CN109447161B - 一种基于汽车雷达数据的实时增量与自适应聚类方法 - Google Patents

一种基于汽车雷达数据的实时增量与自适应聚类方法 Download PDF

Info

Publication number
CN109447161B
CN109447161B CN201811287954.XA CN201811287954A CN109447161B CN 109447161 B CN109447161 B CN 109447161B CN 201811287954 A CN201811287954 A CN 201811287954A CN 109447161 B CN109447161 B CN 109447161B
Authority
CN
China
Prior art keywords
clustering
data
algorithm
dbscan
automobile 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
Application number
CN201811287954.XA
Other languages
English (en)
Other versions
CN109447161A (zh
Inventor
蒋留兵
温和鑫
车俐
盘敏容
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201811287954.XA priority Critical patent/CN109447161B/zh
Publication of CN109447161A publication Critical patent/CN109447161A/zh
Application granted granted Critical
Publication of CN109447161B publication Critical patent/CN109447161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于汽车雷达数据的实时增量与自适应聚类方法，提出将EKF与DBSCAN算法结合来实现汽车雷达数据实时聚类，目的是解决工作在多目标复杂坏境下的汽车雷达数据聚类效率低的缺点，以及无法应对数据密度簇不均匀问题。本发明方法考虑到汽车雷达在对目标进行跟踪预测时常会用到EKF的特点，改进DBSCAN算法，改进的DBSCAN算法可以很大限度上保证聚类结果不受航迹重合的影响；还可以使得卡尔曼滤波参数在同一目标中可以持续迭代，节省了从初始参数迭代需要的时间，提高了聚类效率。本发明方法同时实现增量和自适应DBSCAN聚类，可以保持较低时间内存开销，并且可以用来解决汽车雷达数据簇密度不均匀的情况。

Description

一种基于汽车雷达数据的实时增量与自适应聚类方法
技术领域
本发明涉及汽车雷达数据的实时聚类处理方法，具体是一种基于汽车雷达数据的扩展卡尔曼滤波算法(EKF)，与基于密度的聚类算法(DBSCAN)结合改进的实时增量与自适应聚类方法。
背景技术
汽车高级驾驶辅助系统(ADAS)是利用安装在车上的各式各样传感器，在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。
近年来汽车高级驾驶辅助系统(ADAS)已经成为各大汽车厂商和科技公司争相研究的领域。汽车雷达时常工作在多目标复杂的环境下，为了更好的对驾驶人起到预警作用，如何更快更有效的处理汽车雷达数据越来越得到人们的重视。
卡尔曼滤波是一种有效的线性递归滤波器，可以在有测量噪声的数据中，进行最优估计和预测系统的状态。在实际测量中遇到的几乎都是非线性系统，求解这类非线性问题的算法包括粒子滤波(PF)算法，无迹卡尔曼滤波(UKF)算法以及扩展卡尔曼滤波(EKF)算法。对三种算法从估计值误差和处理时间两个方面进行了性能的比较，如说明书附图2和3所示，看出PF与UKF算法误差较低且稳定，EKF在时间步长较短时表现出较好的性能，同时EKF的处理时间一直远低于其他两种算法。为便于汽车雷达数据的实时处理，选择了处理耗时最少并且在时间步长较短时有较好性能的EKF算法。
聚类是处理多目标数据时重要的一环，对输入目标进行聚类编号可以减少提供给跟踪算法的对象数量。这样可以保证只跟踪有效目标，并且不会在相邻的目标之间切换。基于密度的聚类算法(DBSCAN)是一种经典的基于密度的聚类方法，可以在带有噪声的环境下发现任意形状的簇，并且聚类的速度较快,可以应用于雷达数据处理等许多领域。但是随着数据库中的数据不断增加，传统DBSCAN算法聚类的时间也会越来越长，如说明书附图4所示，这显然不符合实时聚类的要求；同时传统DBSCAN算法聚类对参数(MinPts、ε)敏感，难以处理数据簇密度不均匀的情况。
发明内容
本发明是为了解决工作在多目标复杂坏境下的汽车雷达数据聚类效率低的缺点，以及无法应对数据密度簇不均匀问题。提出一种基于汽车雷达数据的实时增量与自适应聚类方法，针对汽车雷达在对目标进行跟踪预测时常会用到EKF的特点，将其与聚类算法结合弥补传统DBSCAN算法的不足，实现增量聚类以及参数自适应。
本发明一种基于汽车雷达数据的实时增量与自适应聚类方法，包括如下步骤：
S1.ADAS系统接收汽车雷达数据，数据格式为汽车雷达检测到的目标距离、速度以及角度信息；
S2.判断数据是否为系统刚启动时的初始数据，如果是初始数据执行S3，否则跳转S6；
S3.使用改进的DBSCAN算法，对初始数据使用预先设置的初始参数进行聚类，聚类结果按类依次存放，聚类标准为距离-角度的二维数据；
S4.使用扩展卡尔曼滤波对聚类结果中的每一类分别进行预测，产生预测集；
S5.判断S1是否有新数据输入，如有新数据输入跳转S6，如无新数据输入则结束处理；
S6.数据合并，将S5产生的卡尔曼预测集与S1新输入的数据，按照预测集数据在前，新输入数据在后的规则合并成的新的数据集，新的数据集使用自适应参数距离半径ε，返回S3使用改进的DBSCAN聚类算法对新的数据集进行聚类；
S7.将聚类结果输出。
S3所述的改进的DBSCAN算法，改进方法是：
首先，使用EKF预测距离，并将预测集加入下一时刻的数据中进行聚类，如预测点没有被当作噪声排除，则按照合并逻辑将聚类结果合并，从而实现了增量DBSCAN聚类，避免了数据库的“二次聚类”，增加了聚类效率；
然后，根据速度与参数距离半径ε的关系进行建立数学模型，使用最小二乘法拟合曲线方程预测速度值，通过数学建模函数进行在线查询，确定相应的ε值，从而实现自适应DBSCAN聚类，改变了传统DBSCAN聚类算法“半人工”的模式。
本发明方法，提出将EKF与DBSCAN算法结合来实现汽车雷达数据实时聚类，实时数据具有时序性，改进的DBSCAN算法可以很大限度上保证聚类结果不受航迹重合的影响；还可以使得卡尔曼滤波参数在同一目标中可以持续迭代，节省了从初始参数迭代需要的时间，提高了聚类效率。本发明方法同时实现增量和自适应DBSCAN聚类，可以保持较低时间内存开销，并且可以用来解决汽车雷达数据簇密度不均匀的情况。
附图说明
图1为本发明的方法的流程示意图；
图2为现有三种滤波算法估计值误差比较图；
图3为现有三种滤波算法处理时间对比图；
图4为传统DBSCAN算法聚类耗时变化曲线示意图；
图5为实施例MinPts＝3情况下速度与参数eps关系建模曲线；
图6为传统DBSCAN算法聚类结果；
图7本发明改进的DBSCAN算法聚类结果。
具体实施方式
下面结合实施例和附图对本发明内容作进一步的说明，但不是对本申请的限定。
实施例
参照附图1，本发明一种基于汽车雷达数据的实时增量与自适应聚类方法，创新点在于：改进DBSCAN算法，将EKF与DBSCAN结合来实现汽车雷达数据实时聚类。
附图1中，S3改进的DBSCAN算法，聚类标准为距离-角度的二维数据。本实施例，改进的DBSCAN算法的伪代码如下：
算法1改进DBSCAN算法的伪代码
Figure BDA0001849495590000041
算法2 Expand_cluster函数
Figure BDA0001849495590000051
算法1给出改进DBSCAN算法的伪代码，算法2给出子函数Expand_cluster的伪代码。输入数据集为D，初始距离半径为ε，点数阈值为MinPts，卡尔曼预测集为K，汽车77Ghz毫米波雷达实时数据为R；数据集D由卡尔曼预测集K与77Ghz毫米波雷达实时数据R按照先后顺序组成，x的ε-邻域表示为Nε(x)。
本实施例，改进的DBSCAN算法，具体方法如下:
首先，使用初始参数对初始数据集D进行聚类，得到初始聚类结果的簇C＝{C1′，C2′，…，Cn′}；
其次，使用卡尔曼滤波对D中每一类数据进行最优估计产生预测集K＝{K′1，K′2，…，K′n}；
最后，当产生新增数据ΔD时，将预测集K放入ΔD中，并对新的数据集使用预测速度值，通过数学建模函数进行在线查询确定相应的ε值进行自适应聚类，得到聚类结果ΔC＝{C1，C2，…，Cn}，如果预测集K中的预测点被重新聚类，则将它新的所属簇的标号更新为上一时刻数据集中簇的标号；
以此不断迭代，根据增量聚类合并逻辑将增量聚类结果ΔC合并到已有聚类结果的簇C中，生成最终的聚类结果。如此，避免了数据库的“二次聚类”以及改变了传统DBSCAN算法“半人工”的模式。
结合上述改进的DBSCAN算法，说明改进DBSCAN的MinPts和ε(eps)参数设置的数学模型如下：
DBSCAN算法相对应容易设置是参数MinPts。MinPts＝2×dimension-1，本发明采用距离-角度的二维数据，因此参数MinPts的值设置为3。参数ε的设置通常是很难设置的，半径参数应该尽可能的小。汽车77GHZ毫米波雷达的帧刷新率为20Mhz，时间间隔为50ms，一般来说汽车雷达数据簇密度不均匀程度与目标或者车辆自身运动速度成正相关。本发明根据目前汽车速度与ε的关系进行了数学建模。
道路车速的范围为0～160km/h(0～45m/s)。在MinPts＝3的情况下，分别对理想环境下汽车速度值为0、3、6…45m/s的目标数据绘制k-距离曲线(k-distance graph)，寻找曲线的拐点来设置参数ε的值并进行记录。对记录到的相应最佳的eps值，使用最小二乘法进行拟合得到eps最小取值公式：
ε＝0.05v，其中0≤v≤45 (1)
经过测试，对公式(1)中v系数设置1.25倍的权重后，使用对应的eps为距离半径可以较好的克服因噪声对数据造成的影响，同时eps取值应大于0。如图5所示，其中横坐标为目标运动速度，纵坐标为对应的eps参数值。得到最终的公式为：
ε＝0.0625v+0.05，其中0≤v≤45 (2)
在DBSCAN聚类时新出现的簇使用初始参数进行聚类，非新簇可以使用卡尔曼滤波预测的速度v通过公式(2)对ε参数进行在线查询。这种方法实现了参数ε的自适应。
下面以复杂环境多目标聚类结果为例，说明本发明方法的聚类过程，数据集为汽车雷达检测到的四个目标在相对较紧密的起始位置进行匀速直线运动的点迹数据。数据集中含有随机的噪声点10个以及运动受到乘性高斯噪声的影响，其中目标1与目标4簇密度存在较大差异，同时目标3与目标四存在几乎重合的区域，共750帧。分别使用传统DBSCAN聚类和本发明改进后的DBSCAN聚类算法对数据进行聚类，其中传统聚类为保证所有的情况均可进行聚类，参数eps设置值为最大速度目标对应的距离半径。聚类实验结果如图6及7所示。从图中可以看出传统聚类算法可以有效的检测出随机的噪声点，一定程度上可以解决起始位置相对紧密的情况，但是使用相同的距离半径将目标4与目标3误判为一类，难以应对簇密度存在较大差异并且存在几乎重合的区域的情况。而本发明改进后的DBSCAN聚类算法可以有效的克服噪声的情况，并且准确地发现数据集2中的四类目标数据。本发明改进后的DBSCAN聚类算法，在计算中需要额外的时间进行参数在线查询，但是时间复杂度仍为O(nlogn)。
通过以上实施例说明本发明改进的DBSCAN算法，可以很大限度上保证聚类结果不受航迹重合的影响。

Claims (1)

1.一种基于汽车雷达数据的实时增量与自适应聚类方法，其特征在于，包括如下步骤：
S1.ADAS系统接收汽车雷达数据，数据格式为汽车雷达检测到的目标距离、速度以及角度信息；
S2.判断数据是否为系统刚启动时的初始数据，如果是初始数据执行S3，否则跳转S6；
S3.使用改进的DBSCAN算法，对初始数据使用预先设置的初始参数进行聚类，聚类结果按类依次存放，聚类标准为距离-角度的二维数据；
S4.使用扩展卡尔曼滤波对聚类结果中的每一类分别进行预测，产生预测集；
S5.判断S1是否有新数据输入，如有新数据输入跳转S6，如无新数据输入则结束处理；
S6.数据合并，将S5产生的卡尔曼预测集与S1新输入的数据，按照预测集数据在前，新输入数据在后的规则合并成的新的数据集，新的数据集使用自适应参数距离半径ε，返回S3使用改进的DBSCAN算法对新的数据集进行聚类；
S7.将聚类结果输出；
S3所述改进的DBSCAN算法，改进方法是：
首先，使用EKF预测距离，并将预测集加入下一时刻的数据中进行聚类，如预测点没有被当作噪声排除，则按照合并逻辑将聚类结果合并，从而实现了增量DBSCAN聚类；
其次，根据速度与参数距离半径ε的关系建立数学模型，使用最小二乘法拟合曲线方程预测速度值，通过数学建模函数进行在线查询，确定相应的ε值，从而实现参数自适应DBSCAN聚类。
CN201811287954.XA 2018-10-31 2018-10-31 一种基于汽车雷达数据的实时增量与自适应聚类方法 Active CN109447161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811287954.XA CN109447161B (zh) 2018-10-31 2018-10-31 一种基于汽车雷达数据的实时增量与自适应聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811287954.XA CN109447161B (zh) 2018-10-31 2018-10-31 一种基于汽车雷达数据的实时增量与自适应聚类方法

Publications (2)

Publication Number Publication Date
CN109447161A CN109447161A (zh) 2019-03-08
CN109447161B true CN109447161B (zh) 2021-07-13

Family

ID=65549262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811287954.XA Active CN109447161B (zh) 2018-10-31 2018-10-31 一种基于汽车雷达数据的实时增量与自适应聚类方法

Country Status (1)

Country Link
CN (1) CN109447161B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208793B (zh) * 2019-04-26 2022-03-11 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质
CN110260855B (zh) * 2019-06-24 2021-06-29 北京壹氢科技有限公司 一种融合行人航位推算、地磁信息与室内地图信息的室内行人导航定位方法
CN111007880B (zh) * 2019-12-24 2022-09-02 桂林电子科技大学 一种基于汽车雷达的扩展目标跟踪方法
CN113255510B (zh) * 2021-05-21 2023-07-25 南京信息工程大学 一种基于多时间尺度dbscan和样本熵的雷暴云点电荷移动路径成像方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291503A (zh) * 2016-08-31 2017-01-04 西南交通大学 一种雷达探测系统密度聚类预警方法
CN108226951A (zh) * 2017-12-23 2018-06-29 天津国科嘉业医疗科技发展有限公司 一种基于激光传感器的快速运动障碍物实时跟踪方法
CN108427112A (zh) * 2018-01-22 2018-08-21 南京理工大学 一种改进的多扩展目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9709404B2 (en) * 2015-04-17 2017-07-18 Regents Of The University Of Minnesota Iterative Kalman Smoother for robust 3D localization for vision-aided inertial navigation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291503A (zh) * 2016-08-31 2017-01-04 西南交通大学 一种雷达探测系统密度聚类预警方法
CN108226951A (zh) * 2017-12-23 2018-06-29 天津国科嘉业医疗科技发展有限公司 一种基于激光传感器的快速运动障碍物实时跟踪方法
CN108427112A (zh) * 2018-01-22 2018-08-21 南京理工大学 一种改进的多扩展目标跟踪方法

Also Published As

Publication number Publication date
CN109447161A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109447161B (zh) 一种基于汽车雷达数据的实时增量与自适应聚类方法
Schubert et al. Comparison and evaluation of advanced motion models for vehicle tracking
Houssineau et al. PHD filter with diffuse spatial prior on the birth process with applications to GM-PHD filter
US20120083974A1 (en) Method and system for combining sensor data
CN109975839B (zh) 一种车辆卫星定位数据的联合滤波优化方法
Attari et al. Target tracking formulation of the SVSF with data association techniques
Hoang et al. A fast implementation of the generalized labeled multi-Bernoulli filter with joint prediction and update
CN112363131B (zh) 车载毫米波雷达数据的处理方法、装置及计算机存储介质
Attari et al. An SVSF-based generalized robust strategy for target tracking in clutter
CN111079804A (zh) 一种改进型高斯混合模型的车辆运动轨迹预测方法和系统
Herpel et al. Multi-sensor data fusion in automotive applications
CN113176562B (zh) 多目标跟踪方法、装置、电子设备及可读存储介质
CN111007880B (zh) 一种基于汽车雷达的扩展目标跟踪方法
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
KR20210104810A (ko) 자동차 주변 환경 센서의 위치 확인 측정값의 평가
JP4166651B2 (ja) 目標追尾装置
Han et al. Maneuvering target tracking with unknown acceleration using retrospective-cost-based adaptive input and state estimation
Schubert et al. Performance evaluation of multiple target tracking in the absence of reference data
Zhang et al. Adaptive interactive multiple model target tracking algorithm based on Markov matrix with acceleration correction factor
Zhang et al. Multisensor management method for ground moving target tracking based on Doppler blind zone information
CN111726751B (zh) 面向无源定位的直达波传感器识别方法
Sigonius Speed and yaw rate estimation in autonomous vehicles using Doppler radar measurements
US11921194B2 (en) Radar anti-spoofing systems for an autonomous vehicle that identify ghost vehicles
Jiao et al. A Novel Algorithm of Joint Probability Data Association Based on Loss Function.
US20230126333A1 (en) Scan matching and radar pose estimator for an autonomous vehicle based on hyper-local submaps

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