CN111666891A - 用于估计障碍物运动状态的方法和装置 - Google Patents
用于估计障碍物运动状态的方法和装置 Download PDFInfo
- Publication number
- CN111666891A CN111666891A CN202010513400.8A CN202010513400A CN111666891A CN 111666891 A CN111666891 A CN 111666891A CN 202010513400 A CN202010513400 A CN 202010513400A CN 111666891 A CN111666891 A CN 111666891A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- obstacle
- kalman filter
- state
- noise
- 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 92
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 47
- 238000001914 filtration Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了用于估计障碍物运动状态的方法和装置,涉及自动驾驶技术领域。具体实现方案为:一种用于估计障碍物运动状态的方法,包括:实时获取障碍物的图像;将实时获取的图像输入预先训练的深度学习的神经网络模型,输出障碍物的位置测量值;将位置测量值输入第一卡尔曼滤波器,输出障碍物的位置状态;将位置测量值输入第二卡尔曼滤波器,输出障碍物的速度状态,其中,第一卡尔曼滤波器的观测噪声的协方差矩阵小于第二卡尔曼滤波器的观测噪声的协方差矩阵。该实施方式提高了障碍物的运动状态估计的准确性。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及自动驾驶技术领域。
背景技术
无人驾驶车辆(又称为无人车)通过车辆上设置的驾驶控制设备对各种传感器(例如,摄像机和激光雷达)所采集的信息,进行综合分析处理以实现路径规划和行驶控制。大多数无人驾驶车辆都设置有激光雷达来采集外界信息。在对无人驾驶车辆进行路径规划和行驶控制的过程中,可以对激光雷达所采集的每帧激光点云(即,激光雷达每个采样周期所采集的激光点云)进行障碍物检测,然后,再对检测所得到的障碍物进行运动估计,以实现躲避障碍物和提前进行路径规划。
然而,激光雷达受天气影响会产生误检。因此可在激光雷达无法正常使用时通过摄像机来进行障碍物检测。目前常用的基于视觉的障碍物运动状态估计方法主要为建立运动模型并使用卡尔曼滤波更新障碍物位置与速度,但由于真实道路障碍物行为复杂,单一模型难以很好地反映障碍物的运动状态。
发明内容
提供了一种用于估计障碍物运动状态的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于估计障碍物运动状态的方法,包括:实时获取障碍物的图像;将实时获取的图像输入预先训练的深度学习的神经网络模型,输出障碍物的位置测量值;将位置测量值输入第一卡尔曼滤波器,输出障碍物的位置状态;将位置测量值输入第二卡尔曼滤波器,输出障碍物的速度状态,其中,第一卡尔曼滤波器的观测噪声的协方差矩阵小于第二卡尔曼滤波器的观测噪声的协方差矩阵。
根据第二方面,提供了一种用于估计障碍物运动状态的装置,包括:获取单元,被配置成实时获取障碍物的图像;检测单元,被配置成将实时获取的图像输入预先训练的深度学习的神经网络模型,输出障碍物的位置测量值;第一滤波单元,被配置成将位置测量值输入第一卡尔曼滤波器,输出障碍物的位置状态;第二滤波单元,被配置成将位置测量值输入第二卡尔曼滤波器,输出障碍物的速度状态,其中,第一卡尔曼滤波器的观测噪声的协方差矩阵小于第二卡尔曼滤波器的观测噪声的协方差矩阵。
根据第三方面,提供了一种电子设备,其特征在于,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中任一项的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,计算机指令用于使计算机执行第一方面中任一项的方法。
根据本申请的技术解决了实际道路上障碍物运动状态复杂,单一模型难以反映障碍物的真实运动情况的问题,提高了视觉检测障碍物的准确性。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于估计障碍物运动状态的方法的一个实施例的流程图;
图3是根据本申请的用于估计障碍物运动状态的方法的一个应用场景的示意图;
图4是根据本申请的用于估计障碍物运动状态的方法的又一个实施例的流程图;
图5是根据本申请的用于估计障碍物运动状态的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于估计障碍物运动状态的方法的电子设备的框图;
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本申请的用于估计障碍物运动状态的方法或用于估计障碍物运动状态的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括无人驾驶车辆101。
无人驾驶车辆101中可以安装有驾驶控制设备1011、网络1012和摄像机1013。网络1012用以在驾驶控制设备1011和摄像机1013之间提供通信链路的介质。网络1012可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
驾驶控制设备(又称为车载大脑)1011负责无人驾驶车辆101的智能控制。驾驶控制设备1011可以是单独设置的控制器,例如可编程逻辑控制器(Programmable LogicController,PLC)、单片机、工业控制机等;也可以是由其他具有输入/输出端口,并具有运算控制功能的电子器件组成的设备;还可以是安装有车辆驾驶控制类应用的计算机设备。
需要说明的是,实践中无人驾驶车辆101中还可以安装有至少一个传感器,例如,激光雷达、毫米波雷达、重力传感器、轮速传感器等。某些情况下,无人驾驶车辆101中还可以安装有GNSS(Global Navigation Satellite System,全球导航卫星系统)设备和SINS(Strap-down Inertial Navigation System,捷联惯性导航系统)等等。
需要说明的是,本申请实施例所提供的用于估计障碍物运动状态的方法一般由驾驶控制设备1011执行,相应地,用于估计障碍物运动状态的装置一般设置于驾驶控制设备1011中。
应该理解,图1中的驾驶控制设备、网络和摄像机的数目仅仅是示意性的。根据实现需要,可以具有任意数目的驾驶控制设备、网络和摄像机。
继续参考图2,其示出了根据本申请的用于估计障碍物运动状态的方法的一个实施例的流程。该用于估计障碍物运动状态的方法,包括以下步骤:
步骤201,实时获取障碍物的图像。
在本实施例中,用于估计障碍物运动状态的方法的执行主体(例如图1所示的驾驶控制设备)可实时获取摄像机拍摄的周边场景图像,包括了障碍物的图像。障碍物可以是行人、车辆等。
步骤202,将实时获取的图像输入预先训练的深度学习的神经网络模型,输出障碍物的位置测量值。
在本实施例中,预先训练的深度学习的神经网络模型是现有技术常见的基于图像识别的目标检测模型,例如R-CNN,Fast R-CNN,Faster R-CNN,ION,HyperNet,SDP-CRC,YOLO,G-CNN,SSD等。可从每帧图像中识别出障碍物并进行跟踪,得到障碍物在无人车的坐标系统下的位置测量值。但是我们不能完全相信我们的测量,因为测量是不精准的,它往往会存在一定的噪声,这个时候我们就要去估计障碍物的状态,然后再修正测量值。
步骤203,将位置测量值输入第一卡尔曼滤波器,输出障碍物的位置状态。
在本实施例中,位置测量值有噪声,需要通过卡尔曼滤波器进行平滑去噪。首先要选择运动模型,可选择一阶运动模型(也别称为线性运动模型):恒定速度模型(ConstantVelocity,CV)、恒定加速度模型(Constant Acceleration,CA)。这些线性运动模型假定目标是直线运动的,并不考虑物体的转弯。还可选择二阶运动模型:恒定转率和速度模型(Constant Turn Rate and Velocity,CTRV)、恒定转率和加速度模型(Constant TurnRate and Acceleration,CTRA)。然后再根据选择的模型设置不同的矩阵的初始值,从而实现状态估计。
在本实施例的一些可选的实现方式中,基于恒定速度模型进行卡尔曼滤波,包括以下步骤:
步骤2031,基于恒定速度模型确定出预测矩阵A、测量矩阵H;
在本实施例中,当我们要估计一个障碍物的状态时,首先就是要建立起要估计的状态的表示。这里,障碍物的状态大致可以表示为x=(p,v),其中p为障碍物的位置,px,py分别表示p在无人车坐标下的x轴、y轴的值。而v则是障碍物此时的速度,vx,vy分别表示v在无人车坐标下的x轴、y轴的值。我们用一个向量来表示一个状态:
x=(px,py,vx,vy)T
在确定了我们要估计的状态以后,我们需要确定一个处理模型,处理模型用于预测阶段来产生一个对当前估计的先验。在本申请中,我们用一个最简单的处理模型来描述障碍物的运动——恒定速度模型:
xk=Axk-1+wk-1,wk-1为过程噪声
即:
恒定速度处理模型假定预测的目标的运动规律是恒定的速度的,在障碍物状态预测这个问题中,很显然障碍物并不一定会以恒定的速度运动,所以我们的处理模型包含了一定的过程噪声(process noise,也称为处理噪声),在这个问题中过程噪声也被考虑了进来,其中的wk是我们这个处理模型的过程噪声。在障碍物状态估计中的过程噪声其实就是障碍物的加减速,那么我们原来的处理过程就变成了:
测量表达式:zk=xk+vk
测量表达式大致描述了我们测量的组成成分,我们用这个测量去更新我们对状态的估计。其中xk是障碍物当前的状态,zk是当前帧障碍物的测量值,vk是当前帧的观测噪声。
测量步骤中,我们直接可以测量到位置px和py,所以我们的测量矩阵H可以表示为:
我们预测的第二步就变成了:
Pk=APk-1AT+Q1;
这是我们的P的更新过程,它本质上是我们的估计状态概率分布的协方差矩阵。Q1是我们的过程噪声的协方差矩阵(由于第一卡尔曼滤波器和第二卡尔曼滤波器对距离测量的灵敏度不同,因此过程噪声的值不同,我们用Q1和Q2来区分),由于过程噪声是随机带入的,所以wk本质是一个高斯分布:wk~N(0,Q1),Q1是过程噪声的协方差,Q1的形式为:
进而表示为:
第一卡尔曼滤波器的过程噪声的协方差矩阵Q1大于所述第二卡尔曼滤波器的过程噪声的协方差矩阵Q2。
步骤2032,获取观测噪声的协方差矩阵R1、过程噪声的协方差矩阵Q1、前一帧预测误差协方差矩阵Pk-1,前一帧位置状态xk-1,当前帧的位置测量值zk;
在本实施例中,观测噪声的协方差矩阵用于指示对状态估计算法的信任程度,由于我们估计位置和速度,因此采用2*2的矩阵。如果认为算法非常准确,则设置较小值。如果认为相对不准确,则设置较大值。第一卡尔曼滤波器的观测噪声的协方差矩阵R1小于所述第二卡尔曼滤波器的观测噪声的协方差矩阵R2。例如:
首次估计时设置预测误差协方差矩阵P的初始值,然后每次根据新采集的图像更新P。P控制的是滤波器的状态,初始会设一个比较大的值,随着滤波收敛会慢慢降下来,因此对位置灵敏的滤波器(用于位置估计)需要初始值设置的大一些,让滤波器从不收敛状态快速收敛。对位置迟钝的滤波器(用于速度估计)的初始值可以设置的小一些,滤波器初始就认为自己已经属于比较稳定的状态,因此更新的少。第一卡尔曼滤波器的预测误差协方差矩阵P1的初始值大于所述第二卡尔曼滤波器的预测误差协方差矩阵P2的初始值。
当前帧的位置测量值zk是直接通过神经网络得到的。
位置状态的初始值可设置为初始测量值,之后的每帧图像处理过程中基于前一帧的位置状态和测量值估计当前帧的位置状态。
步骤2033,预测当前帧的位置状态xk;
在本实施例中,根据前一帧的位置状态计算当前帧的位置状态。
xk=Axk-1+wk-1,wk-1为过程噪声。后面的分析我们会先忽略过程噪声,但是我们在传感器融合的部分会将过程噪声重新考虑进来。
即,计算采用公式xk=Axk-1
步骤2034,预测当前帧的预测误差协方差矩阵Pk;
在本实施例中,通过前一帧的预测误差协方差矩阵计算的当前帧的预测误差协方差矩阵:
Pk=APk-1AT+Q1
步骤2035,计算卡尔曼增益Kk;
在本实施例中,卡尔曼增益(Kalman Gain),它描述的是之前的估计和当前的测量对当前的估计的影响的分配权重。
我们虽然不知道观测噪声的值,但是我们知道它的均值,前面我们提到,观测噪声来自传感器本身,并且符合高斯分布,所以我们能够根据样本统计出观测噪声的均值R,那么卡尔曼增益可以表示为:
Kk=PkHT(HPkHT+R1)-1
步骤2036,更新当前帧的位置状态xk后输出;
在本实施例中,根据卡尔曼增益、测量矩阵和位置测量值计算,xk=xk+Kk(zk-Hxk)。该值可用于下一帧图像的位置状态估计。
步骤2037,更新当前帧的预测误差协方差矩阵Pk。
在本实施例中,根据卡尔曼增益、测量矩阵更新当前帧的预测误差协方差矩阵,Pk=(1-KkH)Pk。
步骤204,将位置测量值输入第二卡尔曼滤波器,输出障碍物的速度状态。
在本实施例中,第二卡尔曼滤波器的运动模型与第一卡尔曼滤波器的相同。因此不再赘述。这两个滤波器的主要区别在于观测噪声的协方差矩阵R、过程噪声的协方差矩阵Q、预测误差协方差矩阵P的初始值不同。从而使得第一卡尔曼滤波器对位置观测较灵敏,用于更新位置状态,而第二卡尔曼滤波器对位置观测较迟钝,用于更新速度状态。
在本实施例的一些可选的实现方式中,第一卡尔曼滤波器的过程噪声的协方差矩阵大于第二卡尔曼滤波器的过程噪声的协方差矩阵。从而加快了第一卡尔曼滤波器的预测误差协方差矩阵的收敛速度,减少第二卡尔曼滤波器的预测误差协方差矩阵的收敛速度。分别提高位置估计和速度估计的准确性。
在本实施例的一些可选的实现方式中,第一卡尔曼滤波器的预测误差协方差矩阵的初始值大于第二卡尔曼滤波器的预测误差协方差矩阵的初始值。从而使得第一卡尔曼滤波器从不收敛状态快速收敛。第二卡尔曼滤波器的可以设置的小一些,就认为自己已经属于比较稳定的状态,因此更新的少。分别提高位置估计和速度估计的准确性。
可选地,可在第一卡尔曼滤波器的预测误差协方差矩阵的初始值大于第二卡尔曼滤波器的预测误差协方差矩阵的初始值的同时,第一卡尔曼滤波器的过程噪声的协方差矩阵大于第二卡尔曼滤波器的过程噪声的协方差矩阵。
继续参见图3,图3是根据本实施例的用于估计障碍物运动状态的方法的应用场景的一个示意图。在图3的应用场景中,无人车每采集到一张场景图像,就将该图像输入神经网络模型,得到该图像中障碍物的位置测量值。然后将位置测量值分别输入第一卡尔曼滤波器和第二卡尔曼滤波器。第一卡尔曼滤波器基于前一帧估计的位置状态和误差来预测当前帧的位置状态和误差并计算出卡尔曼增益。然后再根据卡尔曼增益和位置测量值更新当前帧的位置状态和误差。第二卡尔曼滤波器基于前一帧估计的速度状态和误差来预测当前帧的速度状态和误差并计算出卡尔曼增益。然后再根据卡尔曼增益和位置测量值更新当前帧的速度状态和误差。反复执行上述过程,得到平滑的障碍物运动状态。
本申请的上述实施例提供的方法通过分别维护两个常速模型卡尔曼滤波,初始状态方差不同(一个对位置观测较灵敏,用于更新位置状态;一个对位置观测较迟钝,用于更新速度状态)。每次新观测到来时,分别对两个滤波进行更新。(两个滤波的观测噪声的协方差矩阵设置方式也不同)。使用两个滤波的状态量分别更新障碍物的位置与速度。从而提高基于视觉的障碍物运动状态估计的准确性。
进一步参考图4,其示出了用于估计障碍物运动状态的方法的又一个实施例的流程400。该用于估计障碍物运动状态的方法的流程400,包括以下步骤:
步骤401,获取样本集。
在本实施例中,用于估计障碍物运动状态的方法的执行主体(例如图1所示的驾驶控制设备或第三方服务器)可获取样本集。其中,样本包括样本障碍物的图像和用于标注样本障碍物的运动状态的标注信息。
步骤402,对于每个样本,将该样本的样本障碍物的图像输入初始卡尔曼滤波器后得到识别结果,与该样本的标注信息进行对比,得到该样本的噪声。
在本实施例中,初始卡尔曼滤波器的P、Q、R值可随意设置。通过初始卡尔曼滤波器对样本集中的样本进行障碍物运动状态估计,得到的结果为估计的运动状态。再将估计的运动状态与标注的真实的运动状态比较,它们之间的差距即为噪声。
步骤403,根据各样本的噪声确定噪声分布。
在本实施例中,举个例子,在1w张图片上使用卡尔曼滤波器,将输出结果和真值对比,得到了一个整体的噪声范围。排序后可以得到均值,90分位数,99分位数这样的噪声。
步骤404,根据噪声分布设置用于更新位置状态的第一卡尔曼滤波器和用于更新速度状态的第二卡尔曼滤波器的观测噪声的协方差矩阵。
在本实施例中,第一卡尔曼滤波器的观测噪声的协方差矩阵R1小于所述第二卡尔曼滤波器的观测噪声的协方差矩阵R2。例如,可将R1取10分位的噪声,将R2取90分位的噪声。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于估计障碍物运动状态的方法的流程体现了对卡尔曼滤波器的观测噪声的协方差矩阵进行选择的步骤。由此,本实施例描述的方案可以设置不同用途的卡尔曼滤波器,从而实现更有效地估计障碍物运动状态。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于估计障碍物运动状态的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于估计障碍物运动状态的装置500包括:获取单元501、检测单元502、第一滤波单元503和第二滤波单元504。其中,获取单元501,被配置成实时获取障碍物的图像;检测单元502,被配置成将实时获取的图像输入预先训练的深度学习的神经网络模型,输出障碍物的位置测量值;第一滤波单元503,被配置成将位置测量值输入第一卡尔曼滤波器,输出障碍物的位置状态;第二滤波单元504,被配置成将位置测量值输入第二卡尔曼滤波器,输出障碍物的速度状态,其中,第一卡尔曼滤波器的观测噪声的协方差矩阵小于第二卡尔曼滤波器的观测噪声的协方差矩阵。
在本实施例中,用于估计障碍物运动状态的装置500的获取单元501、检测单元502、第一滤波单元503和第二滤波单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,第一滤波单元503进一步被配置成:基于恒定速度模型确定出预测矩阵A、测量矩阵H;获取观测噪声的协方差矩阵R1、过程噪声的协方差矩阵Q1、前一帧预测误差协方差矩阵Pk-1,前一帧位置状态xk-1,当前帧的位置测量值zk;预测当前帧的位置状态xk,其中,xk=Axk-1+wk-1,wk-1为过程噪声;预测当前帧的预测误差协方差矩阵Pk,其中,Pk=APk-1AT+Q1;计算卡尔曼增益Kk,其中,Kk=PkHT(HPkHT+R1)-1;更新当前帧的位置状态xk后输出,其中,xk=xk+Kk(zk-Hxk);更新当前帧的预测误差协方差矩阵Pk,其中,Pk=(1-KkH)Pk。
在本实施例的一些可选的实现方式中,第二滤波单元504进一步被配置成:基于恒定速度模型确定出预测矩阵A、测量矩阵H;获取观测噪声的协方差矩阵R2、过程噪声的协方差矩阵Q2、前一帧预测误差协方差矩阵Pk-1,前一帧速度状态vk-1,当前帧的位置测量值zk;预测当前帧的速度状态vk,其中,vk=Avk-1+wk-1,wk-1为过程噪声;预测当前帧的预测误差协方差矩阵Pk,其中,Pk=APk-1AT+Q2;计算卡尔曼增益Kk,其中,Kk=PkHT(HPkHT+R2)-1;更新当前帧的速度状态vk后输出,其中,vk=vk+Kk(zk-Hvk);更新当前帧的预测误差协方差矩阵Pk,其中,Pk=(1-KkH)Pk。
在本实施例的一些可选的实现方式中,第一卡尔曼滤波器的过程噪声的协方差矩阵大于第二卡尔曼滤波器的过程噪声的协方差矩阵。从而加快了第一卡尔曼滤波器的预测误差协方差矩阵的收敛速度,减少第二卡尔曼滤波器的预测误差协方差矩阵的收敛速度。分别提高位置估计和速度估计的准确性。
在本实施例的一些可选的实现方式中,第一卡尔曼滤波器的预测误差协方差矩阵的初始值大于第二卡尔曼滤波器的预测误差协方差矩阵的初始值。从而使得第一卡尔曼滤波器从不收敛状态快速收敛。第二卡尔曼滤波器的可以设置的小一些,就认为自己已经属于比较稳定的状态,因此更新的少。分别提高位置估计和速度估计的准确性。
可选地,可在第一卡尔曼滤波器的预测误差协方差矩阵的初始值大于第二卡尔曼滤波器的预测误差协方差矩阵的初始值的同时,第一卡尔曼滤波器的过程噪声的协方差矩阵大于第二卡尔曼滤波器的过程噪声的协方差矩阵。
在本实施例的一些可选的实现方式中,装置还包括设置单元(附图中未示出),被配置成:获取样本集,其中,样本包括样本障碍物的图像和用于标注样本障碍物的运动状态的标注信息;对于每个样本,将该样本的样本障碍物的图像输入初始卡尔曼滤波器后得到识别结果,与该样本的标注信息进行对比,得到该样本的噪声;根据各样本的噪声确定噪声分布;根据噪声分布设置用于更新位置状态的第一卡尔曼滤波器和用于更新速度状态的第二卡尔曼滤波器的观测噪声的协方差矩阵。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的用于估计障碍物运动状态的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于估计障碍物运动状态的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于估计障碍物运动状态的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于估计障碍物运动状态的方法对应的程序指令/模块(例如,附图5所示的获取单元501、检测单元502、第一滤波单元503和第二滤波单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于估计障碍物运动状态的方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于估计障碍物运动状态的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于估计障碍物运动状态的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于估计障碍物运动状态的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于估计障碍物运动状态的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过分别维护两个常速模型卡尔曼滤波,初始状态方差不同(一个对位置观测较灵敏,用于更新位置状态;一个对位置观测较迟钝,用于更新速度状态)。每次新观测到来时,分别对两个滤波进行更新。(两个滤波的观测噪声的协方差矩阵设置方式也不同)。使用两个滤波的状态量分别更新障碍物的位置与速度。从而提高基于视觉的障碍物运动状态估计的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种用于估计障碍物运动状态的方法,包括:
实时获取障碍物的图像;
将实时获取的图像输入预先训练的深度学习的神经网络模型,输出所述障碍物的位置测量值;
将所述位置测量值输入第一卡尔曼滤波器,输出所述障碍物的位置状态;
将所述位置测量值输入第二卡尔曼滤波器,输出所述障碍物的速度状态,其中,所述第一卡尔曼滤波器的观测噪声的协方差矩阵小于所述第二卡尔曼滤波器的观测噪声的协方差矩阵。
2.根据权利要求1所述的方法,其中,所述将所述位置测量值输入第一卡尔曼滤波器,输出所述障碍物的位置状态,包括:
基于恒定速度模型确定出预测矩阵A、测量矩阵H;
获取观测噪声的协方差矩阵R1、过程噪声的协方差矩阵Q1、前一帧预测误差协方差矩阵Pk-1,前一帧位置状态xk-1,当前帧的位置测量值zk;
预测当前帧的位置状态xk,其中,xk=Axk-1+wk-1,wk-1为过程噪声;
预测当前帧的预测误差协方差矩阵Pk,其中,Pk=APk-1AT+Q1;
计算卡尔曼增益Kk,其中,Kk=PkHT(HPkHT+R1)-1;
更新当前帧的位置状态xk后输出,其中,xk=xk+Kk(zk-Hxk);
更新当前帧的预测误差协方差矩阵Pk,其中,Pk=(1-KkH)Pk。
3.根据权利要求1所述的方法,其中,所述将所述位置测量值输入第二卡尔曼滤波器,输出所述障碍物的速度状态,包括:
基于恒定速度模型确定出预测矩阵A、测量矩阵H;
获取观测噪声的协方差矩阵R2、过程噪声的协方差矩阵Q2、前一帧预测误差协方差矩阵Pk-1,前一帧速度状态vk-1,当前帧的位置测量值zk;
预测当前帧的速度状态vk,其中,vk=Avk-1+wk-1,wk-1为过程噪声;
预测当前帧的预测误差协方差矩阵Pk,其中,Pk=APk-1AT+Q2;
计算卡尔曼增益Kk,其中,Kk=PkHT(HPkHT+R2)-1;
更新当前帧的速度状态vk后输出,其中,vk=vk+Kk(zk-Hvk);
更新当前帧的预测误差协方差矩阵Pk,其中,Pk=(1-KkH)Pk。
4.根据权利要求1所述的方法,其中,所述第一卡尔曼滤波器的过程噪声的协方差矩阵大于
所述第二卡尔曼滤波器的过程噪声的协方差矩阵。
5.根据权利要求1所述的方法,其中,所述第一卡尔曼滤波器的预测误差协方差矩阵的初始值大于所述第二卡尔曼滤波器的预测误差协方差矩阵的初始值。
6.根据权利要求1-5之一所述的方法,其中,所述方法还包括:
获取样本集,其中,样本包括样本障碍物的图像和用于标注样本障碍物的运动状态的标注信息;
对于每个样本,将该样本的样本障碍物的图像输入初始卡尔曼滤波器后得到识别结果,与该样本的标注信息进行对比,得到该样本的噪声;
根据各样本的噪声确定噪声分布;
根据所述噪声分布设置用于更新位置状态的第一卡尔曼滤波器和用于更新速度状态的第二卡尔曼滤波器的观测噪声的协方差矩阵。
7.一种用于估计障碍物运动状态的装置,包括:
获取单元,被配置成实时获取障碍物的图像;
检测单元,被配置成将实时获取的图像输入预先训练的深度学习的神经网络模型,输出所述障碍物的位置测量值;
第一滤波单元,被配置成将所述位置测量值输入第一卡尔曼滤波器,输出所述障碍物的位置状态;
第二滤波单元,被配置成将所述位置测量值输入第二卡尔曼滤波器,输出所述障碍物的速度状态,其中,所述第一卡尔曼滤波器的观测噪声的协方差矩阵小于所述第二卡尔曼滤波器的观测噪声的协方差矩阵。
8.根据权利要求7所述的装置,其中,所述第一滤波单元进一步被配置成:
基于恒定速度模型确定出预测矩阵A、测量矩阵H;
获取观测噪声的协方差矩阵R1、过程噪声的协方差矩阵Q1、前一帧预测误差协方差矩阵Pk-1,前一帧位置状态xk-1,当前帧的位置测量值zk;
预测当前帧的位置状态xk,其中,xk=Axk-1+wk-1,wk-1为过程噪声;
预测当前帧的预测误差协方差矩阵Pk,其中,Pk=APk-1AT+Q1;
计算卡尔曼增益Kk,其中,Kk=PkHT(HPkHT+R1)-1;
更新当前帧的位置状态xk后输出,其中,xk=xk+Kk(zk-Hxk);
更新当前帧的预测误差协方差矩阵Pk,其中,Pk=(1-KkH)Pk。
9.根据权利要求7所述的装置,其中,所述第二滤波单元进一步被配置成:
基于恒定速度模型确定出预测矩阵A、测量矩阵H;
获取观测噪声的协方差矩阵R2、过程噪声的协方差矩阵Q2、前一帧预测误差协方差矩阵Pk-1,前一帧速度状态vk-1,当前帧的位置测量值zk;
预测当前帧的速度状态vk,其中,vk=Avk-1+wk-1,wk-1为过程噪声;
预测当前帧的预测误差协方差矩阵Pk,其中,Pk=APk-1AT+Q2;
计算卡尔曼增益Kk,其中,Kk=PkHT(HPkHT+R2)-1;
更新当前帧的速度状态vk后输出,其中,vk=vk+Kk(zk-Hvk);
更新当前帧的预测误差协方差矩阵Pk,其中,Pk=(1-KkH)Pk。
10.根据权利要求7所述的装置,其中,所述第一卡尔曼滤波器的过程噪声的协方差矩阵大于所述第二卡尔曼滤波器的过程噪声的协方差矩阵。
11.根据权利要求7所述的装置,其中,所述第一卡尔曼滤波器的预测误差协方差矩阵的初始值大于所述第二卡尔曼滤波器的预测误差协方差矩阵的初始值。
12.根据权利要求7-11之一所述的装置,其中,所述装置还包括设置单元,被配置成:
获取样本集,其中,样本包括样本障碍物的图像和用于标注样本障碍物的运动状态的标注信息;
对于每个样本,将该样本的样本障碍物的图像输入初始卡尔曼滤波器后得到识别结果,与该样本的标注信息进行对比,得到该样本的噪声;
根据各样本的噪声确定噪声分布;
根据所述噪声分布设置用于更新位置状态的第一卡尔曼滤波器和用于更新速度状态的第二卡尔曼滤波器的观测噪声的协方差矩阵。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513400.8A CN111666891B (zh) | 2020-06-08 | 2020-06-08 | 用于估计障碍物运动状态的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513400.8A CN111666891B (zh) | 2020-06-08 | 2020-06-08 | 用于估计障碍物运动状态的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666891A true CN111666891A (zh) | 2020-09-15 |
CN111666891B CN111666891B (zh) | 2023-09-26 |
Family
ID=72385587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010513400.8A Active CN111666891B (zh) | 2020-06-08 | 2020-06-08 | 用于估计障碍物运动状态的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666891B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096424A (zh) * | 2021-03-25 | 2021-07-09 | 武汉光庭信息技术股份有限公司 | 一种行人横穿的车辆自动紧急制动方法及系统 |
CN113112524A (zh) * | 2021-04-21 | 2021-07-13 | 智道网联科技(北京)有限公司 | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 |
CN113469037A (zh) * | 2021-06-30 | 2021-10-01 | 广州大学 | 一种基于机器视觉的水下无人机智能避障方法和系统 |
CN113739768A (zh) * | 2021-09-06 | 2021-12-03 | 北京智源人工智能研究院 | 基于卡尔曼滤波的视觉目标处理方法、装置、设备及介质 |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114495037A (zh) * | 2021-12-31 | 2022-05-13 | 山东师范大学 | 一种基于关键点和卡尔曼滤波的视频预测方法及系统 |
WO2022126396A1 (zh) * | 2020-12-15 | 2022-06-23 | 深圳市大疆创新科技有限公司 | 状态信息确定方法、装置、平台及计算机可读存储介质 |
CN116237947A (zh) * | 2023-03-22 | 2023-06-09 | 北京瓦特曼智能科技有限公司 | 机器人控制方法、系统、表面处理设备及存储介质 |
CN117870688A (zh) * | 2024-01-12 | 2024-04-12 | 哈尔滨工业大学(威海) | 一种基于高斯概率模型的无人车辆导航障碍物建模方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5653462A (en) * | 1992-05-05 | 1997-08-05 | Automotive Technologies International, Inc. | Vehicle occupant position and velocity sensor |
US6370475B1 (en) * | 1997-10-22 | 2002-04-09 | Intelligent Technologies International Inc. | Accident avoidance system |
CN102866706A (zh) * | 2012-09-13 | 2013-01-09 | 深圳市银星智能科技股份有限公司 | 一种采用智能手机导航的清扫机器人及其导航清扫方法 |
CN104501817A (zh) * | 2014-11-24 | 2015-04-08 | 李青花 | 一种基于误差消除的车载导航系统 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN107341819A (zh) * | 2017-05-09 | 2017-11-10 | 深圳市速腾聚创科技有限公司 | 目标跟踪方法及存储介质 |
CN108280445A (zh) * | 2018-02-26 | 2018-07-13 | 江苏裕兰信息科技有限公司 | 一种车辆周围运动物体和凸起障碍物的检测方法 |
CN109902568A (zh) * | 2019-01-22 | 2019-06-18 | 长江大学 | 一种自适应卡尔曼滤波算法 |
CN110675435A (zh) * | 2019-10-08 | 2020-01-10 | 嘉兴智驾科技有限公司 | 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 |
CN110910416A (zh) * | 2019-11-20 | 2020-03-24 | 河北科技大学 | 运动障碍物跟踪方法、装置及终端设备 |
CN110940979A (zh) * | 2019-10-28 | 2020-03-31 | 杭州飞步科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
-
2020
- 2020-06-08 CN CN202010513400.8A patent/CN111666891B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5653462A (en) * | 1992-05-05 | 1997-08-05 | Automotive Technologies International, Inc. | Vehicle occupant position and velocity sensor |
US6370475B1 (en) * | 1997-10-22 | 2002-04-09 | Intelligent Technologies International Inc. | Accident avoidance system |
CN102866706A (zh) * | 2012-09-13 | 2013-01-09 | 深圳市银星智能科技股份有限公司 | 一种采用智能手机导航的清扫机器人及其导航清扫方法 |
CN104501817A (zh) * | 2014-11-24 | 2015-04-08 | 李青花 | 一种基于误差消除的车载导航系统 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN107341819A (zh) * | 2017-05-09 | 2017-11-10 | 深圳市速腾聚创科技有限公司 | 目标跟踪方法及存储介质 |
CN108280445A (zh) * | 2018-02-26 | 2018-07-13 | 江苏裕兰信息科技有限公司 | 一种车辆周围运动物体和凸起障碍物的检测方法 |
CN109902568A (zh) * | 2019-01-22 | 2019-06-18 | 长江大学 | 一种自适应卡尔曼滤波算法 |
CN110675435A (zh) * | 2019-10-08 | 2020-01-10 | 嘉兴智驾科技有限公司 | 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 |
CN110940979A (zh) * | 2019-10-28 | 2020-03-31 | 杭州飞步科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
CN110910416A (zh) * | 2019-11-20 | 2020-03-24 | 河北科技大学 | 运动障碍物跟踪方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
李建等: "基于双目视觉和惯性器件的微小型无人机运动状态估计方法" * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126396A1 (zh) * | 2020-12-15 | 2022-06-23 | 深圳市大疆创新科技有限公司 | 状态信息确定方法、装置、平台及计算机可读存储介质 |
CN113096424B (zh) * | 2021-03-25 | 2022-05-31 | 武汉光庭信息技术股份有限公司 | 一种行人横穿的车辆自动紧急制动方法及系统 |
CN113096424A (zh) * | 2021-03-25 | 2021-07-09 | 武汉光庭信息技术股份有限公司 | 一种行人横穿的车辆自动紧急制动方法及系统 |
CN113112524A (zh) * | 2021-04-21 | 2021-07-13 | 智道网联科技(北京)有限公司 | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 |
CN113112524B (zh) * | 2021-04-21 | 2024-02-20 | 智道网联科技(北京)有限公司 | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 |
CN113469037A (zh) * | 2021-06-30 | 2021-10-01 | 广州大学 | 一种基于机器视觉的水下无人机智能避障方法和系统 |
CN113739768A (zh) * | 2021-09-06 | 2021-12-03 | 北京智源人工智能研究院 | 基于卡尔曼滤波的视觉目标处理方法、装置、设备及介质 |
CN113763434B (zh) * | 2021-09-26 | 2024-02-02 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114495037A (zh) * | 2021-12-31 | 2022-05-13 | 山东师范大学 | 一种基于关键点和卡尔曼滤波的视频预测方法及系统 |
CN116237947A (zh) * | 2023-03-22 | 2023-06-09 | 北京瓦特曼智能科技有限公司 | 机器人控制方法、系统、表面处理设备及存储介质 |
CN116237947B (zh) * | 2023-03-22 | 2024-05-07 | 北京瓦特曼智能科技有限公司 | 机器人控制方法、系统、表面处理设备及存储介质 |
CN117870688A (zh) * | 2024-01-12 | 2024-04-12 | 哈尔滨工业大学(威海) | 一种基于高斯概率模型的无人车辆导航障碍物建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111666891B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666891B (zh) | 用于估计障碍物运动状态的方法和装置 | |
CN111273268B (zh) | 自动驾驶障碍物类型的识别方法、装置及电子设备 | |
CN111091591A (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
CN107748569B (zh) | 用于无人机的运动控制方法、装置及无人机系统 | |
CN110246182B (zh) | 基于视觉的全局地图定位方法、装置、存储介质和设备 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN111959495B (zh) | 车辆的控制方法、装置及车辆 | |
CN110723079B (zh) | 车载传感器的位姿调整方法、装置、设备和介质 | |
CN110879395B (zh) | 障碍物位置预测方法、装置和电子设备 | |
CN110703732B (zh) | 相关性检测方法、装置、设备及计算机可读存储介质 | |
CN111402326B (zh) | 障碍物的检测方法、装置、无人车及存储介质 | |
CN112880674A (zh) | 一种行驶设备的定位方法、装置、设备及存储介质 | |
CN114179832A (zh) | 用于自动驾驶车辆的变道方法 | |
CN112902951B (zh) | 一种行驶设备的定位方法、装置、设备及存储介质 | |
CN114018269B (zh) | 定位方法、装置、电子设备、存储介质以及自动驾驶车辆 | |
CN115556769A (zh) | 障碍物状态量确定方法及装置、电子设备和介质 | |
CN117392241B (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
CN113177980B (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
CN111783611B (zh) | 无人车的定位方法、装置、无人车及存储介质 | |
CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
CN111612851A (zh) | 用于标定相机的方法、装置、设备以及存储介质 | |
CN115097156B (zh) | 一种自动驾驶中障碍物的速度估计方法、装置和电子设备 | |
CN110798681A (zh) | 成像设备的监测方法、装置和计算机设备 |
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 |