CN110275168A - 一种多目标识别和防撞预警方法和系统 - Google Patents

一种多目标识别和防撞预警方法和系统 Download PDF

Info

Publication number
CN110275168A
CN110275168A CN201910614989.8A CN201910614989A CN110275168A CN 110275168 A CN110275168 A CN 110275168A CN 201910614989 A CN201910614989 A CN 201910614989A CN 110275168 A CN110275168 A CN 110275168A
Authority
CN
China
Prior art keywords
value
primary election
target value
target
period
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
Application number
CN201910614989.8A
Other languages
English (en)
Other versions
CN110275168B (zh
Inventor
冯作居
欧阳祥文
欧敏辉
李理
柯志达
苏亮
陈卫强
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.)
Xiamen King Long United Automotive Industry Co Ltd
Original Assignee
Xiamen King Long United Automotive Industry Co Ltd
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 Xiamen King Long United Automotive Industry Co Ltd filed Critical Xiamen King Long United Automotive Industry Co Ltd
Priority to CN201910614989.8A priority Critical patent/CN110275168B/zh
Publication of CN110275168A publication Critical patent/CN110275168A/zh
Priority to PCT/CN2019/128578 priority patent/WO2021004028A1/zh
Application granted granted Critical
Publication of CN110275168B publication Critical patent/CN110275168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T7/00—Brake-action initiating means
    • B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
    • B60T7/22—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger initiated by contact of vehicle, e.g. bumper, with an external object, e.g. another vehicle, or by means of contactless obstacle detectors mounted on the vehicle
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多目标识别和防撞预警方法和系统，应用于如FMCW毫米波雷达的多目标识别，首先通过软件算法筛选本周期的初选目标，并进行初选目标的初选目标值与预测值的一致性判断，同时结合生命周期法，在初选目标值与预测值不一致时，设定不同的生命阈值以选择不同的筛选条件获取有效目标值，进而经卡尔曼滤波或卡尔曼滤波初步处理获得下一周期的预测值，并形成迭代，直至初选目标值与预测值一致，获取最优估计值，并发出防撞预警。该方法可降低测量噪点，排除虚警目标，减少漏报现象以及数据不稳定等问题。

Description

一种多目标识别和防撞预警方法和系统
技术领域
本发明涉及车载防碰撞技术领域，尤其涉及一种多目标识别和防撞预警方法和系统。
背景技术
目前毫米波雷达测距方式主要有调频连续波(FMCW)测距和脉冲测距，由于脉冲测距对硬件要求高，硬件结构更为复杂，产品造价高，测速易产生误差等缺点，故车载毫米波雷达一般不采用脉冲测距，而选择结构较为简单，成本低的调频连续波(FMCW)毫米波雷达作为车载雷达。
FMCW毫米波雷达被广泛应用于车辆防碰撞领域，其通过发射调频连续波根据多普勒效应来探测前方障碍物距离及速度，预测碰撞时间，根据不同时间阶段促使车辆做出相应的主动操作行为，如产生声，光，震动等行为提示驾驶员，若驾驶员无操作则及时采取制动，提前减速，避免事故发生，有效降低了车辆事故发生率。
虽然FMCW毫米波雷达被广泛使用于汽车防碰撞领域，但由于其设计结构和测距原理的局限，还存在测量噪点多，容易产生虚警目标，存在漏报现象以及数据不稳定等问题，对复杂情况下准确测量危险目标数据存在很大的影响，存在一定的不可靠性。
发明内容
有鉴于现有技术的上述缺陷，本发明的目的是提供一种多目标识别和防撞预警方法和系统，可应用于FMCW毫米波雷达所采集的多目标进行识别，通过软件算法选取有效目标进行追踪，并确定危险目标，并及时通知驾驶员采取制动，提前减速，避免事故发生，有效降低了车辆事故发生率。
为实现上述目的，本发明提供了以下技术方案：
一种多目标识别及车辆防撞预警方法，其特征在于：包括以下步骤：
步骤S00，初始化，起始计数值startFlag＝0，周期计数wrong_time＝0，预测值等于初始化值；
进入循环：
步骤S10，获取目标测量数据；进入
步骤S20，从所述目标测量数据中确定初选目标值；进入
步骤S30，根据起始计数值startFlag判断：
当起始计数值startFlag大于设定值时，跳转至步骤S40；
当起始计数值startFlag小于等于设定值时，则起始计数值startFlag加1，初选目标值赋值给有效目标值，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期；
步骤S40，初选目标值与预测值的一致性判断：
当判定初选目标值与预测值一致，初选目标值与预测值经卡尔曼滤波后得到最优估计值，周期计数wrong_time＝0，最优估计值经卡尔曼滤波初级处理得出下一周期的预测值，跳转至步骤S10，进入下一周期；同时启动防撞预警；
当判定初选目标值与预测值不一致，则周期计数wrong_time加1；进入
步骤S50，根据周期计数wrong_time选择处理流程，获取有效目标值，有效目标值经卡尔曼滤波或卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期。
进一步的，所述步骤S50包括：
步骤S501，根据周期计数Wrong_time进行判断：
当周期计数Wrong_time小于等于第一周期阈值时，跳转至步骤S502；
当周期计数Wrong_time大于第一周期阈值且小于等于第二周期阈值时，跳转至步骤S503；
当周期计数Wrong_time大于第二周期阈值且小于等于第三周期阈值时，跳转至步骤S504；
当周期计数Wrong_time大于第三周期阈值时，跳转至步骤S505；
其中，所述第一周期阈值、第二周期阈值和第三周期阈值均为正整数；
步骤S502,判定预测值是否为初始化数值,当预测值是初始化数值时，跳转至步骤S506,当预测值不是初始化数值时，跳转至步骤S503；
步骤S503，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期；
步骤S504，判定初选目标值是否小于预测值且满足距离判定公式，当初选目标值小于预测值，且满足距离判定公式时，跳转至步骤S505；当初选目标值大于预测值或不满足距离判定公式时，跳转至步骤S503；
步骤S505，将初选目标值赋值给有效目标值，周期计数Wrong_time＝0，跳转至步骤S507；
步骤S506，将初选目标值赋值给有效目标值，起始计数值startFlag＝0，周期计数Wrong_time＝0，跳转至步骤S507；
步骤S507，有效目标值经卡尔曼滤波获得本周期最优估计值，并用最优估计值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期。
进一步的，所述第一周期阈值为3，所述第二周期阈值为5，所述第三周期阈值为10。
进一步的，所述距离判定公式为
其中，Pre.x，Pre.v为初选目标值中的纵向距离及相对速度，Eff.x，Eff.v 为有效目标值的纵向距离及相对速度，DistLong为纵向距离阈值。
进一步的，所述步骤S503中，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，通过以下公式进行：
所述步骤S40中，初选目标值与预测值的一致性判断，通过以下公式进行：
其中，d(k+1),k、v(k+1),kr、a(k+1),kr为第k+1周期自车与初选目标的相对距离、相对速度和相对加速度的预测值；dk+1、vk+1,r、ak+1,r为第k+1周期自车与初选目标的相对距离、相对速度和相对加速度的测量值；d0、v0、a0分别为相对距离、相对速度和相对加速度的最大容许误差。
进一步的，所述最大容许误差为：
[d0 v0 a0]T＝[3 2 0.5]T。
进一步的，所述步骤S20，从所述目标测量数据中确定初选目标值的方法为：纵向离本车最近且横向距离在±2米以内的目标为初选目标，所述初选目标的数值为初选目标值。
进一步的，所述startFlag的设定值等于3。
进一步的，所述步骤S40的启动防撞预警包括以下步骤：
步骤S601，根据最优估计值计算得出碰撞时间；
步骤S602，系统根据碰撞时间进行决策，输出整车控制指令进行制动、减速。
本发明还提供了以下技术方案：
一种多目标识别及车辆防撞撞预警系统，包括：
FMCW毫米波雷达，用于探测正前方多个目标，获取所述多个目标的数据；
算法处理系统，采用如上所述的基于FMCW车载毫米波雷达的多目标识别及车辆防撞预警方法，识别有效目标并进行跟踪，发出防撞预警信息或整车控制指令；
整车控制模块，用于接收整车控制指令，进行提前的制动减速。
本发明的多目标识别和防撞预警方法，首先从FMCW毫米波雷达的识别的多目标中筛选本周期的初选目标，并进行初选目标值与预测值的一致性判断，同时结合生命周期法，在初选目标值与预测值不一致时，设定不同生命阈值以选择不同的筛选条件获取有效目标值，进而经卡尔曼滤波获得下一周期的预测值，并形成迭代，直至初选目标值与预测值一致，获取最优估计值，并发出防撞预警。该方法可降低测量噪点，排除虚警目标，减少漏报现象以及数据不稳定等问题。
附图说明
图1是本发明实施例的目标追踪判定流程；
图2是本发明实施例的卡尔曼滤波仿真数据；
图3是图2的制动减速的放大示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明公开了一种多目标识别和防撞预警方法的具体实施例，用于改善如FMCW车载雷达测距的应用的局限，如：测量噪点多，容易产生虚警目标，存在漏报现象以及数据不稳定等问题，从而改善在复杂情况下准确测量危险目标数据的能力，提高多目标识别和防撞预警的可靠性。
在本实施例中，FMCW车载雷达周期性地扫描本车前进方向的所有目标，包括在自车前方的移动或固定的车辆或其它障碍物等。
一、本发明涉及多个概念，在此进行简要说明：
初选目标值：在当前周期内获取的所有目标的数据中，与本车在同一车道内，与本车纵向距离相差最小的目标的数据为初选目标值。
有效目标值：在多个周期内，当初选目标值与预测值的误差在最大容许误差范围内，则该初选目标值为有效目标值，该有效目标值对应的目标被设为有效目标进行跟踪。
预测值：上一周期的最优估计值或有效目标值经卡尔曼滤波初步处理所得到当前周期的合理预测数值。
最优估计值：当前周期的预测值和有效目标值经卡尔曼滤波处理得到的优化估计值，作为最终准确的运动参数数值。
初始化值：程序启动后进行初始化的数值。
生命周期法：利用周期计数wrong_time累加的方式，将初选目标值确定为有效目标值的一种方法，若在多个周期内，初选目标值与预测值不一致(即初选目标值与预测值的误差超出最大容许误差范围)的次数大于生命阈值，则将最近周期内的初选目标值设为有效目标值进行跟踪。
周期计数wrong_time：预测值与初选目标值连续不一致的次数。
生命阈值：多个周期内初选目标值与预测值的误差范围不满足条件的最小次数，本文中生命阈值设为3,5,10以满足不同筛选条件。
碰撞时间TTC：Time To Collision，即车辆与危险目标发生碰撞所经历的时间。
二、卡尔曼滤波初步处理及初选目标值和预测值的一致性判定
卡尔曼滤波初步处理：采用卡尔曼滤波从有效目标值获取下一周期的预测值，如公式(1)：
初选目标值和预测值的一致性判定：如公式(2)：
其中，d(k+1),k、v(k+1),kr、a(k+1),kr为第k+1周期自车与前车(初选目标，也可能是其它障碍物)相对距离、相对速度和相对加速度的预测值；dk+1、vk+1,r、 ak+1,r为第k+1周期自车与前车相对距离、相对速度和相对加速度的测量值；d0、v0、a0分别为相对距离、相对速度和相对加速度的最大容许误差，最大容许误差主要由雷达的测量性能决定，根据经验设定最大容许误差为：
[d0 v0 a0]T＝[3 2 0.5]T (3)
三、卡尔曼滤波计算
1、卡尔曼滤波预测更新
X(k)＝A(k,k-1)X(k)+U(k-1)+W(k-1) (4)
Z(k)＝H(k)X(k)+V(k) (5)
其中，k为离散化时刻；状态变量X＝[d vr ar]T，其中d、vr、ar分别为前车与目标的相对距离、相对速度和相对加速度；观测Z＝[dr vrr]T，dr、vrr分别为雷达探测到目标的相对距离和相对速度；状态转移矩阵A，状态控制矩阵U和测量矩阵H分别为
其中，T为采样周期；τ为汽车加速度的相关时间常数，取值范围为1～20； a(k-1)为第k-1时刻的相对加速度值；W、V为互不相关的零均值系统白噪声和观测白噪声向量。W对应的系统噪声协方差矩阵Q(k)为
其中δ2为相对加速度的方差
式中，am，a-m分别为汽车加速度的正上限绝对值和负下限绝对值；R(k)为V对应的测量噪声协方差矩阵；其中，方差δd 2和δvr2根据毫米波雷达输出的相对距离和相对速度的测量噪声的统计特性确定。
对公式(4)中的系统状态方程和公式(5)中的测量方程运用卡尔曼滤波理论建立标准的滤波算法推导过程，计算出目标与自车相对加速度的估计值。
X(k,k-1)＝A(k,k-1)X(k-1)+U(k-1) (10)
P(k,k-1)＝A(k,k-1)P(k-1)At(k,k-1)+Q(k-1) (11)
K(k)＝P(k,k-1)Ht(k)[H(k)P(k,k-1)Ht(k)+R(k)]-1 (12)
X(k)＝X(k,k-1)+K(k)[Z(k)-H(k)X(k,k-1)] (13)
P(k)＝[I-K(k)H(k)]P(k,k-1) (14)
式中，P(k,k-1)为X(k,k-1)对应的协方差矩阵；P(k-1)为X(k-1)对应的协方差矩阵；P(k)为X(k)对应的协方差矩阵；K(k)为卡尔曼增益。
将公式(3)、(4)计算得出的估计值带入公式(10)、(11)、(12)中得到卡尔曼增益K(k)，再结合式(13)、(14)计算得出最优解和P(k)。经过卡尔曼滤波计算后的数据点排除了偶然存在的噪点，保证了数据周期前后的有效性。
四、目标追踪判定流程
如图1所示，给出了本发明的目标追踪判定流程的具体实施例，通过周期性的调用目标追踪判定流程，包括如下步骤：
初始化设置：起始计数值startFlag＝0，周期计数wrong_time＝0，预测值等于初始化值；
进入循环：
步骤S10，读取由FMCW车载毫米波雷达获取的多个目标的测量数据；
步骤S20，从所述多个目标测量数据中确定初选目标值；
步骤S30，根据startFlag判断，当startFlag大于设定值时，跳转至步骤S40，反之，则将初选目标值赋值给有效目标值，startFlag加1，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，返回步骤S10，进入下一周期；
步骤S40，初选目标值与预测值的一致性判断：
当判定初选目标值与预测值一致，初选目标值与预测值经卡尔曼滤波后得到最优估计值，wrong_time＝0，最优估计值经卡尔曼滤波初级处理得出下一周期的预测值，跳转至步骤S10，进入下一周期；同时启动防撞预警；
当判定初选目标值与预测值不一致，则wrong_time加1；进入步骤S50。
步骤S50，根据周期计数wrong_time选择处理流程，获得下一周期的预测值，返回步骤S10，进入下一周期。
在步骤S20中，根据危险车道的横向距离剔除处于危险车道之外的目标数据，将剩余测量数据进行差值对比，保留危险车道内相对距离数值最小的测量值作为初选目标值。
在步骤S30中，若预测值为初始化值，则根据startFlag条件舍弃前3个数据，将第四个周期的初选目标值设为有效目标值。包括以下步骤：
步骤S301，判断startFlag是否大于3，当startFlag大于3，则跳转至步骤S40，当startFlag小于等于3，跳转至步骤S302；
步骤S302，初选目标值赋值给有效目标值，startFlag加1；进入
步骤S303，有效目标值经卡尔曼滤波初步处理得出下一周期的预测值；跳转至步骤S10，进入下一周期；
在步骤S40中，具体包括：
步骤S401，进行初选目标值与预测值一致性判断：
若初选目标值与预测值在最大容许差值范围内，则判定目标没有丢失且目标一致，则持续跟踪目标，执行步骤S403，初选目标值与预测值经卡尔曼滤波后得到最优估计值，wrong_time＝0；进入步骤S404，同时启动防撞预警，跳转至步骤S60；
若初选目标值与预测值的差值不在最大容许误差范围内，则判定目标不一致，则执行步骤S402，wrong_time加1；然后进入步骤S50；
步骤S404，最优估计值经卡尔曼滤波初级处理得出下一周期的预测值；跳转至步骤S10，进入下一周期。
步骤S60的防撞预警，包括以下步骤：
步骤S601，根据最优估计值计算得出碰撞时间(TTC)；
步骤S602，系统根据碰撞时间(TTC)进行决策，输出整车控制指令；整车控制模块根据整车控制指令进行减速直至停止。
在步骤S50中，根据周期计数wrong_time选择处理流程，在本实施例中生命阈值分别设为3,5,10以满足不同筛选条件，包括以下步骤：
步骤S501，根据Wrong_time进行判断：
当Wrong_time小于等于3时，跳转至步骤S502；
当Wrong_time大于3且小于等于5时，跳转至步骤S503；
当Wrong_time大于5且小于等于10时，跳转至步骤S504；
当Wrong_time大于10时，跳转至步骤S505；
步骤S502,判定预测值是否为初始化数值,当预测值是初始化数值时，跳转至步骤S506,当预测值不是初始化数值时，跳转至步骤S503；
步骤S503，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期；
步骤S504，判定初选目标值是否小于预测值且满足距离判定公式：
当初选目标值小于预测值且满足距离判定公式时，跳转至步骤S505；
当初选目标值大于等于预测值或不满足距离判定公式时，跳转至步骤S503；
步骤S505，将初选目标值赋值给有效目标值，Wrong_time＝0，跳转至步骤 S507；
步骤S506，将初选目标值赋值给有效目标值，startFlag＝0，周期计数 Wrong_time＝0，跳转至步骤S503；
步骤S507，有效目标值经卡尔曼滤波获得本周期最优估计值，并用最优估计值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期。
本发明的目标追踪判定流程的具体实施例中需要进一步说明的：
1、步骤S504中的距离判定公式为：
其中，Pre.x，Pre.v为初选目标纵向距离及速度，Eff.x，Eff.v为有效目标值的纵向距离及速度，DistLong为纵向距离阈值，在车速大于12m/s时等于 1.5m，在车速小于12m/s时等于1m。
2、步骤S503和步骤S507的区别：
步骤S503根据公式(1)获得下一周期的预测值，数值处理较为粗糙。
步骤S507利用完整的卡尔曼滤波公式将本周期测量值和预测值代入计算，获得最优估计值(即认为的最准确的数值)，而后再根据公式(1)获得下一周期的预测值。
步骤S503，当初选目标值与预测值不一致，wrong_time又未超出替换数值的生命周期阈值时，为了保证数据跟踪的连续性，利用不完整滤波大致计算出有效目标值表示运动趋势，此时的滤波参数不随初选目标值改变，有效目标值经卡尔曼滤波初步处理计算出下一周期的预测值，判断下一周期数据的一致性。
步骤S507，由于初选目标值及wrong_time满足一定条件，判断目标发生改变，于是将初选目标值当成有效目标值进行下一轮的跟踪预测。
若初选目标值与预测值在多个周期内基本一致，则认为该信号连续稳定，将初选目标值当做有效目标值进行追踪，具有成为有效危险目标的可能。
通过设定多周期初选目标值对比，将满足要求的初选目标值确定为有效目标值，并将有效目标值与预测值代入卡尔曼滤波中进行跟踪并计算出最优估计值，从而获得准确的危险目标数据。
这种基于卡尔曼滤波与生命周期法的数据处理方式能够有效减少因数据丢失，漏检，误检带来的误判情况，能够对多目标进行处理从而得出单一危险目标，能够有效平缓检测数据，预测前方障碍物运动情况，减少不正常的数据突变情况。
通过对上述目标信号持续跟踪，获取前方车辆障碍物数据，根据卡尔曼滤波计算出最优估计值，可持续跟踪危险目标，由系统输出有效目标值的最有估计值及碰撞时间，继而整车防碰撞系统根据该碰撞时间做出相应决策，给出报警等车辆控制指令。
四、仿真及数据
图2和图3给出了上述实施例的仿真试验数据：
如图2所示，其中X轴为采样数，Y轴为相对距离，单位为米，车辆在初始阶段保持40km/h车速相对于前方静止目标运动，当接近静止目标时，车辆制动减速。
线条S1表示卡尔曼滤波前数据的折线图，数据波动较大，大部分数据属于漏检，误检情况，漏检周期短。线条S2为经卡尔曼滤波后的数据，从中可以看出经过卡尔曼滤波处理后的数据为平滑曲线，基本与目标实际情况一致，表明这组数据经过卡尔曼滤波算法后得到了很大优化。
如图2中的①所示，系统刚启动采集的数据，前3个周期的初选目标值直接赋值给有效目标值而后输出最优估计值；之后的若干周期内，当初选目标值和预测值一致，即初选目标值和预测值的差值在最大容许误差之内，则初选目标被确定为有效目标进行持续跟踪；
在②处，之前的有效目标未被检测到，经过10个周期后，替换了有效目标；
在③处，有效目标值发生变化，此时初选目标值小于预测值，所以经过5 个周期后，初选目标值赋值给了有效目标值，而后保持稳定跟踪；
④之后初选目标值波动较大，存在短周期，大范围的误检和漏检，因为连续漏检周期较短，在生命阈值范围内有效目标追踪不变，因此，滤波后的数据追踪较为稳定；
⑤表示车辆接近目标，开始制动过程，其具体过程如图3所示，为了更直观表达减速效果，将图3中的初始化数据缩小5倍；
⑥表示开始制动；
⑦表示制动过程结束，车辆停止。
由此可见，该算法在确定有效目标时做了较多判断，剔除了许多不稳定因素导致的数据突变，很大程度上维护了决策数据的稳定性和有效性，为车辆防撞预警提供了较为稳妥的数据保障。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (10)

1.一种多目标识别及车辆防撞预警方法，其特征在于：包括以下步骤：
步骤S00，初始化设置：起始计数值startFlag＝0，周期计数wrong_time＝0，预测值等于初始化值；
进入循环：
步骤S10，获取目标测量数据；进入
步骤S20，从所述目标测量数据中确定初选目标值；进入
步骤S30，根据起始计数值startFlag判断：
当起始计数值startFlag大于设定值时，跳转至步骤S40；
当起始计数值startFlag小于等于设定值时，则起始计数值startFlag加1，初选目标值赋值给有效目标值，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期；
步骤S40，初选目标值与预测值的一致性判断：
当判定初选目标值与预测值一致，初选目标值与预测值经卡尔曼滤波后得到最优估计值，周期计数wrong_time＝0，最优估计值经卡尔曼滤波初级处理得出下一周期的预测值，跳转至步骤S10，进入下一周期；同时启动防撞预警；
当判定初选目标值与预测值不一致，则周期计数wrong_time加1；进入
步骤S50，根据周期计数wrong_time选择处理流程，获取有效目标值，有效目标值经卡尔曼滤波或卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期。
2.如权利要求1所述的方法，其特征在于：所述步骤S50包括：
步骤S501，根据周期计数Wrong_time进行判断：
当周期计数Wrong_time小于等于第一周期阈值时，跳转至步骤S502；
当周期计数Wrong_time大于第一周期阈值且小于等于第二周期阈值时，跳转至步骤S503；
当周期计数Wrong_time大于第二周期阈值且小于等于第三周期阈值时，跳转至步骤S504；
当周期计数Wrong_time大于第三周期阈值时，跳转至步骤S505；
其中，所述第一周期阈值、第二周期阈值和第三周期阈值均为正整数；
步骤S502,判定预测值是否为初始化数值,当预测值是初始化数值时，跳转至步骤S506,当预测值不是初始化数值时，跳转至步骤S503；
步骤S503，有效目标值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期；
步骤S504，判定初选目标值是否小于预测值，且满足距离判定公式，当初选目标值小于预测值,且满足距离判定公式时，跳转至步骤S505；当初选目标值大于预测值或不满足距离判定公式时跳转至步骤S503；
步骤S505，将初选目标值赋值给有效目标值，周期计数Wrong_time＝0，跳转至步骤S507；
步骤S506，将初选目标值赋值给有效目标值，起始计数值startFlag＝0，周期计数Wrong_time＝0，跳转至步骤S507；
步骤S507，有效目标值经卡尔曼滤波获得本周期最优估计值，并用最优估计值经卡尔曼滤波初步处理获得下一周期的预测值，跳转至步骤S10，进入下一周期。
3.如权利要求2所述的方法，其特征在于：所述第一周期阈值为3，所述第二周期阈值为5，所述第三周期阈值为10。
4.如权利要求2所述的方法，其特征在于：所述距离判定公式为
其中，Pre.x，Pre.v为初选目标值中的纵向距离及相对速度，Eff.x，Eff.v为有效目标值的纵向距离及相对速度，DistLong为纵向距离阈值。
5.如权利要求2所述的方法，其特征在于：所述步骤S503中的卡尔曼滤波初步处理包括公式：
所述步骤S40中，初选目标值与预测值的一致性判断，通过以下公式进行：
其中，d(k+1),k、v(k+1),kr、a(k+1),kr为第k+1周期自车与初选目标的相对距离、相对速度和相对加速度的预测值；dk+1、vk+1,r、ak+1,r为第k+1周期自车与初选目标的相对距离、相对速度和相对加速度的测量值；d0、v0、a0分别为相对距离、相对速度和相对加速度的最大容许误差。
6.如权利要求5所述的方法，其特征在于：所述最大容许误差为：
[d0 v0 a0]T＝[3 2 0.5]T。
7.如权利要求1所述的方法，其特征在于：所述步骤S20，从所述目标测量数据中确定初选目标值的方法为：纵向离本车最近且横向距离在±2米以内的目标为初选目标，所述初选目标的数值为初选目标值。
8.如权利要求1所述的方法，其特征在于：所述startFlag的设定值等于3。
9.如权利要求1所述的方法，其特征在于：所述步骤S40中的包括以下步骤：
步骤S601，根据最优估计值计算得出碰撞时间；
步骤S602，系统根据碰撞时间进行决策，输出整车控制指令进行制动减速。
10.一种多目标识别及车辆防撞撞预警系统，其特征在于:包括
FMCW毫米波雷达，用于探测正前方多个目标，获取所述多个目标测量数据；
算法处理系统，采用如权利要求1-9任一项所述的方法，识别目标测量数据中的有效目标并进行跟踪，发出防撞预警信息或整车控制指令；
整车控制模块，用于接收整车控制指令，进行制动减速。
CN201910614989.8A 2019-07-09 2019-07-09 一种多目标识别和防撞预警方法和系统 Active CN110275168B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910614989.8A CN110275168B (zh) 2019-07-09 2019-07-09 一种多目标识别和防撞预警方法和系统
PCT/CN2019/128578 WO2021004028A1 (zh) 2019-07-09 2019-12-26 一种多目标识别和防撞预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910614989.8A CN110275168B (zh) 2019-07-09 2019-07-09 一种多目标识别和防撞预警方法和系统

Publications (2)

Publication Number Publication Date
CN110275168A true CN110275168A (zh) 2019-09-24
CN110275168B CN110275168B (zh) 2021-05-04

Family

ID=67964178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910614989.8A Active CN110275168B (zh) 2019-07-09 2019-07-09 一种多目标识别和防撞预警方法和系统

Country Status (2)

Country Link
CN (1) CN110275168B (zh)
WO (1) WO2021004028A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110927742A (zh) * 2019-11-19 2020-03-27 杭州飞步科技有限公司 障碍物跟踪方法、装置、设备及存储介质
CN112162275A (zh) * 2020-09-29 2021-01-01 安徽江淮汽车集团股份有限公司 目标物识别方法、装置、设备及存储介质
WO2021004028A1 (zh) * 2019-07-09 2021-01-14 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
CN112254755A (zh) * 2020-11-11 2021-01-22 北京邮电大学 测量信号处理方法、装置、电子设备及可读存储介质
CN113805171A (zh) * 2021-10-14 2021-12-17 中国第一汽车股份有限公司 一种危险目标判断方法、装置、设备和存储介质
TWI798646B (zh) * 2020-02-26 2023-04-11 仁寶電腦工業股份有限公司 移動載具的警示裝置及其警示方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113060158B (zh) * 2021-04-09 2022-08-30 北京嘀嘀无限科技发展有限公司 基于多模态数据的驾驶预警方法、设备及介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208284B1 (en) * 1998-06-16 2001-03-27 Rockwell Science Center, Inc. Radar augmented TCAS
CN101837782A (zh) * 2009-01-26 2010-09-22 通用汽车环球科技运作公司 用于碰撞预备系统的多目标融合模块
CN102096803A (zh) * 2010-11-29 2011-06-15 吉林大学 基于机器视觉的行人安全状态识别系统
CN103688226A (zh) * 2011-06-06 2014-03-26 克朗设备有限公司 用于自动校准车辆参数的方法和装置
CN105334514A (zh) * 2015-10-19 2016-02-17 上海无线电设备研究所 一种有轨电车雷达视频复合预警防撞系统及其方法
CN107886043A (zh) * 2017-07-20 2018-04-06 吉林大学 视觉感知的汽车前视车辆和行人防碰撞预警系统及方法
CN108406731A (zh) * 2018-06-06 2018-08-17 珠海市微半导体有限公司 一种基于深度视觉的定位装置、方法及机器人
US20180252804A1 (en) * 2017-03-02 2018-09-06 GM Global Technology Operations LLC Adaptive process noise description for improved kalman filter target tracking
CN108536149A (zh) * 2018-04-25 2018-09-14 吉林大学 一种基于Dubins路径的无人驾驶车辆避障控制装置及控制方法
CN108614262A (zh) * 2018-06-22 2018-10-02 安徽江淮汽车集团股份有限公司 一种车辆前方目标物检测方法及系统
CN108845509A (zh) * 2018-06-27 2018-11-20 中汽研（天津）汽车工程研究院有限公司 一种自适应巡航控制算法开发系统及方法
CN108872991A (zh) * 2018-05-04 2018-11-23 上海西井信息科技有限公司 目标物检测与识别方法、装置、电子设备、存储介质
CN108872975A (zh) * 2017-05-15 2018-11-23 蔚来汽车有限公司 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
CN109581928A (zh) * 2018-12-07 2019-04-05 电子科技大学 一种面向高速公路场景的智能车端到端决策方法及系统
CN109741634A (zh) * 2019-03-02 2019-05-10 安徽超远信息技术有限公司 笔直路段内事故现场警戒区域防撞入预警方法及装置
CN109752719A (zh) * 2019-01-27 2019-05-14 南昌航空大学 一种基于多传感器的智能汽车环境感知方法
CN109814080A (zh) * 2018-12-11 2019-05-28 长沙莫之比智能科技有限公司 一种毫米波雷达目标跟踪与置信度算法及其装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202180823U (zh) * 2011-07-28 2012-04-04 胡春凯 一种汽车智能避撞系统
CN102788980A (zh) * 2012-02-07 2012-11-21 北京大学深圳研究生院 一种调频连续波汽车防撞雷达系统
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

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208284B1 (en) * 1998-06-16 2001-03-27 Rockwell Science Center, Inc. Radar augmented TCAS
CN101837782A (zh) * 2009-01-26 2010-09-22 通用汽车环球科技运作公司 用于碰撞预备系统的多目标融合模块
CN102096803A (zh) * 2010-11-29 2011-06-15 吉林大学 基于机器视觉的行人安全状态识别系统
CN103688226A (zh) * 2011-06-06 2014-03-26 克朗设备有限公司 用于自动校准车辆参数的方法和装置
CN105334514A (zh) * 2015-10-19 2016-02-17 上海无线电设备研究所 一种有轨电车雷达视频复合预警防撞系统及其方法
US20180252804A1 (en) * 2017-03-02 2018-09-06 GM Global Technology Operations LLC Adaptive process noise description for improved kalman filter target tracking
CN108872975A (zh) * 2017-05-15 2018-11-23 蔚来汽车有限公司 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
CN107886043A (zh) * 2017-07-20 2018-04-06 吉林大学 视觉感知的汽车前视车辆和行人防碰撞预警系统及方法
CN108536149A (zh) * 2018-04-25 2018-09-14 吉林大学 一种基于Dubins路径的无人驾驶车辆避障控制装置及控制方法
CN108872991A (zh) * 2018-05-04 2018-11-23 上海西井信息科技有限公司 目标物检测与识别方法、装置、电子设备、存储介质
CN108406731A (zh) * 2018-06-06 2018-08-17 珠海市微半导体有限公司 一种基于深度视觉的定位装置、方法及机器人
CN108614262A (zh) * 2018-06-22 2018-10-02 安徽江淮汽车集团股份有限公司 一种车辆前方目标物检测方法及系统
CN108845509A (zh) * 2018-06-27 2018-11-20 中汽研（天津）汽车工程研究院有限公司 一种自适应巡航控制算法开发系统及方法
CN109581928A (zh) * 2018-12-07 2019-04-05 电子科技大学 一种面向高速公路场景的智能车端到端决策方法及系统
CN109814080A (zh) * 2018-12-11 2019-05-28 长沙莫之比智能科技有限公司 一种毫米波雷达目标跟踪与置信度算法及其装置
CN109752719A (zh) * 2019-01-27 2019-05-14 南昌航空大学 一种基于多传感器的智能汽车环境感知方法
CN109741634A (zh) * 2019-03-02 2019-05-10 安徽超远信息技术有限公司 笔直路段内事故现场警戒区域防撞入预警方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAN SIMON: "Kalman Filtering with State Equality Constraints", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
孙婷婷: "基于V2V通信技术的车辆防撞预警系统研究", 《山东交通科技》 *
李振: "基于毫米波雷达的汽车防碰撞预警系统有效目标的识别", 《北京汽车》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021004028A1 (zh) * 2019-07-09 2021-01-14 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
CN110927742A (zh) * 2019-11-19 2020-03-27 杭州飞步科技有限公司 障碍物跟踪方法、装置、设备及存储介质
TWI798646B (zh) * 2020-02-26 2023-04-11 仁寶電腦工業股份有限公司 移動載具的警示裝置及其警示方法
CN112162275A (zh) * 2020-09-29 2021-01-01 安徽江淮汽车集团股份有限公司 目标物识别方法、装置、设备及存储介质
CN112162275B (zh) * 2020-09-29 2024-05-14 安徽江淮汽车集团股份有限公司 目标物识别方法、装置、设备及存储介质
CN112254755A (zh) * 2020-11-11 2021-01-22 北京邮电大学 测量信号处理方法、装置、电子设备及可读存储介质
CN113805171A (zh) * 2021-10-14 2021-12-17 中国第一汽车股份有限公司 一种危险目标判断方法、装置、设备和存储介质
CN113805171B (zh) * 2021-10-14 2023-09-26 中国第一汽车股份有限公司 一种危险目标判断方法、装置、设备和存储介质

Also Published As

Publication number Publication date
WO2021004028A1 (zh) 2021-01-14
CN110275168B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN110275168A (zh) 一种多目标识别和防撞预警方法和系统
CN107076848B (zh) 用于生成周围环境地图的方法，和驾驶员辅助系统
JP6533040B2 (ja) レーダセンサ使用による対象物特定方法
CN102292754B (zh) 用于合并传感器数据的方法和系统
EP3239737B1 (en) Misalignment detection for a vehicle radar sensor
US8589116B2 (en) Object sensor
US8077075B2 (en) Object verification method for use in radar systems for motor vehicles
CN111191697B (zh) 基于传感器融合的adas道路测试验证优化方法和装置
US9812008B2 (en) Vehicle detection and tracking based on wheels using radar and vision
CN112526521B (zh) 一种汽车毫米波防撞雷达的多目标跟踪方法
EP3740784B1 (de) Verfahren und vorrichtung zum detektieren kritischer querbewegungen
CN110034968A (zh) 基于边缘计算的多传感器融合车辆安全异常检测方法
EP2631671A1 (en) Apparatus and method for traffic lane detection
CN113487910B (zh) 一种用于跟车场景的汽车数据采集系统性能分析方法
CN116621044A (zh) 一种单轨吊智能辅助行车系统及方法
CN106605153A (zh) 轴偏移诊断装置
CN109696665A (zh) 超声波传感器测量数据的处理方法、装置及设备
CN109263649B (zh) 车辆及其自动驾驶模式下的物体识别方法和物体识别系统
CN112781556A (zh) 一种基于多数据融合滤波的井盖异动监测方法和装置
US11555913B2 (en) Object recognition device and object recognition method
CN217155302U (zh) 车辆外廓测量系统
CN116209914A (zh) 基于雷达传感器的测量并通过识别干扰探测来识别车辆环境中的道路使用者的方法以及运算设备
CN111289949A (zh) 一种盲区监测雷达测试方法及装置
CN112254755B (zh) 测量信号处理方法、装置、电子设备及可读存储介质
CN118311516A (zh) 一种毫米波雷达的故障检测方法、装置、电子设备及介质

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