法及系统 |
| CN105954742A (zh) * | 2016-05-19 | 2016-09-21 | 哈尔滨工业大学 | 一种球坐标系下带多普勒观测的雷达目标跟踪方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5347469A (en) * | 1992-07-22 | 1994-09-13 | Choate William C | Covert ranging method and system |
| US6498581B1 (en) * | 2001-09-05 | 2002-12-24 | Lockheed Martin Corporation | Radar system and method including superresolution raid counting |
| KR100753844B1 (ko) * | 2006-09-29 | 2007-08-31 | 한국전자통신연구원 | 레이다 추적장치 및 그 방법 |
| CN101206260A (zh) * | 2007-12-20 | 2008-06-25 | 四川川大智胜软件股份有限公司 | 航管自动化系统中雷达目标信息的处理方法 |
| BR112012010671A2 (pt) * | 2009-11-06 | 2016-04-12 | Saab Ab | sistema e método de radar para a detecção eo rastreamento de um alvo |
| US9128186B2 (en) * | 2011-02-25 | 2015-09-08 | Kabushiki Kaisha Toshiba | Target tracking device and target tracking method |
| US8681041B2 (en) * | 2011-03-22 | 2014-03-25 | Raytheon Company | System, method, and filter for target tracking in cartesian space |
| CN102508238B (zh) * | 2011-10-14 | 2013-07-31 | 北京理工大学 | 一种基于坐标旋转变换的雷达跟踪方法 |
| CN102788976B (zh) * | 2012-06-27 | 2014-07-02 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
| CN105703990A (zh) * | 2014-11-28 | 2016-06-22 | 联创汽车电子有限公司 | 车载控制器can通信报文解析方法和构建方法 |
| CN105100546A (zh) * | 2014-12-31 | 2015-11-25 | 天津航天中为数据系统科技有限公司 | 运动估计方法及装置 |
| CN104730537B (zh) * | 2015-02-13 | 2017-04-26 | 西安电子科技大学 | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 |
| CN105549003A (zh) * | 2015-12-02 | 2016-05-04 | 华域汽车系统股份有限公司 | 一种汽车雷达目标跟踪方法 |
| CN106054170B (zh) * | 2016-05-19 | 2017-07-25 | 哈尔滨工业大学 | 一种约束条件下的机动目标跟踪方法 |
| CN106546976B (zh) * | 2016-10-31 | 2019-03-19 | 中国电子科技集团公司第二十九研究所 | 一种基于长周期非均匀采样目标跟踪处理方法及装置 |
-
2017
- 2017-05-15 CN CN201710360754.1A patent/CN108872975B/zh active Active
-
2018
- 2018-01-18 WO PCT/CN2018/073218 patent/WO2018209997A1/zh active Application Filing
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4179696A (en) * | 1977-05-24 | 1979-12-18 | Westinghouse Electric Corp. | Kalman estimator tracking system |
| CN1580816A (zh) * | 2004-05-21 | 2005-02-16 | 清华大学 | 车辆前方目标物的探测方法 |
| JP2009047550A (ja) * | 2007-08-20 | 2009-03-05 | Tokyo Keiki Inc | 不要追尾目標除去装置 |
| TW200916810A (en) * | 2007-10-09 | 2009-04-16 | Univ Nat Taiwan | Method and system for radar tracking of moving target from moving station |
| CN103048658A (zh) * | 2012-11-10 | 2013-04-17 | 中国人民解放军海军航空工程学院 | 基于径向加速度的RA-Singer-EKF机动目标跟踪算法 |
| CN103812813A (zh) * | 2012-11-12 | 2014-05-21 | 德尔福电子(苏州)有限公司 | 基于软件定义无线电cmmb解调器的时域同步方法 |
| CN103760555A (zh) * | 2014-01-23 | 2014-04-30 | 西安电子科技大学 | 一种提高机载雷达检测跟踪一体化精度的方法 |
| CN103968838A (zh) * | 2014-05-09 | 2014-08-06 | 哈尔滨工程大学 | 一种基于极坐标系的auv曲线运动状态下的协同定位方法 |
| CN104182609A (zh) * | 2014-07-17 | 2014-12-03 | 电子科技大学 | 基于去相关的无偏转换量测的三维目标跟踪方法 |
| CN105182311A (zh) * | 2015-09-02 | 2015-12-23 | 四川九洲电器集团有限责任公司 | 全向雷达数据处理方法及系统 |
| CN105954742A (zh) * | 2016-05-19 | 2016-09-21 | 哈尔滨工业大学 | 一种球坐标系下带多普勒观测的雷达目标跟踪方法 |
Non-Patent Citations (4)
| Title |
|---|
| S. Zollo ; B. Ristic.On polar and versus Cartesian coordinates for target tracking.《ISSPA "99. Proceedings of the Fifth International Symposium on Signal Processing and its Applications (IEEE Cat. No.99EX359)》.2002,第499-502页. * |
| Zhanlue Zhao ; X.R. Li ; V.P. Jilkov ; Yunmin Zhu.Optimal linear unbiased filtering with polar measurements for target tracking.《IEEE》.2002,第555-563页. * |
| 利用径向速度观测值提高目标跟踪性能;吴顺君;《西安电子科技大学学报》;20051020(第5期);第667-670页 * |
| 基于转换测量卡尔曼滤波算法的目标跟踪研究;周红波; 耿伯英;《系统仿真学报》;20080205(第2期);第682-684，688页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108872975A (zh) | 2018-11-23 |
| WO2018209997A1 (zh) | 2018-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872975B (zh) | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 | |
| US11842545B2 (en) | Object collision prediction method and apparatus | |
| CN110632916B (zh) | 行动预测装置以及自动驾驶装置 | |
| CN111103587A (zh) | 用于预测同时并线车辆的方法和设备及包括其的车辆 | |
| CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
| CN114037977B (zh) | 道路灭点的检测方法、装置、设备及存储介质 | |
| JP4817854B2 (ja) | 周辺物体追尾装置及び周辺物体位置予測方法 | |
| JP6661695B2 (ja) | 移動体検出装置、車両制御システム、移動体検出方法および車両制御方法 | |
| CN114556142A (zh) | 物体跟踪装置 | |
| CN117491965B (zh) | 基于4d毫米波雷达的目标航迹起始方法 | |
| US11670092B2 (en) | Electronic device for controlling driving vehicle and operation method of the electronic device | |
| CN113358894B (zh) | 车速计算方法、运动目标运动状态检测方法、装置及设备 | |
| JP2021022026A (ja) | 画像認識装置および画像認識方法 | |
| CN115995163B (zh) | 一种车辆碰撞预警方法及系统 | |
| CN115675454B (zh) | 车辆碰撞识别方法、车载终端、车辆及存储介质 | |
| US20240134009A1 (en) | Method and apparatus of filtering dynamic objects in radar-based ego-emotion estimation | |
| CN113759331B (zh) | 一种雷达定位方法、装置、设备及存储介质 | |
| JP2019178971A (ja) | 環境地図生成装置、環境地図生成方法、及び環境地図生成プログラム | |
| CN115782926B (zh) | 一种基于道路信息的车辆运动预测方法及装置 | |
| CN112639814B (zh) | 一种路况检测方法和装置 | |
| JP7180574B2 (ja) | 操舵制御装置及び操舵制御方法 | |
| EP4270048A1 (en) | Use of camera information for radar beamforming | |
| CN109866682B (zh) | 车辆fcw的报警方法、装置及汽车 | |
| JP6861911B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| JP2008143452A (ja) | 画像処理装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200810 Address after: Susong Road West and Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Applicant after: Weilai (Anhui) Holding Co.,Ltd. Address before: Room 502, Minsheng Bank Building, 12 Cecil Harcourt Road, central, Hongkong, China Applicant before: NIO NEXTEV Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |