CN111562570A - 基于毫米波雷达的面向自动驾驶的车辆感知方法 - Google Patents
基于毫米波雷达的面向自动驾驶的车辆感知方法 Download PDFInfo
- Publication number
- CN111562570A CN111562570A CN202010366606.2A CN202010366606A CN111562570A CN 111562570 A CN111562570 A CN 111562570A CN 202010366606 A CN202010366606 A CN 202010366606A CN 111562570 A CN111562570 A CN 111562570A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- radar
- targets
- millimeter wave
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 20
- 230000008447 perception Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—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
-
- 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于毫米波雷达的面向自动驾驶的车辆感知方法，该方法包括以下步骤：毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标位置信息；根据目标的雷达截面积，筛选出潜在车辆目标；根据回波信号获取筛选的潜在车辆目标的速度信息；利用恒虚警检测算法，排除潜在的假车辆目标；形成车辆目标的初始航迹，通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪。本发明提出的车辆感知方法具有较高的检测精度和跟踪精度，可提高自动驾驶车辆的行驶安全程度。结合实际的雷达检测数据分析，该方法具有较高的应用价值。
Description
技术领域
本发明涉及车辆感知技术领域，特别是一种基于毫米波雷达的面向自动驾驶的车辆感知方法。
背景技术
随着自动驾驶的发展，道路交通安全受到了社会的广泛关注。一个自动驾驶系统包括感知周围的环境，通过感知系统的结果做出决策、规划路线，最后控制自动驾驶车辆的运行。感知系统是自动驾驶车辆的重要组成部分，为其他的功能提供了重要的保证。在感知系统中，感知周围的车辆尤为突出，它为车辆换道、避免车辆之间的碰撞等提供了重要的依据。
目前车辆感知的方案有很多，包括：小波分析法，该方法可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘检测等。但缺点是算法复杂，在实际运用场景中无法满足快速，简便的任务，不适合用在雷达回波车辆目标的检测上。利用线性卡尔曼滤波器(KF)实现车辆感知，该滤波器是一种假设处理模型和测量模型都是线性的状态估计器，局限性非常大，在目标进行非线性运动时不能达到最优的估计效果，所以不适合现实场景的车辆跟踪。利用扩展卡尔曼滤波器(EKF)实现车辆感知，该滤波器是一种适用于非线性情况的卡尔曼滤波器，其为了处理非线性系统，通过一阶泰勒展开式来近似，对于具体的问题都要求解对应的一阶雅可比矩阵，非常耗时，效率低，所以不适合现实场景的车辆跟踪。
发明内容
本发明的目的在于针对上述现有技术存在的问题，提供一种能很好适用于自动驾驶车辆的环境感知、提高驾驶安全性的车辆感知方法。
实现本发明目的的技术解决方案为：一种基于毫米波雷达的面向自动驾驶的车辆感知方法，所述方法包括以下步骤：
步骤1，毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标位置信息；
步骤2，根据目标的雷达截面积，筛选出潜在车辆目标；
步骤3，根据回波信号获取步骤2筛选的潜在车辆目标的速度信息；
步骤4，利用恒虚警检测算法，排除潜在的假车辆目标；
步骤5，形成车辆目标的初始航迹，通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪。
进一步地，步骤1所述根据回波信号获取雷达视域内的目标位置信息，过程包括：对雷达回波信号进行一维快速傅里叶变换，获得雷达视域内的目标位置信息。
进一步地，步骤2所述根据目标的雷达截面积，筛选出潜在车辆目标，具体包括：
设定面积筛选阈值范围(R1,R2)；
判断目标的雷达截面积值是否属于范围(R1,R2)，若是，认定该目标为潜在车辆目标。
进一步地，步骤3所述根据回波信号获取步骤2筛选的潜在车辆目标的速度信息，过程包括：对雷达回波信号进行二维快速傅里叶变换，获得雷达视域内的车辆速度信息。
进一步地，步骤5所述通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪，具体过程包括：
步骤5-1，获取目标车辆当前状态的测量值，包括位置、速度、角度和角速度信息；
步骤5-2，建立目标车辆的CTRV运动模型，计算CTRV运动模型的过程噪声协方差矩阵，并利用过程噪声协方差矩阵生成一个反应目标车辆当前状态的高斯分布sigma点集；
步骤5-3，利用目标车辆的CTRV运动模型的状态转移函数预测目标车辆下一状态的高斯分布sigma点集；
步骤5-4，利用步骤5-3获得的sigma点集计算目标车辆下一个状态分布对应的均值和方差，由此获得目标车辆下一个状态的预测测量值；
步骤5-5，融合CTRV运动模型的先验值、目标车辆下一个状态的实际测量值以及预测测量值，获得目标车辆下一个状态最终的测量值。
重复步骤5-3至步骤5-5，实现车辆目标的航迹跟踪。
本发明与现有技术相比，其显著优点为：1)一维和二维的快速傅里叶变换分析毫米波雷达回波信号快捷方便，满足了自动驾驶环境下的实时性需求；2)结合恒虚警检测算法、目标雷达截面积筛选和航迹初始算法，很好的消除了虚假目标，提高了系统的安全性及可靠性；3)通过无损卡尔曼滤波器及CTRV运动学模型，提高了对目标车辆非线性运动的跟踪效果。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中基于毫米波雷达的面向自动驾驶的车辆感知方法的流程图。
图2为一个实施例中筛选车辆目标和航迹初始的流程图。
图3为一个实施例中CTRV运动学模型示意图。
图4为一个实施例中无损卡尔曼滤波器实现的流程图。
图5为一个实施例中基于实际毫米波雷达量测的车辆跟踪效果图，其中图(a)为各个测量时刻目标车辆x轴坐标距离测量值与UKF估计x轴坐标距离值的绝对值误差示意图；图(b)为各个测量时刻目标车辆y轴坐标距离测量值与UKF估计y轴坐标距离值的绝对值误差示意图；图(c)为各个测量时刻目标车辆x轴坐标速度测量值与UKF估计x轴坐标速度测量值的绝对值误差示意图；图(d)为各个测量时刻目标车辆y轴坐标速度测量值与UKF估计y轴坐标速度测量值的绝对值误差示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为了接近实际应用，本发明提出的方案为：利用先进的恒转率和速度幅度(CTRV)动态模型来模拟目标车辆的运动学。利用二维FFT获取目标车辆的速度和距离。然后利用无迹卡尔曼滤波器(UKF)估计被检测车辆的非线性运动状态。
在一个实施例中，提供了一种基于毫米波雷达的面向自动驾驶的车辆感知方法，该方法包括：
步骤1，毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标位置信息；
步骤2，根据目标的雷达截面积，筛选出潜在车辆目标；
步骤3，根据回波信号获取步骤2筛选的潜在车辆目标的速度信息；
步骤4，利用恒虚警检测算法，排除潜在的假车辆目标；
步骤5，形成车辆目标的初始航迹，通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪。
进一步地，在其中一个实施例中，步骤1根据回波信号获取雷达视域内的目标位置信息，过程包括：对雷达回波信号进行一维快速傅里叶变换，获得雷达视域内的目标位置信息。
进一步地，在其中一个实施例中，步骤2根据目标的雷达截面积，筛选出潜在车辆目标，具体包括：
设定面积筛选阈值范围(R1,R2)；
判断目标的雷达截面积值是否属于范围(R1,R2)，若是，认定该目标为潜在车辆目标。
进一步地，在其中一个实施例中，步骤3根据回波信号获取步骤2筛选的潜在车辆目标的速度信息，过程包括：对雷达回波信号进行二维快速傅里叶变换，获得雷达视域内的车辆速度信息。
进一步地，在其中一个实施例中，步骤5所述通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪，具体过程包括：
步骤5-1，获取目标车辆当前状态的测量值，包括位置、速度、角度和角速度信息；
步骤5-2，建立目标车辆的CTRV运动模型，计算CTRV运动模型的过程噪声协方差矩阵，并利用过程噪声协方差矩阵生成一个反应目标车辆当前状态的高斯分布sigma点集；
步骤5-3，利用目标车辆的CTRV运动模型的状态转移函数预测目标车辆下一状态的高斯分布sigma点集；
步骤5-4，利用步骤5-3获得的sigma点集计算目标车辆下一个状态分布对应的均值和方差，由此获得目标车辆下一个状态的预测测量值；
步骤5-5，融合CTRV运动模型的先验值、目标车辆下一个状态的实际测量值以及预测测量值，获得目标车辆下一个状态最终的测量值。
重复步骤5-3至步骤5-5，实现车辆目标的航迹跟踪。
在一个实施例中，对本发明进行更进一步的详细分析说明。在该实施例中，首先使用仿真雷达回波信号对目标车辆进行确定，通过对此信号进行数据处理，从而提取出目标车辆的动力学参数信息。随后使用实际的连续的雷达量测来验证车辆跟踪部分的有效性。
图2为本发明恒虚警检测算法、目标雷达截面积筛选和航迹初始算法的过程，首先通过恒虚警检测算法提高目标的检测精度，然后通过目标雷达截面积的大小筛选存在的车辆目标，进一步降低了虚假目标的存在，最后利用航迹初始算法对车辆的运动轨迹进行初始化，这更进一步提高了道路车辆的检测精度。
图3为本发明的CTRV运动学模型。雷达视场中的每一个物体都用笛卡尔坐标系描述的。目标的运动状态空间表示为：
z(t)＝[Px(t) Py(t) vθ(t) ω]T
其中，t为当前时刻，(Px(t)Py(t))为目标在以用于感知的主车为原点的笛卡儿坐标系统中的坐标位置，v为目标的速度，θ(t)为目标偏航角和ω为目标偏航率。
由上可以看出，CTRV模型的速度和偏航率是恒定的，所以它们是不随时间变化的。CTRV模型的状态转换函数可以推导为：
其中，x坐标相邻时间点的变化可以表示为：
其中，y坐标相邻时间点的变化可以表示为：
Δt为前一状态和当前状态的时间增量。当偏航角为0时，目标车辆实际上是在直线上运动，此时CTRV模型退化为匀速(CV)运动模型。CTRV的过程模型是非线性的，所以不能用标准卡尔曼滤波进行预测和更新。
图4为无损卡尔曼滤波器实现的流程图。在本发明的应用中，目标车辆以CTRV的形式运动，CTRV是一个非线性运动模型。因此，应该利用非线性滤波技术，如无迹滤波(unscented KF)和扩展滤波(extended KF)。另外，雷达的测量模型是一个非线性函数，EKF可能会引起较大的估计误差。利用无迹变换，UKF可以在不增加计算复杂度的情况下很容易地解决这个问题。
状态预测步骤采用CTRV运动模型对sigma点集进行预测。UKF主要基于状态预测和状态更新两个步骤。状态预测是利用sigma点集对下一个系统状态进行预测，计算预测状态的新均值和新方差。在状态更新阶段，利用过程噪声和测量噪声来更新系统状态。
UKF的具体步骤如下:
状态预测过程包括：
(1)预测生成sigma点集:
χ[i]＝μ,i＝1
其中，n是状态的数量,这里sigma点的数量是7个，包括两个过程噪声因素,μ是当前状态的均值,λ是一个与sigma点集和分布的均值之间的距离相关的超参数。
(2)映射sigma点集并预测下一状态的均值和协方差：
根据CTRV运动模型，给出了预测的均值和协方差的公式为：
式中，μ'为基于CTRV运动模型预测状态的先验分布的均值,是所有在sigma点集中状态测量的加权和，P'是协方差。
状态更新过程包括：
(1)卡尔曼增益计算:
在更新步长状态下，每一步的卡尔曼增益计算公式为：
其中，Tk+1|k是状态空间和测量空间的sigma点集之间的互相关矩阵。
(2)状态更新：
最终的状态估计表示为：
xk+1|k+1＝xk+1|k+Kk+1|k(zk+1-zk+1|k)
式中，zk+1是新量测值，zk+1|k是通过先验计算的量测。
(3)协方差矩阵更新：
本实施例中，通过均方根误差(RMSE)来对跟踪航迹进行误差分析，计算公式如下：
其中n代表雷达数据的周期数，predicti为第i个周期模型对车辆的预测量，groundtruthi为第i个周期车辆的实际测量。
本实施例中求取各个测量时刻目标车辆坐标距离测量值(坐标速度测量值)与UKF估计坐标距离值(坐标速度测量值)的绝对值误差，结果如图5所示。由图5(a)可以看出，各个测量时刻目标车辆x轴坐标距离测量值与UKF估计x轴坐标距离值的绝对值误差的最大值在0.2米左右，总体保持在较低的0-0.1米范围之间。由图5(b)可以看出，各个测量时刻目标车辆y轴坐标距离测量值与UKF估计y轴坐标距离值的绝对值误差的最大值在0.25米左右，总体保持在较低的0-0.1米范围之间。由图5(c)可以看出，各个测量时刻目标车辆x轴坐标速度测量值与UKF估计x轴坐标速度测量值的绝对值误差，在起始时较高，随着第一时刻测量值的测量，速度误差迅速降到一个较低的0-0.5米每秒之间。由图5(d)可以看出，各个测量时刻目标车辆y轴坐标速度测量值与UKF估计y轴坐标速度测量值的绝对值误差，在起始时较高，随着第一时刻测量值的测量，速度误差迅速降到一个较低的0-0.5米每秒之间。分别求取图5(a)至图5(d)的RMSE值如下表1所示：
表1均方根误差分析
| Parameter | Positon-x | Position-y | Velocity-x | Velocity-y |
| RMSE | 0.074 | 0.080 | 0.229 | 0.310 |
结合图5和表1可以看出，本发明感知方法的误差比较低，具有较高的检测精度和跟踪精度，可提高自动驾驶车辆的行驶安全程度。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于毫米波雷达的面向自动驾驶的车辆感知方法，其特征在于，所述方法包括以下步骤：
步骤1，毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标位置信息；
步骤2，根据目标的雷达截面积，筛选出潜在车辆目标；
步骤3，根据回波信号获取步骤2筛选的潜在车辆目标的速度信息；
步骤4，利用恒虚警检测算法，排除潜在的假车辆目标；
步骤5，形成车辆目标的初始航迹，通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪。
2.根据权利要求1所述的基于毫米波雷达的面向自动驾驶的车辆感知方法，其特征在于，步骤1所述根据回波信号获取雷达视域内的目标位置信息，过程包括：对雷达回波信号进行一维快速傅里叶变换，获得雷达视域内的目标位置信息。
3.根据权利要求1所述的基于毫米波雷达的面向自动驾驶的车辆感知方法，其特征在于，步骤2所述根据目标的雷达截面积，筛选出潜在车辆目标，具体包括：
设定面积筛选阈值范围(R1,R2)；
判断目标的雷达截面积值是否属于范围(R1,R2)，若是，认定该目标为潜在车辆目标。
4.根据权利要求1所述的基于毫米波雷达的面向自动驾驶的车辆感知方法，其特征在于，步骤3所述根据回波信号获取步骤2筛选的潜在车辆目标的速度信息，过程包括：对雷达回波信号进行二维快速傅里叶变换，获得雷达视域内的车辆速度信息。
5.根据权利要求1所述的基于毫米波雷达的面向自动驾驶的车辆感知方法，其特征在于，步骤5所述通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪，具体过程包括：
步骤5-1，获取目标车辆当前状态的测量值，包括位置、速度、角度和角速度信息；
步骤5-2，建立目标车辆的CTRV运动模型，计算CTRV运动模型的过程噪声协方差矩阵，并利用过程噪声协方差矩阵生成一个反应目标车辆当前状态的高斯分布sigma点集；
步骤5-3，利用目标车辆的CTRV运动模型的状态转移函数预测目标车辆下一状态的高斯分布sigma点集；
步骤5-4，利用步骤5-3获得的sigma点集计算目标车辆下一个状态分布对应的均值和方差，由此获得目标车辆下一个状态的预测测量值；
步骤5-5，融合CTRV运动模型的先验值、目标车辆下一个状态的实际测量值以及预测测量值，获得目标车辆下一个状态最终的测量值。
重复步骤5-3至步骤5-5，实现车辆目标的航迹跟踪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010366606.2A CN111562570A (zh) | 2020-04-30 | 2020-04-30 | 基于毫米波雷达的面向自动驾驶的车辆感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010366606.2A CN111562570A (zh) | 2020-04-30 | 2020-04-30 | 基于毫米波雷达的面向自动驾驶的车辆感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111562570A true CN111562570A (zh) | 2020-08-21 |
Family
ID=72068492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010366606.2A Pending CN111562570A (zh) | 2020-04-30 | 2020-04-30 | 基于毫米波雷达的面向自动驾驶的车辆感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111562570A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113232652A (zh) * | 2021-06-16 | 2021-08-10 | 武汉光庭信息技术股份有限公司 | 一种基于运动学模型的车辆巡航控制方法及系统 |
| CN113470088A (zh) * | 2021-06-24 | 2021-10-01 | 上海于万科技有限公司 | 一种车挂箱状态的判断方法和系统 |
| CN113479218A (zh) * | 2021-08-09 | 2021-10-08 | 哈尔滨工业大学 | 一种路基自动驾驶辅助探测系统及其控制方法 |
| CN114674067A (zh) * | 2020-12-25 | 2022-06-28 | 珠海拓芯科技有限公司 | 一种基于雷达的空调控制方法、空调器和计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020838A (zh) * | 2016-11-02 | 2018-05-11 | 惠州市德赛西威汽车电子股份有限公司 | 一种毫米波雷达信号在自适应巡航中的处理方法 |
| CN108490927A (zh) * | 2018-01-24 | 2018-09-04 | 天津大学 | 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 |
| CN110646773A (zh) * | 2019-09-27 | 2020-01-03 | 成都纳雷科技有限公司 | 一种基于汽车毫米波雷达的弱目标检测方法、跟踪方法及系统 |
| CN110780289A (zh) * | 2019-10-23 | 2020-02-11 | 北京信息科技大学 | 基于场景雷达的多目标车辆跟踪方法及装置 |
| CN110888125A (zh) * | 2019-12-05 | 2020-03-17 | 奥特酷智能科技(南京)有限公司 | 一种基于毫米波雷达的自动驾驶车辆定位方法 |
-
2020
- 2020-04-30 CN CN202010366606.2A patent/CN111562570A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020838A (zh) * | 2016-11-02 | 2018-05-11 | 惠州市德赛西威汽车电子股份有限公司 | 一种毫米波雷达信号在自适应巡航中的处理方法 |
| CN108490927A (zh) * | 2018-01-24 | 2018-09-04 | 天津大学 | 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 |
| CN110646773A (zh) * | 2019-09-27 | 2020-01-03 | 成都纳雷科技有限公司 | 一种基于汽车毫米波雷达的弱目标检测方法、跟踪方法及系统 |
| CN110780289A (zh) * | 2019-10-23 | 2020-02-11 | 北京信息科技大学 | 基于场景雷达的多目标车辆跟踪方法及装置 |
| CN110888125A (zh) * | 2019-12-05 | 2020-03-17 | 奥特酷智能科技(南京)有限公司 | 一种基于毫米波雷达的自动驾驶车辆定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 钟海兴: "特定场景下智能车的融合定位及导航策略研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
| 龙乐飞: "自适应巡航控制系统多目标识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114674067A (zh) * | 2020-12-25 | 2022-06-28 | 珠海拓芯科技有限公司 | 一种基于雷达的空调控制方法、空调器和计算机可读存储介质 |
| CN113232652A (zh) * | 2021-06-16 | 2021-08-10 | 武汉光庭信息技术股份有限公司 | 一种基于运动学模型的车辆巡航控制方法及系统 |
| CN113470088A (zh) * | 2021-06-24 | 2021-10-01 | 上海于万科技有限公司 | 一种车挂箱状态的判断方法和系统 |
| CN113470088B (zh) * | 2021-06-24 | 2022-09-20 | 上海于万科技有限公司 | 一种车挂箱状态的判断方法和系统 |
| CN113479218A (zh) * | 2021-08-09 | 2021-10-08 | 哈尔滨工业大学 | 一种路基自动驾驶辅助探测系统及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110596694B (zh) | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 | |
| CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
| CN111562570A (zh) | 基于毫米波雷达的面向自动驾驶的车辆感知方法 | |
| Kellner et al. | Instantaneous lateral velocity estimation of a vehicle using Doppler radar | |
| CN104297748B (zh) | 一种基于轨迹增强的雷达目标检测前跟踪方法 | |
| CN111025250B (zh) | 一种车载毫米波雷达在线标定方法 | |
| KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
| CN107632308B (zh) | 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法 | |
| CN106249232A (zh) | 基于目标运动态势信息数据关联策略的目标跟踪方法 | |
| CN102621542B (zh) | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 | |
| CN108168564A (zh) | 一种基于lhd灰色关联度的航迹关联方法 | |
| CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
| CN107064865A (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
| CN114019498A (zh) | 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 | |
| CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
| Feng et al. | Magnetic sensor-based multi-vehicle data association | |
| CN103901427A (zh) | 一种测速雷达多目标跟踪的方法和装置 | |
| CN113176562B (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
| CN114488026A (zh) | 基于4d毫米波雷达的地下停车库可通行空间检测方法 | |
| CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
| CN115980738B (zh) | 一种基于动静分离的多目标跟踪方法 | |
| CN113390406B (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 | |
| CN113866754B (zh) | 基于高斯分布波门的运动目标航迹关联方法 | |
| CN105353353A (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
| CN110542902B (zh) | 一种适用于车载毫米波雷达的简易测高方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |