CN111417869A - 障碍物识别装置及障碍物识别方法 - Google Patents

障碍物识别装置及障碍物识别方法 Download PDF

Info

Publication number
CN111417869A
CN111417869A CN201780096758.1A CN201780096758A CN111417869A CN 111417869 A CN111417869 A CN 111417869A CN 201780096758 A CN201780096758 A CN 201780096758A CN 111417869 A CN111417869 A CN 111417869A
Authority
CN
China
Prior art keywords
sensor
detection data
time
data
detection
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.)
Pending
Application number
CN201780096758.1A
Other languages
English (en)
Inventor
饭田公司
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN111417869A publication Critical patent/CN111417869A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4043—Lateral speed

Abstract

通过具备检测车辆周边的物体的第1传感器和第2传感器、基于由第1传感器检测到的与第1物体相关的第1检测数据和由第2传感器检测到的与第2物体相关的第2检测数据从而对用于识别第1物体与所述第2物体是否为同一物体的指标值进行计算的计算部、通过将指标值与预先设定的阈值进行比较从而判定第1物体与第2物体是否为同一物体的判定部、以及在由判定部判定为第1物体与第2物体为同一物体时基于第1检测数据和所述第2检测数据从而计算第1传感器与第2传感器之间的检测误差并生成校正后的检测数据以消除检测误差的校正部，从而在实际上检测到同一物体时，可正确识别是否为同一物体，而不会误识别为其他物体。

Description

障碍物识别装置及障碍物识别方法
技术领域
本发明涉及使用车载传感器来进行障碍物识别的障碍物识别装置及障碍物识别方法。
背景技术
以往以来，提出了将多个传感器信息进行组合以识别车辆周边的障碍物的障碍物识别装置(例如，参照专利文献1)。
专利文献1的障碍物识别装置具备前方摄像头和毫米波雷达以作为传感器。前方摄像头获取与障碍物相关的第一参数信息，毫米波雷达获取与障碍物相关的第二参数信息。专利文献1的障碍物识别装置基于第一参数信息和第二参数信息来计算前方摄像头或毫米波雷达的方位角的轴偏移量，并使用计算出的轴偏移量来校正前方摄像头或毫米波雷达的方位角的轴偏移。
现有技术文献
专利文献
专利文献1：日本专利特开2010-249613号公报
发明内容
发明所要解决的技术问题
但是，现有技术中存在以下这样的问题。
搭载在车辆上的传感器有摄像头、毫米波雷达、激光雷达、超声波传感器、红外线传感器等。当由多个传感器检测到同一物体时，根据传感器的种类的不同，在传感器间会产生检测误差(以下，称为偏置误差)。由于偏置误差会因车辆的行驶环境而随时间变动，因而难以推定。
以往的障碍物识别装置不假设该偏置误差。因此，以往的障碍物识别装置中，存在即使在多个传感器实际上检测到同一物体的情况下，也会因传感器间的偏置误差而误识别为其他物体这一问题。
本发明是为了解决这样的问题而完成的，其目的在于，提供一种障碍物识别装置及障碍物识别方法，可在实际上多个传感器检测到同一物体时，正确识别是否为同一物体，而不误识别为其他物体。
解决技术问题所采用的技术方案
本发明中的障碍物识别装置包括：第1传感器和第2传感器，该第1传感器和第2传感器检测车辆周边的物体；计算部，该计算部基于由第1传感器检测到的与第1物体相关的第1检测数据和由第2传感器检测到的与第2物体相关的第2检测数据，来对用于识别第1物体与所述第2物体是否为同一物体的指标值进行计算；判定部，该判定部通过将指标值与预先设定的阈值进行比较，从而判定第1物体与第2物体是否为同一物体；以及校正部，该校正部在由判定部判定为第1物体与第2物体为同一物体时，基于第1检测数据和所述第2检测数据，来计算第1传感器与第2传感器之间的检测误差，并生成校正后的检测数据以消除检测误差。
此外，本发明中的障碍物识别装置包括：第1传感器，该第1传感器检测车辆周边的物体；预测部，该预测部基于由第1传感器在过去检测到的检测数据来预测物体的移动，并生成当前时刻的预测值以作为与第3物体相关的第3检测数据；计算部，该计算部基于由第1传感器检测到的与第1物体相关的第1检测数据以及由预测部所生成的与第3物体相关的第3检测数据，来对用于识别第1物体与第3物体是否为同一物体的指标值进行计算；判定部，该判定部通过将指标值与预先设定的阈值进行比较，从而判定第1物体与第3物体是否为同一物体；以及校正部，该校正部在由判定部判定为第1物体与第3物体为同一物体时，基于第1检测数据和第3检测数据，来计算由第1传感器得到的检测结果与由预测部得到的生成结果之间的偏置误差，并且生成校正后的检测数据以消除所述偏置误差。
此外，本发明中的障碍物识别方法是由实现计算部、判定部和校正部的功能的控制器来执行的障碍物识别方法，包括：基于由第1传感器检测到的与第1物体相关的第1检测数据和由第2传感器检测到的与第2物体相关的第2检测数据、来对用于识别第1物体与第2物体是否为同一物体的指标值进行计算的计算步骤；通过将指标值与预先设定的阈值进行比较、从而判定第1物体与所述第2物体是否为同一物体的判定步骤；以及在由判定步骤判定为第1物体与第2物体为同一物体时、基于第1检测数据和第2检测数据、来计算第1传感器与第2传感器之间的检测误差、并且生成校正后的检测数据以消除检测误差的校正步骤。
此外，本发明中的障碍物识别方法是由实现预测部、计算部、判定部及校正部的功能的控制器来执行的障碍物识别方法，包括：基于由第1传感器在过去检测到的检测数据来预测物体的移动、并生成当前时刻的预测值作为与第3物体相关的第3检测数据的预测步骤；基于由第1传感器检测到的与第1物体相关的第1检测数据和由预测步骤生成的与第3物体相关的第3检测数据、来对用于识别第1物体与第3物体是否为同一物体的指标值进行计算的计算步骤；通过将指标值与预先设定的阈值进行比较、从而判定第1物体与所述第3物体是否为同一物体的判定步骤；以及在由判定步骤判定为所述第1物体与所述第3物体为同一物体时、基于第1检测数据和所述第3检测数据、来计算由第1传感器得到的检测结果与由预测步骤得到的生成结果之间的偏置误差、并且生成校正后的检测数据以消除偏置误差的校正步骤。
发明效果
根据本发明的障碍物识别装置，具备在将多个传感器信息组合以识别障碍物时校正传感器间的偏置误差的结构。其结果是，可以获得一种障碍物识别装置及障碍物识别方法，可在实际上多个传感器检测到同一物体时，正确识别是否为同一物体，而不误识别为其他物体。
附图说明
图1是表示本发明的实施方式1、2和3所涉及的障碍物识别装置的结构的框图。
图2是表示本发明的实施方式1、2和3所涉及的障碍物识别装置的处理的流程图。
图3是表示本发明的实施方式1所涉及的误差校正处理的流程图。
图4是本发明的实施方式1所涉及的误差计算方法的说明图。
图5是表示本发明的实施方式2所涉及的误差校正处理的流程图。
图6是表示本发明的实施方式2所涉及的误差校正处理的说明图。
图7是表示本发明的实施方式3所涉及的误差校正处理的流程图。
图8A是表示本发明的实施方式3所涉及的误差校正处理的说明图。
图8B是表示本发明的实施方式3所涉及的纵位置相关系数的说明图。
图8C是表示本发明的实施方式3所涉及的横位置相关系数的说明图。
图9是表示本发明的实施方式4、5和6所涉及的障碍物识别装置的结构的框图。
图10是表示本发明的实施方式4、5和6所涉及的障碍物识别装置的处理的流程图。
图11是表示本发明的实施方式4所涉及的误差校正处理的流程图。
图12是示出本发明的实施方式4所涉及的误差计算方法的说明图。
图13是表示本发明的实施方式5所涉及的误差校正处理的流程图。
图14是表示本发明的实施方式5所涉及的误差校正处理的说明图。
图15是表示本发明的实施方式6所涉及的误差校正处理的流程图。
图16A是表示本发明的实施方式6所涉及的误差校正处理的说明图。
图16B是表示本发明的实施方式6所涉及的纵方向位置的相关系数的说明图。
图16C是表示本发明的实施方式6所涉及的横方向位置的相关系数的说明图。
图17A是表示本发明的实施方式6所涉及的检测时刻校正的说明图。
图17B是表示本发明的实施方式7所涉及的检测时刻校正量及相关系数的说明图。
具体实施方式
以下，使用附图来对本发明的障碍物识别装置及障碍物识别方法的优选实施方式进行说明。
实施方式1
图1表示本发明的实施方式1所涉及的障碍物识别装置1的结构的框图。
本实施方式1所涉及的障碍物识别装置1构成为具备：控制部10、时刻测量部11、数据接收部12、相关处理部13、更新处理部14、第1传感器100、第2传感器200和车辆信息传感器300。在以下说明中，有时将它们称为障碍物识别装置1的各模块。
第1传感器100及第2传感器200是通过接收从物体辐射或反射的光和电磁波并且应用信号处理及图像处理来测量到物体的距离、方位角、相对速度等的传感器。具体地，第1传感器100及第2传感器200例如可以分别单独使用或组合使用毫米波雷达、激光雷达、超声波传感器、红外线传感器、光学摄像头等。
在以下的说明中，将第1传感器100及第2传感器200所测量到的物体的信息称为“检测数据”。
车辆信息传感器300为测量本车的状态的传感器。具体地，车辆信息传感器300测量本车的速度、车轮速度、转向角、偏航率等。以下，将车辆信息传感器300所测量到本车的状态称为“本车数据”。
控制部10是总体控制障碍物识别装置1的功能的ECU(Electronic Control Unit：电子控制单元)。此外，控制部10具备计算部10a、判定部10b、校正部10c和存储部10d。
时刻测量部11具备测量时刻并输出在障碍物识别装置1内的各模块中所测量到的时刻的功能。
数据接收部12接收从第1传感器100、第2传感器200和车辆信息传感器300发送的检测数据及本车数据。数据接收部12将接收到的检测数据与由时刻测量部11测量到的时刻相关联，并且输出至控制部10。
以下，为了简化说明，将这样的将时刻信息添加到检测数据而得到的数据称为“观测数据”。
控制部10的计算部10a、判定部10b以及校正部10c在后述的偏置误差校正处理中执行预先设定的处理。
计算部10a在偏置误差校正处理中进行计算值、指标值等的运算处理。
判定部10b通过对计算部10a所计算出的指标值与预先设定的阈值条件进行比较，由此进行所选择的物体对是否为同一物体的判定。
校正部10c使用所计算出的偏置误差值来校正包含时刻信息的检测数据即观测数据。
存储部10d由易失性存储器、非易失性存储器等来构成。存储部10d保存观测数据、计算值、指标值、本车数据、航迹数据等。此外，存储部10d生成将观测数据依时间序列顺序存储而得到的观测数据履历并且保存。此外，在存储部10d中保存有用于控制障碍物识别装置1的功能的程序。
相关处理部13基于从控制部10发送的校正后观测数据来执行将由第1传感器100及第2传感器200检测到的物体相对应关联的相关处理，从而生成相关数据。相关处理部13将校正后观测数据和相关数据输出到更新处理部14。
更新处理部14基于相关数据来更新校正后观测数据的物体信息。这里，所谓物体信息，是指由第1传感器100或第2传感器200检测到的物体的位置、速度、加速度、类别等信息。例如可使用卡尔曼滤波器、粒子滤波器等来进行物体信息的更新。
将经更新后的物体信息作为“航迹数据”从更新处理部14输出到显示部500。此外，存储部10d在由更新处理部14执行物体信息的更新的定时将航迹数据与由时刻测量部11所测量到的时刻相关联来对其进行保存。
设置在障碍物识别装置1的外部的显示部500将从更新处理部14输出的航迹数据加工为图像、文字信息等并且显示。另外，显示部500也可设置在障碍物识别装置1的内部。
另外，障碍物识别装置1内的各模块及控制部10内的各模块可构成为搭载于各自独立的ECU，也可构成为一部分或全部模块搭载于一个ECU。
接着，使用图2的流程图，来说明实施方式1所涉及的障碍物识别装置1的处理的流程。
最开始，数据接收部12基于来自控制部10的指令，进行检测数据获取处理(步骤S100)。在检测数据获取处理中，数据接收部12从第1传感器100及第2传感器200获取检测数据，并且从车辆信息传感器300获取本车数据。接着，数据接收部12生成将获取到的检测数据与由时刻测量部11测量到的时刻相关联而得到的观测数据。观测数据从数据接收部12输出到控制部10。
接着，控制部10进行偏置误差校正处理(步骤S200)。在偏置误差校正处理中，首先，控制部10的计算部10a基于从数据接收部12输出的观测数据，来计算由第1传感器100及第2传感器200检测到的物体对的物理量的差分值。这里，所谓物理量，是指障碍物的位置、速度、加速度、类别等信息，在以下的说明中，有时称为物体信息。
接着，控制部10的判定部10b基于预先设定的条件，来进行所选择的物体对是否为同一物体的判定。当物体对被判定为同一物体时，控制部10对所选择的物体对的偏置误差进行设定或计算。
接着，控制部10的校正部10c使用偏置误差值来校正包含有时刻信息的检测数据即观测数据，并结束偏置误差校正处理。校正后观测数据从控制部10被输出到相关处理部13。
接着，相关处理部13进行相关处理(步骤S300)。在相关处理中，相关处理部13使用校正后观测数据，来执行由第1传感器100及第2传感器200检测到的物体的关联，生成相关数据。相关处理部13将校正后观测数据和相关数据输出到更新处理部14。
接着，更新处理部14进行物体信息的更新处理(步骤S400)。更新处理部14例如使用卡尔曼滤波器等对通过相关数据对应关联的第1传感器和第2传感器的校正后观测数据的物体信息进行更新。
至此，障碍物识别装置1结束处理。另外，以预先设定的动作周期重复执行图2所示的处理。
接着，使用图3及图4来说明实施方式1所涉及的障碍物识别装置1的偏置误差校正处理的详细情况。
图3是表示本发明的实施方式1所涉及的障碍物识别装置1的偏置误差校正处理的流程的流程图。
在图3的步骤S10中，障碍物识别装置1的控制部10从保存于存储部10d的观测数据履历中删除最旧的观测数据。
接着，在步骤S11中，控制部10将在当前周期获取到的最新的观测数据保存于存储部10d的观测数据履历。这里，观测数据为包含时刻信息的检测数据。此外，检测数据为检测到的物体的物理量即位置、速度、加速度等数值数据。观测数据与检测到的用于识别传感器的编号及记号(以下，称为传感器ID)、检测到的用于识别物体的编号及记号(以下，称为物体ID)进行关联，并被保存到存储部10d。
接着，在步骤S12中，控制部10基于保存于存储部10d的观测数据，从第1传感器100及第2传感器200分别获取到的多个物体中，分别针对第1传感器100及第2传感器200各选择一个物体。以下，将所选择的物体的对称为“选择物体对”。
接着，在步骤S13中，控制部10的计算部10a计算第1传感器100的观测数据和第2传感器200的观测数据间的误差值。具体地，计算选择物体对间的观测数据的物理量的差分值作为误差值ΔX。使用图4说明ΔX的计算方法。
图4是说明本发明的实施方式1所涉及的观测数据间的误差ΔX的计算方法的图。图4的横轴为时刻，纵轴为观测数据的物理量。观测数据的物理量为第1传感器100及第2传感器200检测到的物体的位置、速度、加速度等数值数据。
这里，在选择物体对中，将由第1传感器100检测到的物体设为物体ID＝idsns1。将物体ID＝idsns1的时刻k的观测数据设为Xksns1。同样，在选择物体对中，将由第2传感器200检测到的物体设为物体ID＝idsns2。将物体ID＝idsns2的时刻k的观测数据设为Xksns2。
控制部10的计算部10a计算Xksns1与Xksns2的差分值的绝对值作为时刻k的观测数据的传感器间误差ΔXk。
在图3的步骤S13中，如图4所示，计算部10a计算与时刻t1～tn对应的观测数据的传感器间误差ΔX1～ΔXn。
接着，控制部10使处理前进到步骤S14。在步骤S14中，控制部10的判定部10b基于预先设定的条件(1)，来对在步骤S12中所设定的选择物体对是否为同一物体进行判定。选择物体对间的物理量的差分值越小，则选择物体对为同一物体的可能性就越高。因此，例如可如以下那样执行基于条件(1)的判定。
条件(1)设为传感器间误差ΔX1～ΔXn的偏差的范围比预先设定的阈值要小。偏差的范围可使用从ΔX1～ΔXn的最大值中减去最小值而得到的值、ΔX1～ΔXn的平均值、ΔX1～ΔXn的中央值等。
在步骤S14中，控制部10的判定部10b在传感器间误差ΔX1～ΔXn的偏差的范围比预先设定的阈值要小时(S14：是)，判定为选择物体对为同一物体(步骤S15)。
另一方面，在步骤S14中，控制部10的判定部10b在传感器间误差ΔX1～ΔXn的偏差的范围在预先设定的阈值以上时(S14：否)，判定为选择物体对不为同一物体(步骤S21)。
紧接着步骤S15，控制部10使处理前进到步骤S16。
在步骤S16中，控制部10对选择物体对的偏置误差值进行设定或计算。对于偏置误差值，例如可将与时刻t1～tn对应的观测数据的传感器间误差ΔX1～ΔXn中最新的ΔXn设定作为偏置误差值。此外，也可计算ΔX1～ΔXn的平均值、中央值等，并且用作为偏置误差值。
另一方面，紧接着步骤S21，控制部10使处理前进到步骤S22。
在步骤S22中，控制部10将选择物体对的偏置误差值设定为无效值。
紧接着步骤S16或者步骤S22，控制部10使处理前进到步骤S17。
在步骤S17中，控制部10在针对第1传感器100及第2传感器200的观测数据中的物体完成选择全部的物体对时(S17：是)，前进到步骤S18。
另一方面，控制部10在还未完成选择全部的物体对时(S17：否)，返回至步骤S12，重新设定选择物体对。
在步骤S18中，控制部10的判定部10b针对所选择的全部的物体对，判定在步骤S16中所设定的偏置误差值是否为无效值。在所选择的全部的物体对中偏置误差值均没有被设定为无效值时(S18：否)，控制部10使处理前进到步骤S19。
另一方面，在所选择的全部的物体对中任一个将偏置误差值设定为无效值时(S18：是)，控制部10使处理前进到步骤S23。
在步骤S18中，控制部10将在所选择的全部的物体对中偏置误差值为最小的值的选择物体对决定为同一物体。接着，控制部10使处理前进到步骤S20。
另一方面，在步骤S23中，控制部10决定为在所选择的全部的物体对中无同一物体。即，控制部10决定为在第1传感器100及第2传感器200的观测数据中不存在同一物体，结束偏置误差校正处理。
在步骤S20中，控制部10的校正部10c针对被判定为同一物体的选择物体对，使用偏置误差值来进行观测数据的校正处理。校正处理例如可以设为从第1传感器100的观测数据中减去偏置误差值，以使得消除传感器间的检测误差即偏置误差。在步骤S20的校正处理结束之后，控制部10结束偏置误差校正处理。
针对以上说明的步骤S15的判定以及步骤S19的决定进行补充说明。
在偏置误差校正处理的流程中，当在第1传感器100及第2传感器200的观测数据中仅有各1个所检测到的物体时，选择物体对的组合仅有1个。然后，在该选择物体对在步骤S15中被判定为同一物体时，处理唯一地以步骤S16、步骤S17：是、步骤S18：否的顺序前进，在步骤S19中，选择物体对被决定作为同一物体。
另一方面，当在第1传感器100及第2传感器200的观测数据中存在有多个所检测到的物体时，选择物体对的组合也有多个。因此，即使当最开始所选择的选择物体对在步骤S15中被判定为同一物体时，也可能存在其他具有更小的偏置误差的选择物体对。因此，控制部10重复执行从步骤S12到步骤S17为止的处理，直到所有物体对的偏置误差值的计算结束为止。然后，控制部10在步骤S19中将偏置误差值为最小的选择物体对决定作为同一物体。
如以上说明的那样，根据本实施方式1所涉及的障碍物识别装置，通过将所计算出的物理量的差分值设为判定指标值，来判定所选择的物体对是否为同一物体，从而可正确进行物体的识别。
实施方式2
接着，使用图5及图6来说明本发明的实施方式2所涉及的障碍物识别装置1的控制处理的流程。
在实施方式2与实施方式1中，用于判定选择物体对是否为同一物体的指标值的结构不同。因为实施方式2的障碍物识别装置1的结构与实施方式1的图1中所示的框图相同，因而省略说明。
在实施方式1的偏置误差校正处理中，基于第1传感器100及第2传感器200的观测数据，来计算选择物体对的物理量的差分值。于是，对使用计算出的物理量的差分值来判定选择物体对是否为同一物体的示例进行说明。与此相对地，在实施方式2中，利用多项式来对选择物体对的移动轨迹进行近似，并计算经近似而得到的多项式的系数的差分值，来判定选择物体对是否为同一物体。
图5是表示本发明的实施方式2所涉及的障碍物识别装置1的处理的流程的流程图。对于与实施方式1相同的部分标注同一标号，省略说明。
图5的步骤S10中的最旧的观测数据的删除以及步骤S11中的最新的观测数据的添加处理与在实施方式1中所说明的图3相同，因而省略说明。
接着，在步骤S30中，控制部10进行下述处理，即：使用本车数据来将第1传感器100以及第2传感器200的观测数据转换为对地坐标系。以下，将如此转换为对地坐标系后的观测数据称为“坐标转换数据”。坐标转换数据被保存到存储部10d。
接着，在步骤S31中，控制部10的计算部10a使用坐标转换数据来计算第1传感器100以及第2传感器200所检测到的物体的移动轨迹。
图6是说明本发明的实施方式2所涉及的检测物体的移动轨迹的计算方法的图。在图6中，示出了在各时刻第1传感器100所检测到的物体和第2传感器200所检测到的物体的坐标转换数据。在图6中，检测到物体的7个时刻的坐标转换数据被绘制在对地坐标系xy上。
物体的移动轨迹可以利用多项式y＝C0+C1*X+C2*X^2+C3*X^3来近似。如图6所示那样，第1传感器100所检测到的物体的移动轨迹为多项式ysns1＝C0sns1+C1sns1*X+C2sns1*X^2+C3sns1*X^3。同样，第2传感器200所检测到的物体的移动轨迹为多项式ysns2＝C0sns2+C1sns2*X+C2sns2*X^2+C3sns2*X^3。
计算部10a使用坐标转换数据，通过计算对移动轨迹进行近似的多项式y＝C0+C1*X+C2*X^2+C3*X^3的系数C0、C1、C2、C3，来计算移动轨迹。
具体地，计算部10a计算第1传感器100所检测到的物体的多项式ysns1＝C0sns1+C1sns1*X+C2sns1*X^2+C3sns1*X^3的系数C0sns1、C1sns1、C2sns1、C3sns1。同样，计算部10a计算第2传感器200所检测到的物体的多项式ysns2＝C0sns2+C1sns2*X+C2sns2*X^2+C3sns2*X^3的系数C0sns2、C1sns2、C2sns2、C3sns2。
接着，在步骤S32中，控制部10从保存于存储部10d的第1传感器100及第2传感器200的坐标转换数据中的多个物体中，针对第1传感器100及第2传感器200分别各选择一个物体，设定选择物体对。
接着，在步骤S33中，控制部10的计算部10a计算上述多项式的系数的差分值的绝对值，以为了对选择物体对的移动轨迹进行比较。
这里，将系数C0、C1、C2、C3的差分值的绝对值分别设为ΔC0、ΔC1、ΔC2、ΔC3。在图6所示的2个移动轨迹的情况下，计算部10a计算C0＝abs(C0sns1-C0sns2)、ΔC1＝abs(C1sns1-C1sns2)、ΔC2＝abs(C2sns1-C2sns2)、ΔC3＝abs(C3sns1-C3sns2)。
接着，在步骤S34中，控制部10的判定部10b基于预先设定的条件(2)，来对选择物体对是否为同一物体进行判定。选择物体对的移动轨迹的近似度越高，则选择物体对为同一物体的可能性就越高。因此，例如可如以下那样执行基于条件(2)的判定。
首先，控制部10针对系数差分值的绝对值ΔC0、ΔC1、ΔC2、ΔC3，来设定预先与各个系数差分值的绝对值对应的阈值。然后，在步骤S34中，控制部10的判定部10b在ΔC0、ΔC1、ΔC2、ΔC3全部都比分别预先设定的阈值要小时(S34：是)，判定为选择物体对为同一物体(步骤S15)。
另一方面，在步骤S34中，控制部10的判定部10b在ΔC0、ΔC1、ΔC2、ΔC3中的任1个在预先设定的阈值以上时(S34：否)，判定为选择物体对不为同一物体(使处理前进至步骤S21)。
紧接着步骤S34的步骤S15及步骤S21之后的处理由于与实施方式1中所说明的图3相同，因而省略说明。
如以上说明的那样，根据本实施方式2所涉及的障碍物识别装置，通过将对地坐标系中的选择物体对的移动轨迹的近似度设为判定指标值、并判定所选择的物体对是否为同一物体，从而可正确进行物体的识别。
实施方式3
接着，使用图7及图8A～图8C来说明本发明的实施方式3所涉及的障碍物识别装置1的控制处理的流程。
在实施方式3与实施方式1和2中，用于判定选择物体对是否为同一物体的计算值的结构不同。因为实施方式3的障碍物识别装置1的结构与实施方式1的图1中所示的框图相同，因而省略说明。
在实施方式1的偏置误差校正处理中，对计算选择物体对的物理量的差分值来判定选择物体对是否为同一物体的示例进行说明。此外，在实施方式2中，对分别利用多项式来对选择物体对的移动轨迹进行近似、并计算经近似而得到的多项式的系数的差分值、来判定选择物体对是否为同一物体的示例进行说明。
与此相对地，在实施方式3中，基于选择物体对的对地坐标位置的时间序列数据来计算相关系数，且基于所计算出的相关系数，来判定选择物体对是否为同一物体。
接着，使用图7及图8A～图8C，来对实施方式3所涉及的障碍物识别装置1的偏置误差校正处理的详细情况进行说明。
图7是表示本发明的实施方式3所涉及的障碍物识别装置1的处理的流程的流程图。此外，图8A是本发明的实施方式3所涉及的障碍物识别装置1的误差校正处理的说明图，图8B是纵位置相关系数的说明图，图8C是横位置相关系数的说明图。存在对于与实施方式1或者实施方式2相同的部分标注同一标号，从而省略说明的情况。
图7的步骤S10的最旧的观测数据的删除以及步骤S11的最新的观测数据的添加处理与实施方式1中所说明的图3相同，因而省略说明。
接着，与实施方式2相同，在步骤S30中，控制部10使用本车数据来进行将第1传感器100以及第2传感器200的观测数据转换为对地坐标系的处理。
接着，与实施方式2相同，在步骤S32中，控制部10基于保存于存储部10d的坐标转换数据，来从第1传感器100及第2传感器200分别获取到的多个物体中，针对第1传感器100及第2传感器200分别各选择一个物体。选择所选择的物体的坐标转换数据的对。
接着，在步骤S40中，控制部10的计算部10a使用坐标转换数据来计算选择物体对的相关系数。
图8A～图8C是对本发明的实施方式3所涉及的选择物体对的相关系数r的计算方法进行说明的图。
在图8A中，与对地坐标系xy相对应地，将时刻t1～tn的物体的纵方向位置设为posX，将横方向位置设为posY。然后，图8A的各绘制示出了在时刻t1～tn，第1传感器100所检测到的物体的坐标转换数据X1_sns1～Xn_sns1以及第2传感器200所检测到的物体的坐标转换数据X1_sns2～Xn_sns2。
即，图8A所示的X1_sns1～Xn_sns1为第1传感器100所检测到的物体的时刻t1～tn的纵方向位置(PosXsns1)。同样，X1_sns2～Xn_sns2为第2传感器200所检测到的物体的时刻t1～tn的纵方向位置(PosXsns2)。
此外，未图示的Y1_sns1～Yn_sns1为第1传感器100所检测到的物体的时刻t1～tn的横方向位置(PosYsns1)。同样，未图示的Y1_sns2～Yn_sns2为第2传感器200所检测到的物体的时刻t1～tn的纵方向位置(PosYsns2)。
在步骤S40中，控制部10的计算部10a针对选择物体对，计算在时刻t1～tn的纵方向位置PosXsns1及PosXsns2以及横方向位置PosYsns1及PosYsns2。
接着，计算部10a计算纵方向位置(PosXsns1,PosXsns2)的相关系数rposX以及横方向位置(PosYsns1,PosYsns2)的相关系数rposY。
图8B是对纵方向位置(PosXsns1,PosXsns2)的相关系数rposX的计算方法的示例进行说明的图。图8B的横轴为第2传感器200所检测到的物体的纵方向位置(PosXsns2)，图8B的纵轴为第1传感器100所检测到的物体的纵方向位置(PoxXsns1)。
如图8B所示，计算将表示时刻t1～tn的纵方向位置的PosXsns1_ti和PosXsns2_ti(i＝1、2、···n)的2组数据串{(PosXsns1_ti、PosXsns2_ti)}设为变量时的相关系数rposX。
图8C是对横方向位置(PosXsns1,PosXsns2)的相关系数rposY的计算方法的示例进行说明的图。图8C的横轴为第2传感器200所检测到的物体的横方向位置(PosYsns2)，图8C的纵轴为第1传感器100所检测到的物体的横方向位置(PoxYsns1)。
如图8C所示，计算部10a计算将表示时刻t1～tn的横方向位置的PosYsns1_ti和PosYsns2_ti(i＝1、2、···n)的2组数据串{(PosYsns1_ti、PosYsns2_ti)}设为变量时的相关系数rposY。
接着，在步骤S41中，控制部10的判定部10b基于预先设定的条件(3)，来对选择物体对是否为同一物体进行判定。上述那样地计算出的相关系数越大，则选择物体对为同一物体的可能性越高。因此，例如可如以下那样执行基于条件(3)的判定。
首先，控制部10针对相关系数rposX和rposY设定预先与各个相关系数对应的阈值。在步骤S41中，控制部10的判定部10b在相关系数rposX及rposY两方都在分别预先设定的阈值以上时(S41：是)，判定为选择物体对为同一物体。然后，控制部10使处理前进到步骤S15。
另一方面，在步骤S41中，控制部10的判定部10b在相关系数rposX及rposY中的任1个比预先设定的阈值要小时(S41：否)，判定为选择物体对不为同一物体。然后，控制部10使处理前进到步骤S21。
紧接着步骤S41的步骤S15及步骤S21之后的处理由于与实施方式1中所说明的图3相同，因而省略说明。
如以上说明的那样，根据本实施方式3所涉及的障碍物识别装置，通过将使用选择物体对的对地坐标位置的时间序列数据所计算出的相关系数设为判定指标值、来判定所选择的物体对是否为同一物体，从而可正确进行物体的识别。
实施方式4
接着，使用图9～图12来说明本发明的实施方式4所涉及的障碍物识别装置2。
在实施方式1～3的偏置误差校正处理中，对基于第1传感器100及第2传感器200的观测数据来判定选择物体对是否为同一物体的示例进行说明。
与此相对地，实施方式4所涉及的障碍物识别装置2除了实施方式1～3所涉及的障碍物识别装置1的结构，还包括预测处理部。在实施方式4中，对基于第1传感器100或第2传感器200的观测数据以及由预测处理部计算出的预测数据来判定选择物体对是否为同一物体的示例进行说明。另外，在以下说明中，存在对于与实施方式1～3相同的部分标注同一标号，从而省略说明的情况。
此外，在以下说明中，虽然对使用第1传感器100的观测数据以及预测数据的情况进行了说明，但也可使用第2传感器200的观测数据来取代第1传感器100的观测数据。
图9是表示本发明的实施方式4所涉及的障碍物识别装置2的结构的框图。本实施方式4所涉及的障碍物识别装置2除了图1所示的实施方式1～3所涉及的障碍物识别装置1的结构，还包括预测部10e。
接着，使用图10的流程图，来说明实施方式4所涉及的障碍物识别装置2的处理的流程。
与图2所示的实施方式1的流程图不同，在图10所示的实施方式4的流程图中，最开始执行预测处理(步骤S500)。
具体地，预测部10e进行下述预测处理，即：基于在前一周期的更新处理(步骤S400)被更新的物体信息即航迹数据，计算当前时刻的物体的航迹的状态的预测数据(步骤S500)。这里，所谓物体的航迹的状态，是指检测到的物体的位置、数据、加速度、属性信息等。
计算出的预测数据从预测部10e被发送至存储部10d。存储部10d生成将预测数据依时间序列顺序存储而得到的预测数据履历并且保存。
接着，数据接收部12进行检测数据获取处理(步骤S100)。关于检测数据获取处理，与实施方式1～3的步骤S100相同。另外，如以下所说明那样，在将第1传感器100的观测数据用于偏置误差校正处理时，无需获取第2传感器200的观测数据。
接着，控制部10进行偏置误差校正处理(步骤S200)。在偏置误差校正处理中，首先，控制部10的计算部10a基于从数据接收部12输出的观测数据以及从预测部10e输出的预测数据，来计算由第1传感器100检测到的物体以及预测数据中的物体的物理量的差分值。
接着，控制部10的判定部10b基于预先设定的条件，来进行根据第1传感器100的观测数据和预测数据所选择的物体对是否为同一物体的判定。当物体对被判定为同一物体时，控制部10对所选择的物体对的第1传感器100的观测数据与预测数据间的误差(以下，与实施方式1～3相同，称为偏置误差)进行设定或计算。
接着，控制部10的校正部10c使用偏置误差值来校正观测数据并结束偏置误差校正处理。校正后观测数据从控制部10被输出到相关处理部13。
接着，相关处理部13进行相关处理(步骤S300)。在相关处理中，相关处理部13使用校正后观测数据，执行将第1传感器100的校正后观测数据与预测数据的对应关联，生成相关数据。相关处理部13将校正后观测数据和相关数据输出到更新处理部14。
接着，更新处理部14进行物理信息的更新处理(步骤S400)。更新处理部14例如通过进行传感器融合，从而利用相关数据对第1传感器100的校正后观测数据以及预测数据的物体信息进行更新。
至此，障碍物识别装置2结束处理。另外，以预先设定的动作周期重复执行图10所示的处理。
接着，使用图11及图12来说明实施方式4所涉及的障碍物识别装置2的偏置误差校正处理的详细情况。
图11是表示本发明的实施方式4所涉及的障碍物识别装置2的偏置误差校正处理的流程的流程图。
实施方式4的偏置误差校正处理与将实施方式1的第2传感器200的观测数据置换为预测数据时的处理相同。因此，在以下说明中，存在对于与实施方式1相同的部分标注同一标号，并且省略说明的情况。
在图11的步骤S50中，障碍物识别装置2的控制部10从保存于存储部10d的观测数据中删除最旧的观测数据。此外，控制部10从保存于存储部10d的预测数据中删除最旧的预测数据。
接着，在步骤S51中，控制部10将在当前周期获取到的最新的观测数据保存于存储部10d的观测数据履历。此外，控制部10将当前周期的预测数据保存至存储部10d的预测数据履历。
接着，在步骤S52中，控制部10从保存于存储部10d的第1传感器100的观测数据中以及预测数据中的多个物体中分别各选择出一个物体，并设定选择物体对。
接着，在步骤S53中，控制部10的计算部10a计算选择物体对间的第1传感器100的观测数据与预测数据的物理量的差分值来作为误差值ΔX。另外，步骤S53的处理是将实施方式1的步骤S13的第2传感器200的观测数据变更为预测数据的处理。使用图11说明ΔX的计算方法。
图12是说明本发明的实施方式4所涉及的观测数据与预测数据间的误差ΔX的计算方法的图。
这里，在选择物体对中，将由第1传感器100检测到的物体设为物体ID＝idsns1。将物体ID＝idsns1的时刻k的观测数据设为Xksns1。同样，在选择对中，将预测数据中的物体设为物体ID＝idsred。将物体ID＝idsred的时刻k的观测数据设为Xksred。
时刻k的观测数据与预测数据间误差ΔXk可以设为Xksns1与Xksred之间的差分值的绝对值。在图10的步骤S53中，如图11所示，控制部10的计算部10a计算与时刻t1～tn对应的误差ΔX1～ΔXn。
返回图11，控制部10使处理前进到步骤S54。在步骤S54中，控制部10的判定部10b基于预先设定的条件(1)’来对在步骤S52中所设定的选择物体对是否为同一物体进行判定。
由此，例如可如以下那样执行基于条件(1)’的判定。
在步骤S54中，控制部10的判定部10b在误差ΔX1～ΔXn的偏差的范围比预先设定的阈值要小时(S54：是)，判定为选择物体对为同一物体(步骤S15)。
另一方面，在步骤S54中，控制部10的判定部10b在传感器间误差ΔX1～ΔXn的偏差的范围在预先设定的阈值以上时(S54：否)，判定为选择物体对不为同一物体(步骤S21)。偏差的范围可使用从ΔX1～ΔXn的最大值中减去最小值而得到的值、ΔX1～ΔXn的平均值、ΔX1～ΔXn的中央值等。
紧接着步骤S15，控制部10使处理前进到步骤S16。
在步骤S16中，控制部10设定选择物体对的偏置误差值。对于偏置误差值，例如可使用与时刻t1～tn对应的观测数据的传感器间误差ΔX1～ΔXn中最新的ΔXn作为偏置误差值。此外，也可使用ΔX1～ΔXn的平均值、中央值等作为偏置误差值。
另一方面，紧接着步骤S21，控制部10使处理前进到步骤S22。
在步骤S22中，控制部10将选择物体对的偏置误差值设定为无效值。
紧接着步骤S16或者步骤S22，控制部10使处理前进到步骤S57。
在步骤S57中，控制部10在针对第1传感器100的观测数据中以及预测数据中的物体完成选择全部的物体对时(S57：是)，前进到步骤S18。
另一方面，控制部10在未完成选择全部的物体对时(S57：否)，返回至步骤S52，重新设定选择物体对。
在步骤S18中，控制部10的判定部10b针对所选择的全部的物体对，判定在步骤S16中所设定的偏置误差值是否为无效值。在所选择的全部的物体对中偏置误差值不为无效值时(S18：否)，控制部10使处理前进到步骤S19。另一方面，在所选择的全部的物体对中偏置误差值不为无效值时(S18：是)，控制部10使处理前进到步骤S23。
在步骤S18中，控制部10将在所选择的全部的物体对中偏置误差值为最小的值的选择物体对决定为同一物体。接着，控制部10使处理前进到步骤S20。
在步骤S23中，控制部10决定为在所选择的全部的物体对中无同一物体，并且结束偏置误差校正处理。
在步骤S20中，控制部10的校正部10c针对被判定为同一物体的选择物体对，使用偏置误差值来进行第1传感器100的观测数据的校正处理。校正处理例如可以设为从第1传感器100的观测数据中减去偏置误差值，以使得消除偏置误差。在步骤S20的校正处理结束之后，控制部10结束偏置误差校正处理。
另外，在以上所说明的偏置误差校正处理中，对于观测数据，可以仅使用第1传感器100或者第2传感器200中的任一方。因此，在障碍物识别装置2中，可省略第1传感器100或第2传感器200中的任1个。此外，也可设定为仅优先选择并使用第1传感器100或第2传感器200中的任一方。
如以上说明的那样，根据本实施方式4所涉及的障碍物识别装置，在偏置误差校正处理中，根据第1传感器100或第2传感器200的观测数据、和由预测处理部计算出的预测数据来计算物理量。接着，通过将所计算出的物理量的差分值设为判定指标值、来判定所选择的物体对是否为同一物体，从而可正确进行物体的识别。
实施方式5.
接着，使用图13及图14来说明本发明的实施方式5所涉及的障碍物识别装置2。
在实施方式5和实施方式4中，用于判定选择物体对是否为同一物体的指标值的结构不同。因为实施方式6的障碍物识别装置2的结构与实施方式4的图9中所示的框图相同，因而省略说明。
在实施方式4的偏置误差校正处理中，基于第1传感器100或第2传感器200的观测数据、和由预测处理部计算出的预测数据，来计算选择物体对的物理量的差分值。然后，对使用计算出的物理量的差分值来判定选择物体对是否为同一物体的示例进行说明。
与此相对地，在实施方式5中，对在与实施方式4相同地使用预测数据的结构中、利用多项式来对选择物体对的移动轨迹进行近似、并计算经近似而得到的多项式的系数的差分值、来判定选择物体对是否为同一物体的示例进行说明。
即，实施方式5的偏置误差校正处理与将实施方式2的第1传感器100的观测数据或者第2传感器200的观测数据中的任一方置换为预测数据时的处理相同。因此，在以下说明中，存在对于与实施方式1～4相同的部分标注同一标号，并且省略说明的情况。
另外，在以下说明中，虽然对使用第1传感器100的观测数据以及预测数据的情况进行了说明，但也可使用第2传感器200的观测数据来取代第1传感器100的观测数据。
接着，使用图13及图14来说明实施方式5所涉及的障碍物识别装置2的偏置误差校正处理的详细情况。
图13是表示本发明的实施方式5所涉及的障碍物识别装置2的偏置误差校正处理的流程的流程图。
在图13的步骤S50中，障碍物识别装置2的控制部10从保存于存储部10d的观测数据中删除最旧的观测数据。此外，控制部10从保存于存储部10d的预测数据中删除最旧的预测数据。
接着，在步骤S51中，控制部10将在当前周期获取到的最新的观测数据保存于存储部10d的观测数据履历。此外，控制部10将当前周期的预测数据保存至存储部10d的预测数据履历。
接着，在步骤S60中，控制部10使用本车数据来进行将第1传感器100的观测数据以及预测数据转换为对地坐标系的处理。坐标转换数据被保存到存储部10d。
接着，在步骤S61中，控制部10的计算部10a使用坐标转换数据来计算第1传感器100的观测数据中以及预测数据中的物体的移动轨迹。对移动轨迹进行近似的多项式与实施方式2相同。
图14是对本发明的实施方式5所涉及的检测物体的移动轨迹的计算方法进行说明的图。在图14中，实施方式2的图6的第2传感器200所检测到的物体的坐标转换数据被置换为预测数据中的物体的坐标转换数据。
计算部10a计算第1传感器100所检测到的物体的移动轨迹的多项式ysns1＝C0sns1+C1sns1*X+C2sns1*X^2+C3sns1*X^3的系数C0sns1、C1sns1、C2sns1、C3sns1。同样，计算部10a计算预测数据的物体的移动轨迹的多项式ypred＝C0pred+C1pred*X+C2pred*X^2+C3pred*X^3的系数C0pred、C1pred、C2pred、C3pred。
接着，在步骤S62中，控制部10从保存于存储部10d的第1传感器100的观测数据中以及预测数据中的多个物体中分别选择各一个物体，设定选择物体对。
接着，在步骤S63中，控制部10的计算部10a计算对选择物体对间的移动轨迹进行近似的多项式的系数的差分值的绝对值ΔC0、ΔC1、ΔC2、ΔC3。在图14所示的2个移动轨迹的情况下，计算ΔC0＝abs(C0sns1-C0pred)、ΔC1＝abs(C1sns1-C1pred)、ΔC2＝abs(C2sns1-C2pred)、ΔC3＝abs(C3sns1-C3pred)。
接着，在步骤S64中，控制部10的判定部10b基于预先设定的条件(2)’来对选择物体对是否为同一物体进行判定。由此，例如可如以下那样执行基于条件(2)’的判定。
首先，控制部10针对系数差分值的绝对值ΔC0、ΔC1、ΔC2、ΔC3，来设定预先与各个系数差分值的绝对值对应的阈值。然后，在步骤S64中，当ΔC0、ΔC1、ΔC2、ΔC3全部都比分别预先设定的阈值要小时(S64：是)，控制部10的判定部10b使处理前进至判定为选择物体对为同一物体(步骤S15)。
另一方面，在步骤S64中，控制部10的判定部10b在ΔC0、ΔC1、ΔC2、ΔC3中的任1个在预先设定的阈值以上时(S64：否)，判定为选择物体对不为同一物体(步骤S21)。
由于紧接着步骤S64的步骤S15及步骤S21之后的处理与实施方式4中所说明的图11相同，因而省略说明。
如以上说明的那样，根据本实施方式5所涉及的障碍物识别装置，根据第1传感器100或第2传感器200的观测数据、以及由预测处理部计算出的预测数据来计算对地坐标系中的选择物体对的移动轨迹。接着，通过将所计算出的选择物体对的移动轨迹的近似度设为判定指标值、并判定所选择的物体对是否为同一物体，从而可正确进行物体的识别。
实施方式6.
接着，使用图15及图16A～图16C来说明本发明的实施方式6所涉及的障碍物识别装置2。
在实施方式6和实施方式4及5中，用于判定选择物体对是否为同一物体的指标值的结构不同。因为实施方式6的障碍物识别装置2的结构与实施方式4的图9中所示的框图相同，因而省略说明。
在实施方式4的偏置误差校正处理中，基于第1传感器100或第2传感器200的观测数据、和由预测处理部计算出的预测数据，来计算选择物体对的物理量的差分值。然后，对使用计算出的物理量的差分值来判定选择物体对是否为同一物体的示例进行说明。此外，在实施方式5中，对在与实施方式4相同地使用预测数据的结构中、分别利用多项式来对选择物体对的移动轨迹进行近似、并计算经近似而得到的多项式的系数的差分值、来判定选择物体对是否为同一物体的示例进行说明。
与此相对地，在实施方式6中，在与实施方式4相同地使用预测数据的结构中，基于选择物体对的对地坐标位置的时间序列数据，来计算相关系数，并且基于所计算出的相关系数、来判定选择物体对是否为同一物体。
即，实施方式6的偏置误差校正处理与将实施方式3的第1传感器100的观测数据或者第2传感器200的观测数据中的任一方置换为预测数据时的处理相同。因此，在以下说明中，存在对于与实施方式1～5相同的部分标注同一标号，并且省略说明的情况。
另外，在以下说明中，虽然对使用第1传感器100的观测数据以及预测数据的情况进行了说明，但也可使用第2传感器200的观测数据来取代第1传感器100的观测数据。
接着，使用图15及图16A～图16C来说明实施方式6所涉及的障碍物识别装置2的偏置误差校正处理的详细情况。
图15是表示本发明的实施方式6所涉及的障碍物识别装置2的处理的流程的流程图。图16A是本发明的实施方式6所涉及的障碍物识别装置2的误差校正处理的说明图，图16B是纵位置相关系数的说明图，图16C是横位置相关系数的说明图。
图15的步骤S50的最旧的观测数据和最旧的预测数据的删除以及步骤S51的最新的观测数据和最新的预测数据的添加处理与实施方式5中所说明的图13相同，因而省略说明。
接着，与实施方式5相同地，在步骤S60中，控制部10使用本车数据来进行将第1传感器100的观测数据以及预测数据转换为对地坐标系的处理。
接着，与实施方式4相同地，在步骤S52中，控制部10从保存于存储部10d的第1传感器100的观测数据中以及预测数据中的多个物体中分别各选择一个物体，设定选择物体对。
接着，与实施方式3相同地，在步骤S40中，控制部10的计算部10a使用坐标转换数据来计算选择物体对的相关系数。
图16A～图16C是说明本发明的实施方式6所涉及的选择物体对的相关系数r的计算方法的图。
图16A所示的X1_sns1～Xn_sns1为第1传感器100所检测到的物体在时刻t1～tn的纵方向位置(PosXsns1)。同样，X1_pred～Xn_pred为预测数据在时刻t1～tn的纵方向位置(PosXpred)。
此外，未图示的Y1_sns1～Yn_sns1为第1传感器100所检测到的物体在时刻t1～tn的横方向位置(PosYsns1)。同样，未图示的Y1_pred～Yn_pred为预测数据在时刻t1～tn的纵方向位置(PosYpred)。
在步骤S70中，控制部10的计算部10a针对选择物体对，计算在时刻t1～tn的纵方向位置PosXsns1及PosXpred以及横方向位置PosYsns1及PosYpred。
接着，计算部10a计算纵方向位置(PosXsns1,PosXpred)的相关系数rposX以及横方向位置(PosYsns1,PosYpred)的相关系数rposY。
图16B是对纵方向位置(PosXsns1,PosXpred)的相关系数rposX的计算方法的示例进行说明的图。
如图16B所示，计算部10a计算将表示时刻t1～tn的纵方向位置的PosXsns1_ti和PosXpred_ti(i＝1、2、···n)的2组数据串{(PosXsns1_ti、PosXpred_ti)}设为变量时的相关系数rposX。
图16C是对横方向位置(PosXsns1,PosXpred)的相关系数rposY的计算方法的示例进行说明的图。
如图16C所示，计算部10a计算将表示时刻t1～tn的横方向位置的PosYsns1_ti和PosYpred_ti(i＝1、2、···n)的2组数据串{(PosYsns1_ti、PosYpred_ti)}设为变量时的相关系数rposY。
接着，在步骤S71中，控制部10的判定部10b基于预先设定的条件(3)’来对选择物体对是否为同一物体进行判定。由此，例如可如以下那样执行基于条件(3)’的判定。
首先，控制部10针对相关系数rposX和rposY设定预先与各个相关系数对应的阈值。在步骤S41中，控制部10的判定部10b在相关系数rposX及rposY两方都在分别预先设定的阈值以上时(S71：是)，判定为选择物体对为同一物体。然后，控制部10使处理前进到步骤S15。
另一方面，在步骤S71中，控制部10的判定部10b在相关系数rposX及rposY中的任1个比预先设定的阈值要小时(S71：否)，判定为选择物体对不为同一物体。然后，控制部10使处理前进到步骤S21。
由于紧接着步骤S71的步骤S15及步骤S21之后的处理与实施方式4中所说明的图9相同，因而省略说明。
如以上说明的那样，根据本实施方式6所涉及的障碍物识别装置，在偏置误差校正处理中，根据第1传感器100或第2传感器200的观测数据、以及由预测处理部计算出的预测数据来计算对地坐标系中的选择物体对的位置的相关系数。接着，通过将所计算出的相关系数设为判定指标值、并且判定所选择的物体对是否为同一物体，从而可正确进行物体的识别。
实施方式7.
实施方式7具备在实施方式1～6中所说明的障碍物识别装置1和障碍物识别装置2中相对于检测数据的检测时刻来进行基于传感器的延迟时间的校正的结构。以下，将在检测数据中对检测时刻进行基于传感器的延迟时间的校正的处理称为检测时刻的校正处理。
在传感器中，存在与传感器的种类等相对应的延迟时间。所谓传感器的延迟时间，例如是指从检测物体进入传感器的检测区域内到执行传感器的输出为止的时间，也称为传感器的响应时间。因此，在不考虑传感器的延迟时间的情况下，在检测数据中有可能会产生时间偏差。
以下，对本发明的实施方式7所涉及的检测时刻的校正处理进行说明。
首先，说明执行检测时刻的校正处理的定时。
如在实施方式1的图2(障碍物识别装置1)和实施方式4的图10(障碍物识别装置2)中所说明的那样，在检测数据获取处理(步骤S100)中，数据接收部12从传感器获取检测数据。接着，数据接收部12将获取到的检测数据与由时刻测量部11测量到的时刻相关联来生成观测数据。
这里，在传感器中无延迟时间时，可由时刻测量部11来测量数据接收部12从传感器接收到检测数据的时刻，并直接应用该数据来作为观测数据。但是，在传感器中存在延迟时间时，数据接收部12从传感器接收的时刻与传感器实际上检测到物体的时刻之间会产生偏差。
即，所谓检测时刻的校正处理，是指校正在观测数据中所包含的时刻信息的处理。因此，检测时刻的校正处理优选设为在从数据接收部12获取到检测数据后到控制部10使用观测数据来执行偏置误差校正处理前为止的期间进行。
作为检测时刻的校正处理执行的定时，可设定为在数据接收部12生成观测数据时执行。
或者，也可设为数据接收部12进行检测数据的获取和输出，控制部10的计算部10a进行检测时刻的校正处理。在该情况下，可设为数据接收部12将检测数据输出至控制部10，接着控制部10的计算部10a进行检测时刻的校正处理。
在以下的说明中，对控制部10的计算部10a进行检测时刻的校正处理的情况进行说明。
接着，说明检测时刻的校正处理的内容的详细情况。
在障碍物识别装置1中，在第1传感器100和第2传感器200的延迟时间为已知的情况下，控制部10的计算部10a通过将已知的延迟时间分别加上第1传感器100和第2传感器200的检测数据，从而进行检测时刻的校正处理。
接着，使用图17A和图17B来对在障碍物识别装置1中使用了第1传感器100及第2传感器200的观测数据的检测时间的校正方法进行说明。
图17A示出第1传感器100和第2传感器200的时间序列的观测数据。此外，图17B示出检测时间的校正量(以下，称为偏移时间)与时间序列数据的相关系数r的关系。控制部10基于图17B所示的偏移时间与相关系数r的关系来推定延迟时间。
首先，控制部10根据第1传感器100及第2传感器200的时间序列的观测数据，来计算时间序列数据的相关系数r0。
接着，如图17A所示，控制部10使第1传感器100的时间序列的观测数据向时刻增加的方向偏移与1个周期的量相当的偏移时间Δt。接着，控制部10根据偏移Δt后的第1传感器100的时间序列的观测数据和第2传感器200的时间序列的观测数据，来计算时间序列数据的相关系数r(Δt)。
接着，如图17A所示，控制部10使第1传感器100的时间序列的观测数据向时刻增加的方向偏移与2个周期的量相当的偏移时间2*Δt。接着，控制部10根据偏移2*Δt后的第1传感器100的时间序列的观测数据和第2传感器200的时间序列的观测数据，来计算时间序列数据的相关系数r(2*Δt)。
同样，控制部10使第1传感器100的时间序列的观测数据偏移3*Δt、4*Δt、5*Δt、-1*Δt、-2*Δt，来分别计算相关系数。
图17B为将偏移时间设为横轴、将上述那样计算出的时间序列数据的相关系数r进行绘制而得到的图。在图17B的示例中，时间序列数据的相关系数r在偏移时间为2*Δt时最大。
控制部10将时间序列数据的相关系数r为最大的偏移时间(图17A中为2*Δt)设定作为延迟时间的推定値。接着，控制部10的计算部10a使用所设定的延迟时间的推定値来校正第1传感器100的时间序列的观测数据。
在检测时间校正处理结束后，控制部10使用该检测时间校正后的观测数据来执行实施方式1～3中说明的偏置误差校正处理。在偏置误差校正处理中，计算部10a使用检测时间校正后的观测数据来计算指标值。
另外，相关系数r的计算及延迟时间的推定也可由设置于障碍物识别装置内部的推定部来进行，而不是由控制部10来进行。
在以上的说明中，作为添加到在实施方式1～3(障碍物识别装置1)中所说明的处理中的处理，对使用第1传感器100及第2传感器200的时间序列的观测数据，来进行检测时刻的校正处理的情况进行了说明。在以上说明的检测时刻的校正处理也可添加到实施方式4～6(障碍物识别装置2)中所说明的处理。
在障碍物识别装置2中，在第1传感器100或第2传感器200中的至少任一方的延迟时间为已知的情况下，计算部10a通过将已知的延迟时间加上第1传感器100或第2传感器200的检测数据，从而进行检测时刻的校正处理。
此外，在障碍物识别装置2中，使用第1传感器100或者第2传感器200的观测数据和预测数据来进行检测时间的校正的情况下，在使用了以上的图17A及图17B的说明中，设为将第2传感器200的时间序列的观测数据置换为时间序列的预测数据的结构即可。然后，在检测时间校正处理结束后，控制部10使用该检测时间校正后的观测数据来执行实施方式4～6中说明的偏置误差校正处理。在偏置误差校正处理中，计算部10a使用检测时间校正后的观测数据来计算指标值。
如以上说明的那样，根据本实施方式7所涉及的障碍物识别装置，能够实现在防止由传感器的延迟时间而引起的物体检测时刻的偏差的状态下，执行偏置误差校正处理。
标号说明
1、2障碍物识别装置、10控制部，11时刻测量部、12数据接收部，13相关处理部、14更新处理部，100第1传感器，200第2传感器，300车辆信息传感器，500显示部。

Claims (15)

1.一种障碍物识别装置，其特征在于，包括；
第1传感器和第2传感器，该第1传感器和第2传感器检测车辆周边的物体；
计算部，该计算部基于由所述第1传感器检测到的与第1物体相关的第1检测数据、和由所述第2传感器检测到的与第2物体相关的第2检测数据，来计算用于对所述第1物体与所述第2物体是否为同一物体进行识别的指标值；
判定部，该判定部通过对所述指标值与预先设定的阈值进行比较，来判定所述第1物体与所述第2物体是否为同一物体；以及
校正部，该校正部在由所述判定部判定为所述第1物体与所述第2物体为同一物体时，基于所述第1检测数据和所述第2检测数据，来计算所述第1传感器与所述第2传感器之间的检测误差，并且生成校正后的检测数据，以消除所述检测误差。
2.如权利要求1所述的障碍物识别装置，其特征在于，
所述第1传感器检测所述第1物体的位置、速度和加速度中的至少任1个物理量以作为所述第1检测数据，
所述第2传感器检测与所述第1传感器相同的物理量，即所述第2物体的位置、速度和加速度中的至少任1个物理量以作为所述第2检测数据，
所述计算部计算所述第1检测数据与所述第2检测数据之间的差分以作为所述指标值。
3.如权利要求1所述的障碍物识别装置，其特征在于，
所述第1传感器检测所述第1物体的位置以作为所述第1检测数据，
所述第2传感器检测所述第2物体的位置以作为所述第2检测数据，
所述计算部计算根据所述第1检测数据的时间序列数据计算出的所述第1物体的移动轨迹、与根据所述第2检测数据的时间序列数据计算出的所述第2物体的移动轨迹之间的近似度，以作为所述指标值。
4.如权利要求3所述的障碍物识别装置，其特征在于，
所述计算部将所述第1物体的移动轨迹近似为第1多项式，将所述第2物体的移动轨迹近似为第2多项式，并且计算所述第1多项式和所述第2多项式中对应的项的系数彼此间的差分的绝对值，以作为所述近似度。
5.如权利要求1所述的障碍物识别装置，其特征在于，
所述第1传感器检测所述第1物体的位置以作为所述第1检测数据，
所述第2传感器检测所述第2物体的位置以作为所述第2检测数据，
所述计算部计算所述第1检测数据的时间序列数据与所述第2检测数据的时间序列数据间的相关系数以作为所述指标值。
6.如权利要求1至5中任一项所述的障碍物识别装置，其特征在于，
进一步包括存储部，所述存储部在将第1时间比第2时间要长的情况下的时间差规定为延迟时间时，将所述延迟时间存储为已知的数据，其中，所述第1时间是从所述第1传感器检测到所述第1物体起到输出所述第1检测数据为止所需的时间，所述第2时间是从所述第2传感器检测到所述第2物体起到输出所述第2检测数据为止所需的时间，
所述计算部通过设为在使获取到由所述第1传感器检测到的所述第1检测数据的时刻延迟所述延迟时间而得到的时刻接收所述第1检测数据，来执行延迟处理，并基于执行所述延迟处理后的所述第1检测数据和不执行所述延迟处理的所述第2检测数据，来计算所述指标值。
7.如权利要求1至5中任一项所述的障碍物识别装置，其特征在于，
进一步包括推定部，所述推定部在将第1时间比第2时间要长的情况下的时间差规定为延迟时间时，在所述延迟时间不是已知的数据的情况下，基于所述第1检测数据的时间序列数据与所述第2检测数据的时间序列数据来推定所述延迟时间，其中，所述第1时间是从所述第1传感器检测到所述第1物体起到输出所述第1检测数据为止所需的时间，所述第2时间是从所述第2传感器检测到所述第2物体起到输出所述第2检测数据为止所需的时间，
所述计算部通过设为在使获取到由所述第1传感器检测到的所述第1检测数据的时刻延迟所述延迟时间而得到的时刻接收所述第1检测数据，来执行延迟处理，并基于执行所述延迟处理后的所述第1检测数据和不执行所述延迟处理的所述第2检测数据，来计算所述指标值。
8.如权利要求7所述的障碍物识别装置，其特征在于，
所述推定部使所述第1检测数据的时间序列数据依次进行时间偏移，计算与所述第2检测数据的时间序列数据的相关系数，将相关系数最大的时间偏移量推定为所述延迟时间。
9.一种障碍物识别装置，其特征在于，包括：
第1传感器，该第1传感器检测车辆周边的物体；
预测部，该预测部基于由所述第1传感器在过去检测到的检测数据，来预测所述物体的移动，并且生成当前时刻的预测值以作为与第3物体相关的第3检测数据；
计算部，该计算部基于由所述第1传感器检测到的与第1物体相关的第1检测数据、和由所述预测部生成的与第3物体相关的所述第3检测数据，来计算用于对所述第1物体与所述第3物体是否为同一物体进行识别的指标值；
判定部，该判定部通过对所述指标值与预先设定的阈值进行比较，来判定所述第1物体与所述第3物体是否为同一物体；以及
校正部，该校正部在由所述判定部判定为所述第1物体与所述第3物体为同一物体时，基于所述第1检测数据和所述第3检测数据，来计算由所述第1传感器得到的检测结果与由所述预测部得到的生成结果之间的偏置误差，并且生成校正后的检测数据，以消除所述偏置误差。
10.如权利要求9所述的障碍物识别装置，其特征在于，
所述第1传感器检测所述第1物体的位置、速度和加速度中的至少任1个物理量以作为所述第1检测数据，
所述预测部预测与所述第1传感器相同的物理量，即所述第3物体的位置、速度和加速度中的至少任1个物理量以作为所述第3检测数据，
所述计算部计算所述第1检测数据与所述第3检测数据之间的差分以作为所述指标值。
11.如权利要求9所述的障碍物识别装置，其特征在于，
所述第1传感器检测所述第1物体的位置以作为所述第1检测数据，
所述预测部检测所述第3物体的位置以作为所述第3检测数据，
所述计算部计算根据所述第1检测数据的时间序列数据而计算出的所述第1物体的移动轨迹、与根据所述第3检测数据的时间序列数据而计算出的所述第3物体的移动轨迹之间的近似度，以作为所述指标值。
12.如权利要求11项所述的障碍物识别装置，其特征在于，
所述计算部将所述第1物体的移动轨迹近似为第1多项式，将所述第3物体的移动轨迹近似为第3多项式，并且计算所述第1多项式和所述第3多项式中对应的项的系数彼此间的差分的绝对值，以作为所述近似度。
13.如权利要求9所述的障碍物识别装置，其特征在于，
所述第1传感器检测所述第1物体的位置以作为所述第1检测数据，
所述预测部预测所述第3物体的位置以作为所述第3检测数据，
所述计算部计算所述第1检测数据的时间序列数据与所述第3检测数据的时间序列数据的相关系数以作为所述指标值。
14.一种障碍物识别方法，在如权利要求1所述的障碍物识别装置中由实现所述计算部、所述判定部和所述校正部的功能的控制器来执行，所述障碍物识别方法的特征在于，包括：
计算步骤，该计算步骤中，基于由所述第1传感器检测到的与所述第1物体相关的所述第1检测数据、和由所述第2传感器检测到的与所述第2物体相关的所述第2检测数据，来计算用于对所述第1物体与所述第2物体是否为同一物体进行识别的所述指标值；
判定步骤，该判定步骤中，通过对所述指标值与预先设定的阈值进行比较，来判定所述第1物体与所述第2物体是否为同一物体；以及
校正步骤，该校正步骤中，在由所述判定步骤判定为所述第1物体与所述第2物体为同一物体时，基于所述第1检测数据和所述第2检测数据，来计算所述第1传感器与所述第2传感器之间的所述检测误差，并且生成校正后的检测数据，以消除所述检测误差。
15.一种障碍物识别方法，在如权利要求9所述的障碍物识别装置中由实现所述预测部、所述计算部、所述判定部和所述校正部的功能的控制器来执行，所述障碍物识别方法的特征在于，包括：
预测步骤，该预测步骤中，基于由所述第1传感器在过去检测到的检测数据，来预测所述物体的移动，并且生成当前时刻的预测值以作为与所述第3物体相关的所述第3检测数据；
计算步骤，该计算步骤中，基于由所述第1传感器检测到的与所述第1物体相关的所述第1检测数据、和由所述预测步骤生成的与所述第3物体相关的所述第3检测数据，来计算用于对所述第1物体与所述第3物体是否为同一物体进行识别的所述指标值；
判定步骤，该判定步骤中，通过对所述指标值与预先设定的阈值进行比较，来判定所述第1物体与所述第3物体是否为同一物体；以及
校正步骤，该校正步骤中，在由所述判定步骤判定为所述第1物体与所述第3物体为同一物体时，基于所述第1检测数据和所述第3检测数据，来计算由所述第1传感器得到的检测结果与由所述预测步骤得到的生成结果之间的所述偏置误差，并且生成校正后的检测数据，以消除所述偏置误差。
CN201780096758.1A 2017-11-20 2017-11-20 障碍物识别装置及障碍物识别方法 Pending CN111417869A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/041720 WO2019097731A1 (ja) 2017-11-20 2017-11-20 障害物認識装置および障害物認識方法

Publications (1)

Publication Number Publication Date
CN111417869A true CN111417869A (zh) 2020-07-14

Family

ID=66538596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780096758.1A Pending CN111417869A (zh) 2017-11-20 2017-11-20 障碍物识别装置及障碍物识别方法

Country Status (5)

Country Link
US (1) US11465643B2 (zh)
JP (1) JP6818907B2 (zh)
CN (1) CN111417869A (zh)
DE (1) DE112017008157T5 (zh)
WO (1) WO2019097731A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733907A (zh) * 2020-12-31 2021-04-30 上海商汤临港智能科技有限公司 数据融合方法、装置、电子设备以及存储介质
CN113296088A (zh) * 2021-05-11 2021-08-24 雄狮汽车科技(南京)有限公司 车辆的动态目标跟踪方法、装置、及车辆

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020129369A1 (ja) * 2018-12-17 2020-06-25 ソニーセミコンダクタソリューションズ株式会社 キャリブレーション装置とキャリブレーション方法とプログラムおよびキャリブレーションシステムとキャリブレーションターゲット
DE112020001776T5 (de) * 2019-05-13 2022-01-27 Hitachi Astemo, Ltd. Fahrzeugsteuersystem
US20210033722A1 (en) * 2019-07-29 2021-02-04 Trackman A/S System and method for inter-sensor calibration
US20220289245A1 (en) * 2019-08-02 2022-09-15 Hitachi Astemo, Ltd. Aiming device, drive control system, and method for calculating correction amount of sensor data
JP7412254B2 (ja) * 2020-04-02 2024-01-12 三菱電機株式会社 物体認識装置および物体認識方法
US11656328B2 (en) * 2020-06-02 2023-05-23 Blue White Robotics Ltd Validating object detection hardware and algorithms
US11619708B2 (en) 2020-07-28 2023-04-04 Trackman A/S System and method for inter-sensor calibration
DE102021201512A1 (de) 2021-02-17 2022-08-18 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Modellierung der Umgebung eines automatisierten Fahrzeugs
JP2022139267A (ja) * 2021-03-11 2022-09-26 株式会社デンソーアイティーラボラトリ トラッキング装置、トラッキング方法、トラッキングプログラム
CN117235545B (zh) * 2023-11-14 2024-02-02 亿海蓝（北京）数据技术股份公司 判断空间对象分布相似性的方法、装置和可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010249613A (ja) * 2009-04-14 2010-11-04 Toyota Motor Corp 障害物認識装置及び車両制御装置
CN105264587A (zh) * 2013-07-08 2016-01-20 本田技研工业株式会社 物体识别装置
CN105522998A (zh) * 2014-10-15 2016-04-27 本田技研工业株式会社 物体识别装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004037239A (ja) * 2002-07-03 2004-02-05 Fuji Heavy Ind Ltd 同一対象物判断方法および装置、並びに、位置ずれ補正方法および装置
JP2006292621A (ja) * 2005-04-13 2006-10-26 Toyota Motor Corp 物体検出装置
US7991550B2 (en) * 2006-02-03 2011-08-02 GM Global Technology Operations LLC Method and apparatus for on-vehicle calibration and orientation of object-tracking systems
JP4434296B1 (ja) * 2008-09-05 2010-03-17 トヨタ自動車株式会社 物体検出装置
JP2011064484A (ja) * 2009-09-15 2011-03-31 Mitsubishi Electric Corp センサバイアス推定装置
JP5673568B2 (ja) * 2012-01-16 2015-02-18 トヨタ自動車株式会社 物体検出装置
US9255989B2 (en) 2012-07-24 2016-02-09 Toyota Motor Engineering & Manufacturing North America, Inc. Tracking on-road vehicles with sensors of different modalities
US9152526B2 (en) * 2012-11-16 2015-10-06 GM Global Technology Operations LLC Method and apparatus for state of health estimation of object sensing fusion system
US10578713B2 (en) 2015-06-24 2020-03-03 Panasonic Corporation Radar axis displacement amount calculation device and radar axis displacement calculation method
JP6557896B2 (ja) * 2015-06-24 2019-08-14 パナソニック株式会社 レーダ軸ずれ量算出装置およびレーダ軸ずれ量算出方法
JP6541590B2 (ja) * 2016-02-03 2019-07-10 クラリオン株式会社 カメラキャリブレーション装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010249613A (ja) * 2009-04-14 2010-11-04 Toyota Motor Corp 障害物認識装置及び車両制御装置
CN105264587A (zh) * 2013-07-08 2016-01-20 本田技研工业株式会社 物体识别装置
CN105522998A (zh) * 2014-10-15 2016-04-27 本田技研工业株式会社 物体识别装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733907A (zh) * 2020-12-31 2021-04-30 上海商汤临港智能科技有限公司 数据融合方法、装置、电子设备以及存储介质
CN113296088A (zh) * 2021-05-11 2021-08-24 雄狮汽车科技(南京)有限公司 车辆的动态目标跟踪方法、装置、及车辆

Also Published As

Publication number Publication date
JPWO2019097731A1 (ja) 2020-04-02
US20200276983A1 (en) 2020-09-03
JP6818907B2 (ja) 2021-01-27
WO2019097731A1 (ja) 2019-05-23
DE112017008157T5 (de) 2020-09-10
US11465643B2 (en) 2022-10-11

Similar Documents

Publication Publication Date Title
CN111417869A (zh) 障碍物识别装置及障碍物识别方法
US20190195631A1 (en) Positioning method, positioning device, and robot
KR102126670B1 (ko) 검출 영역을 최적화하는 장애물 추적 장치 및 방법
JP6490747B2 (ja) 物体認識装置、物体認識方法および車両制御システム
US20230213549A1 (en) Virtual Reality System with Modeling Poses of Tracked Objects by Predicting Sensor Data
JP2019028665A (ja) 車載カメラのキャリブレーション装置及び方法
JP2007044865A (ja) 方向付け／位置決めシステム制御方法
CN112572460A (zh) 用于求横摆速率的高精度估计值的方法和设备及存储介质
JP6169146B2 (ja) 物体認識統合装置および物体認識統合方法
US20230009012A1 (en) Self-position estimation apparatus, self-position estimation method, and program
US11600012B2 (en) Display of a virtual object linked to a real object in an augmented reality display device
JP4882544B2 (ja) 追尾処理装置及びその方法並びにプログラム
JP7336223B2 (ja) 自己位置推定方法
US20220018710A1 (en) Electronic apparatus, correction method, and program
JP6598885B2 (ja) 物体認識装置および物体認識方法
JP7412254B2 (ja) 物体認識装置および物体認識方法
KR20230128684A (ko) 라이다의 감지 정확도 향상을 위한 절단된 호 보정 방법 및 장치
KR101767169B1 (ko) 비전 센서 기반 자이로 드리프트 감소 장치 및 방법
JP6861663B2 (ja) センサ装置、誤差検出方法および誤差検出プログラム
KR101366558B1 (ko) 차량의 다물체 위치 추적 방법
KR20180133266A (ko) 차량의 전방 객체 검출 장치 및 방법
KR20230128683A (ko) 라이다의 감지 정확도 향상을 위한 거리 왜곡 보정 방법 및 장치
CN117289223A (zh) 用于对多模态数据进行时间校正的方法
KR20210062453A (ko) 운동 정보 결정 방법 및 장치
KR20120029085A (ko) 차선정보 유효성 판정 방법 및 장치

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