CN109425853A - 雷达校准系统和方法 - Google Patents
雷达校准系统和方法 Download PDFInfo
- Publication number
- CN109425853A CN109425853A CN201810999276.3A CN201810999276A CN109425853A CN 109425853 A CN109425853 A CN 109425853A CN 201810999276 A CN201810999276 A CN 201810999276A CN 109425853 A CN109425853 A CN 109425853A
- Authority
- CN
- China
- Prior art keywords
- data
- training set
- mass center
- processor
- radar 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000295 complement effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009118 appropriate response Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
提供了用于校准自主车辆的雷达系统的系统和方法。在一个实施例中，一种方法包括：由处理器从至少一个雷达系统获取数据训练集；由处理器利用机器学习方法处理训练集以获取训练集内相互依赖的群集的质心；以及由处理器基于质心校准雷达系统。
Description
引言
本公开总体上涉及用于车辆的雷达，并且更具体地涉及用于校准车辆的雷达系统的系统和方法。
自主车辆是能够感测其环境并且以很少或不需要用户输入进行导航的车辆。自主车辆使用诸如雷达、激光雷达、图像传感器(诸如相机)等感测装置来感测其环境。自主车辆系统进一步使用来自全球定位系统(GPS)技术、导航系统、车对车通信、车对基础设施技术和/或线控驱动系统的信息来对车辆进行导航。
虽然近年来自主车辆和其它车辆的雷达系统取得了显著进步，但是这样的系统在许多方面仍可能得到改进。例如，在一些情况下，能够获得足够分辨率的单个雷达的校准涉及雷达采样多达11，011个雷达样本，每个样本长达2.6秒；并且使用采样雷达回波来使用通用校准程序校准雷达。该校准过程(基于发射和接收脉冲的测量和分析)是非常耗时的过程，当要将雷达系统校准到车辆环境时，必须在生产过程中运行该过程。
因此，希望提供用于校准车辆的雷达系统的改进的系统和方法。另外，结合附图和前述技术领域和背景技术，根据随后的具体实施方式和所附权利要求，本公开的其它期望的特征和特性将变得显而易见。
发明内容
提供了用于校准自主车辆的雷达系统的系统和方法。在一个实施例中，一种方法包括：由处理器从至少一个雷达系统获取数据训练集；由处理器利用机器学习方法处理训练集以获取训练集内相互依赖的群集的质心；以及由处理器基于质心校准雷达系统。
在一个实施例中，一种系统包括：第一非暂时性模块，其由处理器从至少一个雷达系统获取数据训练集；第二非暂时性模块，其由处理器利用机器学习方法处理训练集以获取训练集内相互依赖的群集的质心；以及第三非暂时性模块，其由处理器基于质心校准雷达系统。
附图说明
下文将结合以下附图描述示例性实施例，其中相同标号表示相同元件，且其中：
图1是说明根据各种实施例的具有图像传感器校准系统的自主车辆的功能框图；
图2是说明根据各种实施例的与自主车辆相关联的校准系统的数据流图；
图3是根据各种实施例的可以由图2的校准系统实施的示例性卷积神经网络；并且
图4是说明根据各种实施例的校准自主车辆的雷达系统的校准方法的流程图。
具体实施方式
具体实施方式本质上仅仅是示例性的，而不旨在本发明的限制应用和用途。另外，不存在被任何前述的技术领域、背景技术、发明内容或具体实施方式中提出的任何明确的或暗示的理论约束的意图。如本文所使用，术语模块是指单独地或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(ASIC)、电子电路、处理器(共享、专用或成组)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能性的其它合适部件。
本公开的实施例在本文可以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是，这些块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实施。例如，本公开的实施例可以采用各种集成电路部件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其它控制装置的控制下执行多种功能)。另外，本领域技术人员将明白的是，本公开的实施例可以结合任何数量的系统来实践，并且本文所述的系统仅仅是本公开的示例性实施例。
为了简明起见，本文可以不详细描述与信号处理、数据传输、信令、控制以及该系统(和该系统的单个操作部件)的其它功能方面有关的常规技术。另外，本文所包括的各个图式中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是，在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。
参考图1，根据各种实施例，总体上以100示出的校准系统与车辆10相关联。如下面将更详细讨论的，校准系统100使用用于对雷达回波进行采样的优化校准程序来校准车辆10的雷达系统。在各种实施例中，优化校准程序是基于机器学习过程的输出，该输出最小化测量点的数量以及优化获取测量点所采用的路径。
如图1中所描绘，车辆10通常包括底盘12、车身14、前轮16以及后轮18。车身14被布置在底盘12上并且大致上包围车辆10的部件。车身14和底盘12可以共同形成框架。车轮16到18各自在车身14的相应拐角附近旋转地联接到底盘12。
在各种实施例中，车辆10是自主车辆，并且校准系统100被结合到自主车辆10(在下文中被称为自主车辆10)中或与其相关联。自主车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。在所说明的实施例中，车辆10被描绘为乘用车，但是应当明白的是，也可以使用包括摩托车、卡车、运动型多用途车辆(SUV)、休闲车辆(RV)、船舶、飞行器等任何其它车辆。在示例性实施例中，自主车辆10是所谓的四级或五级自动化系统。四级系统指示“高度自动化”，其指代自动驾驶系统在动态驾驶任务的所有方面的驾驶模式所特有的性能，即使人类驾驶员对干预请求没有做出适当响应。五级系统指示“全自动化”，其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境状况下在动态驾驶任务的所有方面的全面性能。可以明白的是，在各种实施例中，车辆10可以是其它级别的自动化或非自主的。
如所示，自主车辆10通常包括推进系统20、变速器系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34以及通信系统36。推进系统20在各种实施例中可以包括内燃机、诸如牵引电动机等电机和/或燃料电池推进系统。变速器系统22被配置为根据可选速比将来自推进系统20的动力传输到车轮16到18。根据各种实施例，变速器系统22可以包括分级传动比自动变速器、无级变速器或其它适当的变速器。制动系统26被配置为向车轮16到18提供制动转矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统，和/或其它适当的制动系统。转向系统24影响车轮16到18的位置。虽然为了说明目的而被描绘为包括方向盘，但是在本公开的范围内预期的一些实施例中，转向系统24可以不包括方向盘。
传感器系统28包括感测自主车辆10的外部环境和/或内部环境的可观察状况的一个或多个感测装置40a到40n。感测装置40a到40n可以包括但不限于雷达、激光雷达、全球定位系统、光学相机、热像仪、超声波传感器、惯性测量单元和/或其它传感器。在各种实施例中，感测装置包括雷达系统。
致动器系统30包括一个或多个致动器装置42a到42n，其控制一个或多个车辆特征，诸如但不限于推进系统20、变速器系统22、转向系统24以及制动系统26。在各种实施例中，车辆特征可以进一步包括内部和/或外部车辆特征，诸如但不限于车门、行李箱以及诸如无线电、音乐、照明等驾驶室特征(未编号)。
通信系统36可以被配置为向和从其它实体48(诸如但不限于其它车辆(“V2V”通信)、基础设施(“V2I”通信)、远程系统和/或个人装置(关于图2更详细地描述)无线地传送信息。在示例性实施例中，通信系统36是被配置为经由使用IEEE802.11标准的无线局域网(WLAN)或通过使用蜂窝数据通信来进行通信的无线通信系统。然而，诸如专用短程通信(DSRC)信道等附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专门为汽车使用以及相应的一组协议和标准而设计的单向或双向短程到中程无线通信信道。
数据存储装置32存储用于自动控制自主车辆10的数据。在各种实施例中，数据存储装置32存储可导航环境的定义地图。在各种实施例中，定义地图可以由远程系统预定义并且从远程系统获取(关于图2进一步详细描述)。例如，定义地图可以由远程系统组装并且(以无线方式和/或以有线方式)传送到自主车辆10并存储在数据存储装置32中。如将明白的是，数据存储装置32可以为控制器34的一部分，与控制器34分开，或作为控制器34的一部分以及单独系统的一部分。
控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可以为任何定制的或商业上可用的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片集的形式)、宏处理器、它们的任何组合或通常用于执行指令的任何装置。计算机可读存储装置或介质46可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储器。KAM是一种持久或非易失性存储器，其可以在处理器44断电时用于存储各种操作变量。计算机可读存储装置或介质46可以使用诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪速存储器或能够存储数据的任何其它电动、磁性、光学或组合存储器装置的许多已知存储器中的任何一种来实施，其中的某些数据表示由控制器34用于控制自主车辆10的可执行指令。
指令可以包括一个或多个单独的程序，每个程序包括用于实施逻辑功能的可执行指令的有序列表。指令在由处理器44执行时接收并处理来自传感器系统28的信号，执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法，并且向致动器系统30产生控制信号以基于逻辑、计算、方法和/或算法来自动地控制自主车辆10的部件。虽然图1中仅示出了一个控制器34，但是自主车辆10的实施例可以包括通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法且产生控制信号以自动控制自主车辆10的特征的任意数量的控制器34。
在各种实施例中，控制器34的一个或多个指令被实施在校准系统100中，并且当由处理器44执行时根据优化校准程序对雷达回波进行采样，该优化校准程序使雷达回波的采样最小化。可以明白的是，在各种实施例中，这些指令还可以被实施在校准控制器(未示出)中，该校准控制器与车辆10分离，例如与生产过程相关联或部分地被实施在校准控制器中并且部分地被实施在校准控制器34中。
可以明白的是，本文公开的主题提供了可以被认为是标准或基线的自主车辆10和/或基于自主车辆的远程运输系统的某些增强的特征和功能。为此，自主车辆和基于自主车辆的远程运输系统可以被修改、增强或以其它方式补充以提供下面更详细描述的附加特征。
现在参考图2并且继续参考图1，数据流图说明了根据各种实施例的校准系统100。可以明白的是，根据本公开，校准系统100的各种实施例可以包括任何数量的子模块。例如，图2中所示的子模块可以组合和/或进一步划分以类似地校准车辆10的雷达系统。如上文所讨论，校准系统的输入包括从受控校准环境中的雷达系统的雷达回波获取的数据。在各种实施例中，校准系统100包括离线校准系统50和在线校准系统52。离线校准系统50包括数据收集模块54、机器学习模块56以及脚本生成模块58。在各种实施例中，离线校准系统50的模块50、54的功能离线执行，或者对于所有雷达系统执行一次，例如，作为任何数量的车辆的预校准过程。
在各种实施例中，在线校准系统52包括数据采样模块60、数据内插模块62以及校准模块64。在各种实施例中，在线校准系统52的模块58到64的功能在线执行，例如，作为车辆10的校准过程。
如图2中所示，数据收集模块54接收通过以一度增量介于负六十度到六十度之间的方位角以及负四十五度到四十五度之间的仰角扫描受控校准环境(例如，在测试环境或消声室中)产生的雷达数据66。雷达数据66可以包括车辆10的或测试池中的其它车辆(未示出)的雷达进行的任何数量的扫描。对于每次扫描，数据收集模块54基于接收的雷达数据66生成复杂同相和正交(IQ)数据的波束形成矩阵。在各种实施例中，矩阵包括11，011个数据点。可以明白的是，矩阵可以包括任何数量的数据点。数据收集模块54收集并存储所生成的矩阵作为矩阵训练集68。
机器学习模块56接收矩阵训练集68。机器学习模块56利用机器学习方法处理矩阵集68以识别最小数量的所需角度组合，否则称为质心，并寻找角度组合之间的优化旋转器路径。可以明白的是，机器学习方法的示例包括但不限于人员工神经网络(ANN)(诸如递归神经网络(RNN)和卷积神经网络(CNN))、决策树模型(诸如分类和回归树(CART))、集合学习模型(诸如增强、自举聚合、梯度增强机器和随机森林)、贝叶斯网络模型(例如，朴素贝叶斯)、主成分分析(PCA)、支持向量机(SVM)、聚类模型(诸如K-最近邻、K均值、期望最大化、层次聚类等)以及线性判别分析模型。
在各种实施例中，机器学习方法是卷积神经网络(CNN)。如图3中所示，示例性CNN300通常包括接收矩阵训练集68的输入阶段310。CNN300进一步包括卷积阶段320和子采样阶段330。卷积阶段320包括一系列隐藏层，其学习IQ数据点、群集相互依赖的点中的模式，并且为每个创建的群集创建质心。每个层都是执行卷积以提取独立特征的过滤器。然后，子采样阶段930对提取的特征执行子采样以降低计算复杂度，由此输出表示相互依赖的群集的质心340。在各种实施例中，子采样可以涉及对输入68的样本取平均值或最大值。
通常，图3中所说明的CNN300可以通过使用反向传播350以无监督模式下进行训练来细化CNN300的训练。
返回参考图2，然后在图2的机器学习模块56中实施所得模型。随后，在正常操作期间，使用经过训练的CNN300来处理训练集68。此后，机器学习模块56评估所得质心340以提供用于获取扫描数据的优化路径70。
脚本生成模块58接收所识别的质心340和优化路径70。基于所识别的质心340和路径70，脚本生成模块58生成包括要由校准系统100执行的步骤的脚本。这些步骤指示校准系统100以由路径识别的顺序用雷达在所识别的群集点处扫描环境。
数据采样模块60接收脚本72和未校准的雷达73，并且执行脚本的步骤以获取每个质心的IQ数据74。数据内插模块62接收针对每个质心获取的IQ数据74，并且内插采样的IQ数据以填充剩余数据点(质心外的数据点)的IQ数据。因此，数据采样模块60基于所获取的IQ数据74和内插数据来生成密集矩阵76。
校准模块64接收密集矩阵76并且基于此校准雷达系统10。例如，校准模块64将密集矩阵76作为校准78上传到雷达系统的数据存储装置。
以此方式实施，校准系统100使用预校准数据来通过寻找生成可比较的稀疏波束形成矩阵所需的最小数量的角度组合来限制运动时间，并且利用强化学习来优化通过雷达系统的旋转器扫描所有组合所采取的路径。
现在参考图4并且继续参考图1到3，流程图说明了根据本公开的可以由图1的校准系统100执行的校准方法400。根据本公开可以明白的是，该方法内的操作顺序不限于如图4中所说明的顺序执行，而是可以根据需要并且根据本公开来以一个或多个不同顺序来执行。在各种实施例中，方法400可以被安排为基于一个或多个预定事件运行，和/或可以在自主车辆10的操作期间连续运行。
在一个示例中，该方法可以在405处开始。在410处收集矩阵训练集68。在420处对矩阵训练集68执行机器学习方法以训练CNN300来寻找质心340。在430处从所识别的质心340生成优化路径70。然后在440处从质心340和优化路径70生成脚本72。然后校准系统在450处对单独的雷达执行优化扫描以获取IQ数据74。在460处对获取的IQ数据74执行内插以生成密集矩阵76。然后在470处将密集矩阵76安装到雷达中，并且现在校准雷达。此后，该方法可以在480处结束。
虽然前述详细描述中已经提出了至少一个示例性实施例，但是应当明白的是，存在许多变化。还应当明白的是，示例性实施例仅仅是示例的并且不旨在以任何方式限制本公开的范围、适用性或配置。实情是，前文详细描述将给本领域技术人员提供用于实施示例性实施例或多个示例性实施例的便捷指引。应当理解的是，在不脱离所附权利要求书和其合法等同物的范围的情况下，可对元件的功能和设置作出各种改变。
Claims (10)
1.一种校准车辆的雷达系统的方法，包括：
由处理器从至少一个雷达系统获取数据训练集；
由处理器利用机器学习方法处理所述训练集以获取所述训练集内相互依赖的群集的质心；以及
由处理器基于所述质心校准所述雷达系统。
2.根据权利要求1所述的方法，进一步包括由处理器生成脚本以基于所述质心对数据进行采样；并且其中所述校准是基于所述脚本。
3.根据权利要求1所述的方法，进一步包括基于所述质心生成路径；并且其中所述校准所述雷达系统是基于所述路径。
4.根据权利要求1所述的方法，其中所述数据训练集包括复杂同相和正交(IQ)数据。
5.根据权利要求1所述的方法，进一步包括由所述雷达系统基于所述质心执行扫描以获取样本数据；在所述样本数据之间内插以获取包括所述样本数据和内插数据的密集矩阵；并且其中所述校准所述雷达系统是基于所述密集矩阵。
6.根据权利要求1所述的方法，其中所述机器学习方法是卷积神经网络。
7.根据权利要求6所述的方法，其中所述卷积神经网络包括接收所述训练集的输入、过滤所述训练集以提取相互依赖特征的卷积阶段，以及降低计算复杂度以产生所述质心的子采样阶段。
8.根据权利要求7所述的方法，其中所述卷积神经网络进一步包括基于所述质心的反向传播。
9.根据权利要求1所述的方法，其中离线执行所述获取和处理步骤，并且其中在线执行所述校准步骤。
10.一种校准车辆的雷达系统的系统，包括：
第一非暂时性模块，其由处理器从至少一个雷达系统获取数据训练集；
第二非暂时性模块，其由处理器利用机器学习方法处理所述训练集以获取所述训练集内相互依赖的群集的质心；以及
第三非暂时性模块，其由处理器基于所述质心校准所述雷达系统。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/695,822 US10732260B2 (en) | 2017-09-05 | 2017-09-05 | Radar calibration systems and methods |
| US15/695822 | 2017-09-05 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109425853A true CN109425853A (zh) | 2019-03-05 |
| CN109425853B CN109425853B (zh) | 2023-12-12 |
Family
ID=65364079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810999276.3A Active CN109425853B (zh) | 2017-09-05 | 2018-08-29 | 雷达校准系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10732260B2 (zh) |
| CN (1) | CN109425853B (zh) |
| DE (1) | DE102018121148A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111610521A (zh) * | 2020-05-27 | 2020-09-01 | 西安长远电子工程有限责任公司 | 一种雷达地形数据处理方法 |
| CN112462353A (zh) * | 2020-11-26 | 2021-03-09 | 中国第一汽车股份有限公司 | 超声波雷达的测试方法、装置、系统及设备 |
| CN112505644A (zh) * | 2020-02-28 | 2021-03-16 | 加特兰微电子科技(上海)有限公司 | 传感器测量校正方法、装置、终端设备及存储介质 |
| CN113447708A (zh) * | 2020-03-27 | 2021-09-28 | 深圳市通用测试系统有限公司 | 非恒包络调制信号的功率测量方法、装置及电子设备 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200055524A1 (en) * | 2018-08-20 | 2020-02-20 | Alberto LACAZE | System and method for verifying that a self-driving vehicle follows traffic ordinances |
| CN116559803B (zh) * | 2023-07-07 | 2023-09-12 | 四川省华盾防务科技股份有限公司 | 用于小型相控阵的快速测试方法及测试系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6366236B1 (en) * | 1999-08-12 | 2002-04-02 | Automotive Systems Laboratory, Inc. | Neural network radar processor |
| JP2006007940A (ja) * | 2004-06-24 | 2006-01-12 | Fujitsu Ltd | レーダ装置の校正方法、レーダ装置、監視システム、プログラム |
| US20150120137A1 (en) * | 2013-10-28 | 2015-04-30 | GM Global Technology Operations LLC | Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects |
| FR3015693A1 (fr) * | 2013-12-19 | 2015-06-26 | Onera (Off Nat Aerospatiale) | Calibration d'un emetteur ou recepteur de radar polarimetrique |
| CN205507061U (zh) * | 2016-02-23 | 2016-08-24 | 北京源仪迅驰科技有限公司 | 雷达综合记录仪 |
| US20160375592A1 (en) * | 2015-06-24 | 2016-12-29 | Brain Corporation | Apparatus and methods for safe navigation of robotic devices |
| US20170060254A1 (en) * | 2015-03-03 | 2017-03-02 | Nvidia Corporation | Multi-sensor based user interface |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6085151A (en) * | 1998-01-20 | 2000-07-04 | Automotive Systems Laboratory, Inc. | Predictive collision sensing system |
-
2017
- 2017-09-05 US US15/695,822 patent/US10732260B2/en active Active
-
2018
- 2018-08-29 DE DE102018121148.1A patent/DE102018121148A1/de active Pending
- 2018-08-29 CN CN201810999276.3A patent/CN109425853B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6366236B1 (en) * | 1999-08-12 | 2002-04-02 | Automotive Systems Laboratory, Inc. | Neural network radar processor |
| JP2006007940A (ja) * | 2004-06-24 | 2006-01-12 | Fujitsu Ltd | レーダ装置の校正方法、レーダ装置、監視システム、プログラム |
| US20150120137A1 (en) * | 2013-10-28 | 2015-04-30 | GM Global Technology Operations LLC | Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects |
| FR3015693A1 (fr) * | 2013-12-19 | 2015-06-26 | Onera (Off Nat Aerospatiale) | Calibration d'un emetteur ou recepteur de radar polarimetrique |
| US20170060254A1 (en) * | 2015-03-03 | 2017-03-02 | Nvidia Corporation | Multi-sensor based user interface |
| US20160375592A1 (en) * | 2015-06-24 | 2016-12-29 | Brain Corporation | Apparatus and methods for safe navigation of robotic devices |
| CN205507061U (zh) * | 2016-02-23 | 2016-08-24 | 北京源仪迅驰科技有限公司 | 雷达综合记录仪 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505644A (zh) * | 2020-02-28 | 2021-03-16 | 加特兰微电子科技(上海)有限公司 | 传感器测量校正方法、装置、终端设备及存储介质 |
| CN113447708A (zh) * | 2020-03-27 | 2021-09-28 | 深圳市通用测试系统有限公司 | 非恒包络调制信号的功率测量方法、装置及电子设备 |
| CN113447708B (zh) * | 2020-03-27 | 2023-09-08 | 深圳市通用测试系统有限公司 | 非恒包络调制信号的功率测量方法、装置及电子设备 |
| CN111610521A (zh) * | 2020-05-27 | 2020-09-01 | 西安长远电子工程有限责任公司 | 一种雷达地形数据处理方法 |
| CN112462353A (zh) * | 2020-11-26 | 2021-03-09 | 中国第一汽车股份有限公司 | 超声波雷达的测试方法、装置、系统及设备 |
| CN112462353B (zh) * | 2020-11-26 | 2023-08-15 | 中国第一汽车股份有限公司 | 超声波雷达的测试方法、装置、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102018121148A1 (de) | 2019-03-07 |
| US20190072645A1 (en) | 2019-03-07 |
| US10732260B2 (en) | 2020-08-04 |
| CN109425853B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109425853A (zh) | 雷达校准系统和方法 | |
| US20180074506A1 (en) | Systems and methods for mapping roadway-interfering objects in autonomous vehicles | |
| US20180253095A1 (en) | Systems and methods for vehicle dimension prediction | |
| CN111694351A (zh) | 用于执行用于自主车辆的复合行为策略的方法和系统 | |
| CN109552212B (zh) | 用于自主车辆中的雷达定位的系统和方法 | |
| EP3885992A1 (en) | Device and method for training an object detection model | |
| CN109841080B (zh) | 用于交通对象的检测、分类及地理定位的系统和方法 | |
| US20180024239A1 (en) | Systems and methods for radar localization in autonomous vehicles | |
| US11454971B2 (en) | Methods and systems for learning user preferences for lane changes | |
| CN110929912A (zh) | 用于预测对象行为的系统和方法 | |
| US20210362727A1 (en) | Shared vehicle management device and management method for shared vehicle | |
| US20210373138A1 (en) | Dynamic lidar alignment | |
| US11574463B2 (en) | Neural network for localization and object detection | |
| CN114518574A (zh) | 用于传感器融合系统的基于峰度的修剪 | |
| US20220266856A1 (en) | Platform for perception system development for automated driving systems | |
| US20180095475A1 (en) | Systems and methods for visual position estimation in autonomous vehicles | |
| US11893004B2 (en) | Anomaly detection in multidimensional sensor data | |
| CN114119625A (zh) | 点云数据的分割与分类 | |
| US10430673B2 (en) | Systems and methods for object classification in autonomous vehicles | |
| US20200387161A1 (en) | Systems and methods for training an autonomous vehicle | |
| US20230162480A1 (en) | Frequency-based feature constraint for a neural network | |
| CN116978214A (zh) | 使用附近交通模式来验证自主车辆性能的方法和系统 | |
| CN112069867B (zh) | 多目标跟踪与多感官数据和缺失模态的学习关联 | |
| CN114758313A (zh) | 实时神经网络再训练 | |
| US20210018921A1 (en) | Method and system using novel software architecture of integrated motion controls |
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 |