CN111684457A - 一种状态检测方法、装置及可移动平台 - Google Patents

一种状态检测方法、装置及可移动平台 Download PDF

Info

Publication number
CN111684457A
CN111684457A CN201980007975.8A CN201980007975A CN111684457A CN 111684457 A CN111684457 A CN 111684457A CN 201980007975 A CN201980007975 A CN 201980007975A CN 111684457 A CN111684457 A CN 111684457A
Authority
CN
China
Prior art keywords
orientation
target tracking
assumed
tracked
tracking object
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
CN201980007975.8A
Other languages
English (en)
Other versions
CN111684457B (zh
Inventor
余瑞
吴显亮
陈进
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.)
SZ DJI Technology Co Ltd
Original Assignee
SZ DJI Technology 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 SZ DJI Technology Co Ltd filed Critical SZ DJI Technology Co Ltd
Publication of CN111684457A publication Critical patent/CN111684457A/zh
Application granted granted Critical
Publication of CN111684457B publication Critical patent/CN111684457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/66—Tracking systems using electromagnetic waves other than radio waves
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Abstract

一种状态检测方法，包括获取传感器检测的初始检测数据，初始检测数据包括至少一个待跟踪对象(12)(S201)；确定与目标跟踪对象(11)相匹配的待跟踪对象(12)，目标跟踪对象(11)具有多个假设状态(S202)；基于待跟踪对象(12)的状态信息更新目标跟踪对象(11)的多个假设状态(S203)；根据更新后的所述目标跟踪对象(11)的多个假设状态，确定目标跟踪对象(11)的目标状态(S204)。采用本发明实施例提供的方法，可以基于多个假设状态来确定跟踪对象(11)的目标状态，从而提高状态检测的准确率。

Description

一种状态检测方法、装置及可移动平台
技术领域
本发明实施例涉及自动驾驶感知领域，尤其涉及一种状态检测方法、装置及可移动平台。
背景技术
为了确保自动驾驶过程中的安全性，自动驾驶系统需要对周围的环境进行精确的感知，例如，对周围环境中的物体(包括车辆、行人、指示牌等)的状态进行检测以获取周围环境中的物体的状态信息，然后根据该状态信息对运行轨迹和运行状态进行控制，以确保安全行驶。
通常，对周围环境中的物体的状态进行检测，会使用多传感器融合的技术，即使用多个传感器获取不同的检测数据，然后对所有的检测数据进行融合处理来检测得到状态信息。例如，常见地可以使用卡尔曼滤波的方式对不同传感器的检测数据得到的估计状态进行融合。然而，当周围环境中的物体的状态发生较大变化时，使用卡尔曼滤波进行处理容易将当前的观测状态作为错误信息滤除掉，然而实际上当前的观测状态可能是有效的观测状态。
当对周围环境的物体的状态进行检测时，通常是以该物体的中心点作为目标进行检测的，例如对于周围环境中的车辆，以车辆的中心点作为目标；然而，车辆的中心点并不是能够直接通过传感器检测获取的点，通常需要对直接检测数据进行处理后才能获得，例如通过图像识别车辆的拟合边界框来确定中心点，这样通过估测来获取中心点信息的方法，容易导致中心点的估计精度较低，会受到直接检测数据的误差的影响。并且，通常会利用拟合边界框来估计周围环境中的物体的朝向，然而由于拟合边界框通常是方形的，在计算处理上存在歧义性，常用的例如卡尔曼滤波的方式较难克服朝向歧义性的问题，也较难处理朝向切换的问题。
发明内容
本发明实施例提供一种状态检测方法、装置及设备，可以基于多个假设状态来确定跟踪对象的目标状态，从而提高目标状态的准确率。
一方面，本发明实施例提供一种状态检测方法，包括：
获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；
确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；
基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；
根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。
另一方面，本发明实施例提供一种状态检测装置，包括传感器、存储器和处理器；
所述传感器用于采集数据；
所述存储器用于存储程序代码；
所述处理器，调用所述程序代码，当程序代码被执行时，用于执行以下操作：
获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；
确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；
基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；
根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。
另一方面，本发明实施例提供一种可移动平台，包括：
机身；
电源系统，安装在所述机身，用于为所述可移动平台提供电源；
传感器，安装在所述机身，用于采集数据；
存储器，安装在所述机身，用于存储程序代码；
处理器，安装在所述机身，用于执行如上述一方面所述的状态检测方法。
本发明实施例中，通过获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。采用本发明实施例，可以基于维护的多个假设状态来确定目标跟踪对象的目标状态，从而提高状态检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种状态检测系统的示意图；
图2是本发明实施例提供的一种状态检测方法的流程示意图；
图3是本发明实施例提供的一种多高斯假设目标跟踪算法的流程示意图；
图4是本发明实施例提供的另一种状态检测方法的流程示意图；
图5是本发明实施例提供的一种目标跟踪对象的朝向更新算法的流程示意图；
图6a是本发明实施例提供的一种待跟踪对象的多个边界朝向与目标跟踪对象的多个假设朝向的关系的示意图；
图6b是本发明实施例提供的一种待跟踪对象的多个速度朝向与目标跟踪对象的多个假设朝向的关系的示意图；
图7是本发明实施例提供的一种状态检测方法的应用示意图；
图8是本发明实施例提供的一种目标锚点检测方法的流程示意图；
图9a是本发明实施例提供的目标锚点的示意图；
图9b是本发明实施例提供的目标跟踪对象和待检测对象之间的锚点对应关系的示意图；
图10是本发明实施例提供的一种状态检测装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
为解决现有技术中状态检测准确率较低、朝向歧义性的问题，本发明实施例提供一种状态检测方法，该方法通过获取传感器检测的初始检测数据，其中，初始检测数据是以每个待跟踪对象的目标锚点为中心点进行检测获得的；然后根据该初始检测数据更新目标跟踪对象的多个假设状态；再根据更新后的目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。也就是说，本发明实施例提供的状态检测方法能够基于维护的多个假设状态来确定目标跟踪对象的目标状态，同时以目标锚点为中心点进行检测，从而提高状态检测的准确率。
以下结合附图对本发明实施例的相关内容进行阐述。请参见图1，图1是本发明实施例提供的一种状态检测系统的示意图，所述系统包括目标跟踪对象11、待跟踪对象12、观测对象13；其中，目标跟踪对象11、待跟踪对象12和观测对象13可以是可移动平台，其中，可移动平台可以包括但不限于无人机、无人车和移动机器人等。本发明实施例提供的一种状态检测方法可以实时检测观测对象13的周围环境的多个待跟踪对象(如车辆、行人、路标等)，并获取各个待跟踪对象在三维空间中的位置信息、速度信息、边界信息、朝向信息等信息，确定与目标跟踪对象相匹配的待跟踪对象，并根据待跟踪对象的状态信息更新目标跟踪对象的状态信息，最终确定目标跟踪对象的目标状态。
本发明实施例提供一种状态检测方法，请参见图2，该状态检测方法可以应用于图1所示的状态检测系统中，该状态检测方法可包括以下步骤：
S201，获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象。
初始检测数据包括通过传感器获取的多个待跟踪对象，其中，传感器可以包括但不限于视觉传感器(如相机)和雷达(如激光雷达、毫米波雷达)等，通过传感器可以获取观测对象周围可能存在的多个待跟踪对象；例如，图1所示的状态检测系统中，观测对象的周围存在3个可能影响观测对象的运行轨迹的待跟踪对象1、待跟踪对象2和待跟踪对象3。传感器还可以获取待跟踪对象的状态信息，其中，状态信息可以包括但不限于待跟踪对象的位置信息、速度信息、边界信息、朝向信息等，该状态信息表示待跟踪对象的运行状态以及是否对观测对象的运行造成影响，例如，图1所示的待跟踪对象1的朝向信息为西北方向，则下一时刻待跟踪对象1可能驶离观测对象的正前方，需要提示观测对象是否可以加速。
S202，确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态。
目标跟踪对象为观测对象已获取的周围环境的检测结果，其中，目标跟踪对象可以是一个或多个，为了便于描述，本实施例所指的目标跟踪对象为一个，该目标跟踪对象可以具有多个假设状态，例如，目标跟踪对象包括假设状态1和假设状态2，其中，假设状态1表示该目标跟踪对象位于观测对象的右前方，假设状态2表示该目标跟踪对象的运行速度为50千米/小时。在观测对象运行的过程中，传感器可以获取待跟踪对象以及待跟踪对象的状态信息，其中，待跟踪对象为一个时间段内(如一个检测周期内)传感器采集到的数据。为了保持目标跟踪对象的状态信息的实时性，可以将待跟踪对象和目标跟踪对象进行匹配，以采用待跟踪对象更新目标跟踪对象；其中，确定与目标跟踪对象相匹配的待跟踪对象具体包括以下步骤：
s2021，获取待跟踪对象的对象标识以及目标跟踪对象的对象标识；
s2022，确定至少一个待跟踪对象中，对象标识与待跟踪对象的对象标识相匹配的目标跟踪对象。
在一种实施例中，确定与目标跟踪对象相匹配的待跟踪对象还可以采用匹配算法(如匈牙利算法等)对未匹配的待跟踪对象和目标跟踪对象进行匹配。在一种可能的情况下，若存在待跟踪对象与所有的目标跟踪对象均不匹配，则可以根据该待跟踪对象创建新的目标跟踪对象以及创建新的目标跟踪对象的假设状态。
在一种实施例中，若存在一目标跟踪对象的对象标识与多次采集的待跟踪对象的对象标识均不匹配，则删除该目标跟踪对象。可以理解的是，若目标跟踪对象于多次采集的待跟踪对象均不匹配，则表示该目标跟踪对象可能不再存在于观测对象的周围环境中，则可以删除该目标跟踪对象。
S203，基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态。
待跟踪对象的状态信息可以包括但不限于位置信息、速度信息、边界信息、朝向信息等，其中，待跟踪对象的位置信息包括待跟踪对象与观测对象的相对位置，例如，待跟踪对象位于观测对象的左前方20米；待跟踪对象的速度信息包括待跟踪对象的速度值以及速度的方向；待跟踪对象的边界信息包括待跟踪对象的边界框信息以及车头方向；待跟踪对象的朝向信息包括待跟踪对象的边界朝向和/或速度朝向。
待跟踪对象与目标跟踪对象匹配成功后，可以根据待跟踪对象的状态信息更新目标跟踪对象的假设状态，以提高状态检测的准确性，其中，更新目标跟踪对象的假设状态可以是利用待跟踪对象的状态信息和更新模型，更新所述目标跟踪对象的多个假设状态，具体可以包括以下步骤：
s2031，确定更新模型，所述更新模型包括多高斯假设模型；
s2032，将待跟踪对象的状态信息和匹配的目标跟踪对象的多个假设状态作为多高斯假设模型的输入，采用多高斯假设目标跟踪算法更新目标跟踪对象的多个假设状态；
s2033，将更新后的目标跟踪对象的多个假设状态作为多高斯假设模型的输出。
其中，本实施例提出的多高斯假设目标跟踪算法的流程请参见图3，该算法采用迭代的方式依次对目标跟踪对象的多个假设状态进行更新，直至遍历该目标跟踪对象的所有假设状态。
在一种实施例中，当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态中至少一个假设状态兼容时，执行上述基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态的步骤；其中，待跟踪对象的状态信息包括待跟踪对象的多个状态，可以采用统计学方法(如卡方检测)判断待跟踪对象的多个状态中是否存在至少一个状态与目标跟踪对象的多个假设状态中至少一个假设状态兼容；可以理解的是，本实施例所述的兼容是指待跟踪对象的至少一个状态可以替换目标跟踪对象的至少一个假设状态，例如，待跟踪对象的状态信息包括状态1，状态1表示待跟踪对象位于观测对象的左前方20米；目标跟踪对象的多个假设状态包括假设状态1，假设状态1表示目标跟踪对象位于观测对象的左前方10米，则更新假设状态1为目标跟踪对象位于观测对象的左前方10米。
在一种实施例中，若待跟踪对象的状态信息与目标跟踪对象具有的多个假设状态均不兼容时，基于所述待跟踪对象的状态信息增加所述目标跟踪对象的假设状态，例如，待跟踪对象的状态信息包括目标跟踪对象位于观测对象的右前方，目标跟踪对象的多个假设状态不包括上述状态，则增加目标跟踪对象的假设状态，该增加的假设状态为目标跟踪对象位于观测对象的右前方。
S204，根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。
由于采用多高斯假设模型对目标跟踪对象的多个假设状态进行更新，可能导致多个假设状态收敛到相同的状态，则可以基于融合算法，对更新后的目标跟踪对象的多个假设状态进行融合，以获得目标跟踪对象的目标状态，其中，融合算法可以包括但不限于线性加权融合算法、交叉融合算法、瀑布融合算法、特征融合算法等。本实施例基于融合算法，将多个收敛到相同状态的假设状态进行融合，以确定目标跟踪对象的目标状态。
本发明实施例中，通过获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。采用本发明实施例，可以基于多个假设状态来确定目标跟踪对象的目标状态，从而提高状态检测的准确率。
本发明实施例提供另一种状态检测方法，请参见图4，该状态检测方法可以应用于图1所示的状态检测系统中，该状态检测方法可包括以下步骤：
S401，获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象。本实施例的步骤S401可参考图2所示的步骤S201，在此不赘述。
S402，确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设朝向。本实施例的步骤S402可参考图2所示的步骤S202，在此不赘述。
S403，基于所述待跟踪对象的朝向更新所述目标跟踪对象的多个假设朝向。
为了提高状态检测结果的准确性，本实施例提出同时维护目标跟踪对象在多个方向上假设朝向，可以采用待跟踪对象的边界信息和/或速度信息更新目标跟踪对象的多个假设朝向，其中，目标跟踪对象的朝向更新算法的流程请参见图5，该算法采用迭代的方式依次将待跟踪对象的多个朝向与目标跟踪对象的多个假设朝向进行对比，若满足对比条件，则将满足对比条件的目标跟踪对象的假设朝向替换为待跟踪对象对应的朝向，直至遍历该目标跟踪对象的所有假设朝向以完成目标跟踪对象的朝向更新。
在一种实施例中，以状态信息为边界信息为例，首先，通过传感器可以获取待跟踪对象的边界朝向，由于边界框的朝向具有一定的歧义性(如车头朝向不一定为下一时刻车身的运行方向)，本实施例提出对待跟踪对象的多个朝向同时进行维护，如图6a所示，其中，假设通过传感器检测到的待跟踪对象的实际朝向为第一边界朝向，如图6a中的x0方向；确定以第一边界朝向顺时针旋转90度后的朝向为第二边界朝向，如图6a中的x1方向；确定以第一边界朝向顺时针旋转180度后的朝向为第三边界朝向，如图6a中的x2方向；确定以第一边界朝向顺时针旋转270度后的朝向为第四边界朝向，如图6a中的x3方向。其次，可以对传感器采集的数据进行处理，以获取待跟踪对象的每个边界朝向的概率，可以理解的是，在初始化时，定义第一边界朝向的概率为1(该第一边界朝向为传感器实际检测到的边界框的朝向，则概率为1)，定义第二边界朝向、第三边界朝向和第四边界朝向的初始概率为0(上述三个边界朝向为假设的朝向，则初始概率为0)。相应的，当利用边界信息对目标跟踪对象进行状态更新时，目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率，如图6a所示，其中，目标跟踪对象的多个假设朝向也包括四个方向，如图6a中的y0方向、y1方向、y2方向和y3方向。可以理解的是，待跟踪对象的四个边界朝向的概率之和为1，同样的，目标跟踪对象的四个假设朝向的概率之和也为1。具体的，采用目标跟踪对象的状态更新算法更新目标跟踪对象的多个假设状态时，针对该目标跟踪对象的多个假设状态中的每个假设朝向，利用多个边界朝向中与假设朝向之间的夹角小于预设阈值的边界朝向及其概率，更新所述假设朝向及其概率；例如，依次分别判断第一边界朝向、第二边界朝向、第三边界朝向和第四边界朝向与每个假设朝向之间的夹角是否小于预设阈值(如45度角)；若小于预设阈值，则将满足条件的目标跟踪对象的假设朝向及其概率更新为对应的待跟踪对象的边界朝向及其概率，直至遍历目标跟踪对象的所有假设朝向。
在一种实施例中，以状态信息为速度信息为例，待跟踪对象的速度大小以及速度朝向可以通过传感器获取，通常情况下，速度的方向可以代表目标跟踪对象的朝向，当速度较大且收敛到比较稳定的状态时，可以利用速度信息来更新朝向。本实施例提出对待跟踪对象的多个朝向同时进行维护，如图6b所示，其中，假设传感器检测到的待跟踪对象的速度方向为第一速度朝向，如图6b中的v0方向；确定以第一速度朝向顺时针旋转90度后的朝向为第二速度朝向，如图6b中的v1方向；确定以所述第一速度朝向顺时针旋转180度后的朝向为第三速度朝向，如图6b中的v2方向；确定以所述第一速度朝向顺时针旋转270度后的朝向为第四速度朝向，如图6b中的v3方向。同时对上述速度朝向数据进行处理，确定每个速度朝向的概率。可以理解的是，在初始化时，定义第一速度朝向的概率为1，定义第二边界朝向、第三边界朝向和第四边界朝向的初始概率为0；相应的，当利用速度信息对目标跟踪对象进行状态更新时，目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率，如图6b所示，其中，目标跟踪对象的多个假设朝向也包括四个方向，如图6b中的y0方向、y1方向、y2方向和y3方向。基于待跟踪对象的速度信息更新所述目标跟踪对象的多个假设状态的步骤与上文实施例中基于待跟踪对象的边界信息更新所述目标跟踪对象的多个假设状态的步骤类似，在此不再赘述。
S404，根据更新后的所述目标跟踪对象的多个假设朝向，确定所述目标跟踪对象的目标朝向。
根据S403中的描述，更新后的目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率，则从目标跟踪对象的多个假设朝向中，确定概率最大的假设朝向为目标跟踪对象的目标朝向。
本发明实施例中，通过获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设朝向；基于所述待跟踪对象的朝向更新所述目标跟踪对象的多个假设朝向；根据更新后的所述目标跟踪对象的多个假设朝向，确定所述目标跟踪对象的目标状态。采用本发明实施例，可以同时维护目标跟踪对象在多个方向上的假设状态，从而提高状态检测的准确率。
基于上述状态检测方法的实施例的描述，本发明实施例提供一种状态检测方法的应用场景，该应用场景可以采用上述图2和图4所示的状态检测方法，请参见图7，具体包括以下步骤：接收传感器采集的初始检测数据，并将初始检测数据存入数据缓冲区；将数据缓冲区的初始检测数据按照时间戳进行排序；当需要对数据缓冲区的数据进行处理时，处理线程循环地从数据缓冲区中取数据进行处理，例如，按照先进先出的原则首先处理时间最早的数据；根据历史关联结果，将待跟踪对象与目标跟踪对象进行匹配，其中，匹配的方法可以包括但不限于根据待跟踪对象的对象标识以及目标跟踪对象的对象标识进行匹配，采用匹配算法(如匈牙利算法)进行匹配等；若存在一目标跟踪对象的对象标识与多次采集的待跟踪对象的对象标识均不匹配，则删除该目标跟踪对象；若存在待跟踪对象与所有的目标跟踪对象均不匹配，则可以根据该待跟踪对象创建新的目标跟踪对象以及创建新的目标跟踪对象的假设状态；匹配完成后，可以采用统计学方法(如卡方检测)判断待跟踪对象的状态信息与目标跟踪对象的多个假设状态的相容性，并根据兼容的结果更新目标跟踪对象的多个假设状态；最终输出目标跟踪对象的目标状态，该目标状态包括所有的收敛状态。
本发明实施例提供一种目标锚点检测方法，请参见图8，该目标锚点检测方法可以应用于图1所示的状态检测系统中，该目标锚点检测方法可包括以下步骤：
S801，确定目标锚点，所述目标锚点为与观测对象的各边界点之间距离最短的边界点。
为了提高状态检测的准确性，本实施例提出采用目标锚点作为中心点进行检测，其中，目标锚点为与观测对象的各边界点之间距离最短的边界点。区别于现有技术中的中心点只能通过传感器检测到的边界框的位置、大小以及朝向等信息推测得到，本实施例提供的目标锚点为直接检测得到的一个点，其中，该目标锚点可以从雷达获取的点云信息中拟合得到。目标锚点的示意图如图9a所示，图9a将三维边界框简化为二维的边界框，为了便于描述，将该二维边界框的四个顶点分别编号，其中，图9a中的顶点3为目标锚点，箭头的方向表示待跟踪对象的朝向。
在一种实施例中，初始检测数据是以每个待跟踪对象的目标锚点为中心点进行检测获得的，例如，当初始检测数据中的待跟踪对象的状态信息包括待跟踪对象的边界朝向时，待跟踪对象的边界朝向可以通过目标锚点检测获取。
在一种实施例中，目标跟踪对象和待检测对象之间存在四种可能的锚点对应关系，如图9b所示，其中，由锚点的对应关系，可以将目标跟踪对象的锚点映射为待跟踪对象的锚点进行跟踪，当对应的待跟踪对象的锚点发生变化时，可以根据待跟踪对象的大小和朝向进行锚点切换，由旧锚点的位置估计新锚点的位置。
本发明实施例采用目标锚点作为中心点进行状态检测，有利于降低朝向观测的歧义性，从而提高状态检测的准确性。
基于上述状态检测方法的实施例的描述，本发明实施例提供一种状态检测装置，可以被应用于上述图2和图4所示的状态检测方法以及图8所示的目标锚点检测方法中，以用于执行上述状态检测方法中的相应步骤。请参见图10，该装置包括传感器1001、存储器1002和处理器1003；传感器1001用于采集数据；存储器1002用于存储程序代码；处理器1003调用程序代码，当程序代码被执行时，用于执行以下操作：
获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；
确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；
基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；
根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。
在一种实施例中，所述状态信息包括位置信息、速度信息、边界信息、朝向信息中的一种或多种；所述目标状态包括目标位置信息、目标速度信息、目标边界信息、目标朝向信息中的一种或多种。
在一种实施例中，所述处理器1003还用于：
当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态中至少一个假设状态兼容时，执行所述的基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态的步骤；
当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态均不兼容时，基于所述待跟踪对象的状态信息增加所述目标跟踪对象的假设状态。
在一种实施例中，所述处理器1003还用于：
基于融合算法，对更新后的所述目标跟踪对象的多个假设状态进行融合，获得所述目标跟踪对象的目标状态。
在一种实施例中，所述处理器1003还用于：
获取收敛到相同状态的多个假设状态；
将所述收敛到相同状态的多个假设状态合并为相同状态；
确定所述目标跟踪对象的目标状态包括所述相同状态。
在一种实施例中，所述处理器1003还用于：
利用所述待跟踪对象的状态信息和更新模型，更新所述目标跟踪对象的多个假设状态。
在一种实施例中，所述状态信息为速度信息；所述速度信息包括待跟踪对象的多个速度朝向以及每个速度朝向的概率；所述目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率；所述处理器1003还用于：
针对所述目标跟踪对象的多个假设状态中的每个假设朝向，利用所述多个速度朝向中与所述假设朝向之间的夹角小于预设阈值的速度朝向及其概率，更新所述假设朝向及其概率。
在一种实施例中，所述状态信息为边界信息；所述边界信息包括待跟踪对象的多个边界朝向以及每个边界朝向的概率；所述目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率；所述处理器1003还用于：
针对所述目标跟踪对象的多个假设状态中的每个假设朝向，利用所述多个边界朝向中与所述假设朝向之间的夹角小于预设阈值的边界朝向及其概率，更新所述假设朝向及其概率。
在一种实施例中，所述多个速度朝向包括所述待跟踪对象的第一速度朝向、第二速度朝向、第三速度朝向和第四速度朝向；所述第一速度朝向为利用传感器检测到的所述待跟踪对象的速度方向；所述第二速度朝向为以所述第一速度朝向顺时针旋转90度后的朝向；所述第三速度朝向为以所述第一速度朝向顺时针旋转180度后的朝向；所述第四速度朝向为以所述第一速度朝向顺时针旋转270度后的朝向。
在一种实施例中，所述多个边界朝向包括所述待跟踪对象的第一边界朝向、第二边界朝向、第三边界朝向和第四边界朝向；所述第一边界朝向为所述待跟踪对象的车头方向；所述第二边界朝向为以所述第一边界朝向顺时针旋转90度后的朝向；所述第三边界朝向为以所述第一边界朝向顺时针旋转180度后的朝向；所述第四边界朝向为以所述第一边界朝向顺时针旋转270度后的朝向。
在一种实施例中，所述处理器1003还用于：
从所述目标跟踪对象的多个假设朝向中，确定概率最大的假设朝向为所述目标跟踪对象的目标朝向。
在一种实施例中，所述初始检测数据是以每个待跟踪对象的目标锚点为中心点进行检测获得的。
在一种实施例中，所述目标锚点为与观测对象的各边界点之间距离最短的边界点。
在一种实施例中，所述传感器包括视觉传感器或激光雷达。
在一种实施例中，所述初始检测数据包括视觉传感器获取的图像或激光雷达的点云。
在一种实施例中，所述融合算法包括线性加权融合算法、交叉融合算法、瀑布融合算法、特征融合算法中的一种或多种。
本发明实施例提供一种状态检测装置，该状态检测装置通过获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。采用本发明实施例，可以基于多个假设状态来确定目标跟踪对象的目标状态，同时采用目标锚点进行状态检测，从而提高状态检测的准确率。
基于上述状态检测方法及状态检测装置的描述，本发明实施例提供了一种可移动平台，所述可移动平台包括机身、电源系统、传感器、存储器和处理器；其中，电源系统，安装在所述机身，用于为所述可移动平台提供电源；传感器，安装在所述机身，用于采集数据；存储器，安装在所述机身，用于存储程序代码；处理器，安装在所述机身，用于执行如图2和图4实施例中的状态检测方法以及图8实施例中的目标锚点检测方法。
在一种实施例中，可移动平台包括无人机、无人车和移动机器人。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (35)

1.一种状态检测方法，其特征在于，包括：
获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；
确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；
基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；
根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。
2.根据权利要求1所述的方法，其特征在于，所述状态信息包括位置信息、速度信息、边界信息、朝向信息中的一种或多种；所述目标状态包括目标位置信息、目标速度信息、目标边界信息、目标朝向信息中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态中至少一个假设状态兼容时，执行所述的基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态的步骤；
当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态均不兼容时，基于所述待跟踪对象的状态信息增加所述目标跟踪对象的假设状态。
4.根据权利要求1所述的方法，其特征在于，所述根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态，包括：
基于融合算法，对更新后的所述目标跟踪对象的多个假设状态进行融合，获得所述目标跟踪对象的目标状态。
5.根据权利要求4所述的方法，其特征在于，所述基于融合算法，对更新后的所述目标跟踪对象的多个假设状态进行融合，获得所述目标跟踪对象的目标状态，包括：
获取收敛到相同状态的多个假设状态；
将所述收敛到相同状态的多个假设状态合并为相同状态；
确定所述目标跟踪对象的目标状态包括所述相同状态。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态，包括：
利用更新模型和所述待跟踪对象的状态信息，更新所述目标跟踪对象的多个假设状态。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述状态信息为速度信息；所述速度信息包括待跟踪对象的多个速度朝向以及每个速度朝向的概率；所述目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率；
所述基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态，包括：
针对所述目标跟踪对象的多个假设状态中的每个假设朝向，利用所述多个速度朝向中与所述假设朝向之间的夹角小于预设阈值的速度朝向及其概率，更新所述假设朝向及其概率。
8.根据权利要求1至5任一项所述的方法，其特征在于，所述状态信息为边界信息；所述边界信息包括待跟踪对象的多个边界朝向以及每个边界朝向的概率；所述目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率；
所述基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态，包括：
针对所述目标跟踪对象的多个假设状态中的每个假设朝向，利用所述多个边界朝向中与所述假设朝向之间的夹角小于预设阈值的边界朝向及其概率，更新所述假设朝向及其概率。
9.根据权利要求7所述的方法，其特征在于，所述多个速度朝向包括所述待跟踪对象的第一速度朝向、第二速度朝向、第三速度朝向和第四速度朝向；所述第一速度朝向为利用传感器检测到的所述待跟踪对象的速度方向；所述第二速度朝向为以所述第一速度朝向顺时针旋转90度后的朝向；所述第三速度朝向为以所述第一速度朝向顺时针旋转180度后的朝向；所述第四速度朝向为以所述第一速度朝向顺时针旋转270度后的朝向。
10.根据权利要求8所述的方法，其特征在于，所述多个边界朝向包括所述待跟踪对象的第一边界朝向、第二边界朝向、第三边界朝向和第四边界朝向；所述第一边界朝向为所述待跟踪对象的车头方向；所述第二边界朝向为以所述第一边界朝向顺时针旋转90度后的朝向；所述第三边界朝向为以所述第一边界朝向顺时针旋转180度后的朝向；所述第四边界朝向为以所述第一边界朝向顺时针旋转270度后的朝向。
11.根据权利要求7或8所述的方法，其特征在于，所述根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态，包括：
从所述目标跟踪对象的多个假设朝向中，确定概率最大的假设朝向为所述目标跟踪对象的目标朝向。
12.根据权利要求1所述的方法，其特征在于，所述初始检测数据是以每个待跟踪对象的目标锚点为中心点进行检测获得的。
13.根据权利要求12所述的方法，其特征在于，所述目标锚点为与观测对象的各边界点之间距离最短的边界点。
14.根据权利要求1至5任一项所述的方法，其特征在于，所述传感器包括视觉传感器或激光雷达。
15.根据权利要求1至5任一项所述的方法，其特征在于，所述初始检测数据包括视觉传感器获取的图像或激光雷达的点云。
16.根据权利要求4或5所述的方法，其特征在于，所述融合算法包括线性加权融合算法、交叉融合算法、瀑布融合算法、特征融合算法中的一种或多种。
17.一种状态检测装置，其特征在于，包括传感器、存储器和处理器；
所述传感器用于采集数据；
所述存储器用于存储程序代码；
所述处理器，调用所述程序代码，当程序代码被执行时，用于执行以下操作：
获取传感器检测的初始检测数据，所述初始检测数据包括至少一个待跟踪对象；
确定与目标跟踪对象相匹配的待跟踪对象，所述目标跟踪对象具有多个假设状态；
基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态；
根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态。
18.根据权利要求17所述的装置，其特征在于，所述状态信息包括位置信息、速度信息、边界信息、朝向信息中的一种或多种；所述目标状态包括目标位置信息、目标速度信息、目标边界信息、目标朝向信息中的一种或多种。
19.根据权利要求17所述的装置，其特征在于，所述处理器调用所述程序代码时，还用于执行以下操作：
当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态中至少一个假设状态兼容时，执行所述的基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态的步骤；
当所述待跟踪对象的状态信息与所述目标跟踪对象具有的多个假设状态均不兼容时，基于所述待跟踪对象的状态信息增加所述目标跟踪对象的假设状态。
20.根据权利要求17所述的装置，其特征在于，所述处理器在根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态时，执行以下操作：
基于融合算法，对更新后的所述目标跟踪对象的多个假设状态进行融合，获得所述目标跟踪对象的目标状态。
21.根据权利要求20所述的装置，其特征在于，所述处理器在基于融合算法，对更新后的所述目标跟踪对象的多个假设状态进行融合，获得所述目标跟踪对象的目标状态时，执行以下操作：
获取收敛到相同状态的多个假设状态；
将所述收敛到相同状态的多个假设状态合并为相同状态；
确定所述目标跟踪对象的目标状态包括所述相同状态。
22.根据权利要求17-21任一项所述的装置，其特征在于，所述处理器在基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态时，执行以下操作：
利用所述待跟踪对象的状态信息和更新模型，更新所述目标跟踪对象的多个假设状态。
23.根据权利要求17-21任一项所述的装置，其特征在于，所述状态信息为速度信息；所述速度信息包括待跟踪对象的多个速度朝向以及每个速度朝向的概率；所述目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率；
所述处理器在基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态时，执行以下操作：
针对所述目标跟踪对象的多个假设状态中的每个假设朝向，利用所述多个速度朝向中与所述假设朝向之间的夹角小于预设阈值的速度朝向及其概率，更新所述假设朝向及其概率。
24.根据权利要求17-21任一项所述的装置，其特征在于，所述状态信息为边界信息；所述边界信息包括待跟踪对象的多个边界朝向以及每个边界朝向的概率；所述目标跟踪对象的多个假设状态包括多个假设朝向以及每个假设朝向的概率；
所述处理器在基于所述待跟踪对象的状态信息更新所述目标跟踪对象的多个假设状态时，执行以下操作：
针对所述目标跟踪对象的多个假设状态中的每个假设朝向，利用所述多个边界朝向中与所述假设朝向之间的夹角小于预设阈值的边界朝向及其概率，更新所述假设朝向及其概率。
25.根据权利要求23所述的装置，其特征在于，所述多个速度朝向包括所述待跟踪对象的第一速度朝向、第二速度朝向、第三速度朝向和第四速度朝向；所述第一速度朝向为利用传感器检测到的所述待跟踪对象的速度方向；所述第二速度朝向为以所述第一速度朝向顺时针旋转90度后的朝向；所述第三速度朝向为以所述第一速度朝向顺时针旋转180度后的朝向；所述第四速度朝向为以所述第一速度朝向顺时针旋转270度后的朝向。
26.根据权利要求24所述的装置，其特征在于，所述多个边界朝向包括所述待跟踪对象的第一边界朝向、第二边界朝向、第三边界朝向和第四边界朝向；所述第一边界朝向为所述待跟踪对象的车头方向；所述第二边界朝向为以所述第一边界朝向顺时针旋转90度后的朝向；所述第三边界朝向为以所述第一边界朝向顺时针旋转180度后的朝向；所述第四边界朝向为以所述第一边界朝向顺时针旋转270度后的朝向。
27.根据权利要求23或24所述的装置，其特征在于，所述处理器在根据更新后的所述目标跟踪对象的多个假设状态，确定所述目标跟踪对象的目标状态时，执行以下操作：
从所述目标跟踪对象的多个假设朝向中，确定概率最大的假设朝向为所述目标跟踪对象的目标朝向。
28.根据权利要求17所述的装置，其特征在于，所述初始检测数据是以每个待跟踪对象的目标锚点为中心点进行检测获得的。
29.根据权利要求28所述的装置，其特征在于，所述目标锚点为与观测对象的各边界点之间距离最短的边界点。
30.根据权利要求17-21任一项所述的装置，其特征在于，所述传感器包括视觉传感器或激光雷达。
31.根据权利要求17-21任一项所述的装置，其特征在于，所述初始检测数据包括视觉传感器获取的图像或激光雷达的点云。
32.根据权利要求20或21所述的装置，其特征在于，所述融合算法包括线性加权融合算法、交叉融合算法、瀑布融合算法、特征融合算法中的一种或多种。
33.一种可移动平台，其特征在于，包括：
机身；
电源系统，安装在所述机身，用于为所述可移动平台提供电源；
传感器，安装在所述机身，用于采集数据；
存储器，安装在所述机身，用于存储程序代码；
处理器，安装在所述机身，用于执行如权利要求1-16任一项所述的状态检测方法。
34.根据权利要求33所述的可移动平台，其特征在于，所述可移动平台包括无人机、无人车和移动机器人。
35.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至16任一项所述的状态检测方法。
CN201980007975.8A 2019-06-27 2019-06-27 一种状态检测方法、装置及可移动平台 Active CN111684457B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/093376 WO2020258187A1 (zh) 2019-06-27 2019-06-27 一种状态检测方法、装置及可移动平台

Publications (2)

Publication Number Publication Date
CN111684457A true CN111684457A (zh) 2020-09-18
CN111684457B CN111684457B (zh) 2024-05-03

Family

ID=72433224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980007975.8A Active CN111684457B (zh) 2019-06-27 2019-06-27 一种状态检测方法、装置及可移动平台

Country Status (2)

Country Link
CN (1) CN111684457B (zh)
WO (1) WO2020258187A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022246853A1 (zh) * 2021-05-28 2022-12-01 深圳市大疆创新科技有限公司 一种车辆系统的安全测试方法和测试用车辆

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004220292A (ja) * 2003-01-15 2004-08-05 Nippon Telegr & Teleph Corp <Ntt> 物体追跡方法、物体追跡装置、物体追跡方法のプログラム並びにそのプログラムを記録した記録媒体
US20070211917A1 (en) * 2006-03-13 2007-09-13 Tsuyoshi Nakano Obstacle tracking apparatus and method
US20130006576A1 (en) * 2010-03-15 2013-01-03 Bae Systems Plc Target tracking
JP2013077202A (ja) * 2011-09-30 2013-04-25 Secom Co Ltd 移動物体追跡装置
US20140010456A1 (en) * 2011-04-08 2014-01-09 The Trustees Of Columbia University In The City Of New York Kalman filter approach to augment object tracking
CN105825524A (zh) * 2016-03-10 2016-08-03 浙江生辉照明有限公司 目标跟踪方法和装置
WO2016205951A1 (en) * 2015-06-25 2016-12-29 Appropolis Inc. A system and a method for tracking mobile objects using cameras and tag devices
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
CN107170012A (zh) * 2017-05-12 2017-09-15 深圳市唯特视科技有限公司 一种基于语境信息进行视点估计的方法
CN107223219A (zh) * 2016-09-26 2017-09-29 深圳市大疆创新科技有限公司 控制方法、控制设备和运载系统
CN107301657A (zh) * 2017-06-12 2017-10-27 西安交通大学 一种考虑目标运动信息的视频目标跟踪方法
CN108985171A (zh) * 2018-06-15 2018-12-11 上海仙途智能科技有限公司 运动状态估计方法和运动状态估计装置
CN109255802A (zh) * 2018-08-21 2019-01-22 平安科技（深圳）有限公司 行人跟踪方法、装置、计算机设备及存储介质
CN109633589A (zh) * 2019-01-08 2019-04-16 沈阳理工大学 目标跟踪中基于多模型优化多假设的多目标数据关联方法
US20190179002A1 (en) * 2016-08-10 2019-06-13 Denso Corporation Object detection device

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9519286B2 (en) * 2013-03-19 2016-12-13 Robotic Research, Llc Delayed telop aid
WO2016074169A1 (zh) * 2014-11-12 2016-05-19 深圳市大疆创新科技有限公司 一种对目标物体的检测方法、检测装置以及机器人
CN105741325B (zh) * 2016-03-15 2019-09-03 上海电气集团股份有限公司 一种跟踪移动目标的方法及移动目标跟踪设备
CN106352877B (zh) * 2016-08-10 2019-08-23 纳恩博（北京）科技有限公司 一种移动装置及其定位方法
CN106447697B (zh) * 2016-10-09 2018-10-26 湖南穗富眼电子科技有限公司 一种基于动平台的特定动目标快速跟踪方法
CN108062763B (zh) * 2017-12-29 2020-10-16 纳恩博（北京）科技有限公司 目标跟踪方法及装置、存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004220292A (ja) * 2003-01-15 2004-08-05 Nippon Telegr & Teleph Corp <Ntt> 物体追跡方法、物体追跡装置、物体追跡方法のプログラム並びにそのプログラムを記録した記録媒体
US20070211917A1 (en) * 2006-03-13 2007-09-13 Tsuyoshi Nakano Obstacle tracking apparatus and method
US20130006576A1 (en) * 2010-03-15 2013-01-03 Bae Systems Plc Target tracking
US20140010456A1 (en) * 2011-04-08 2014-01-09 The Trustees Of Columbia University In The City Of New York Kalman filter approach to augment object tracking
JP2013077202A (ja) * 2011-09-30 2013-04-25 Secom Co Ltd 移動物体追跡装置
WO2016205951A1 (en) * 2015-06-25 2016-12-29 Appropolis Inc. A system and a method for tracking mobile objects using cameras and tag devices
CN105825524A (zh) * 2016-03-10 2016-08-03 浙江生辉照明有限公司 目标跟踪方法和装置
US20190179002A1 (en) * 2016-08-10 2019-06-13 Denso Corporation Object detection device
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
CN107223219A (zh) * 2016-09-26 2017-09-29 深圳市大疆创新科技有限公司 控制方法、控制设备和运载系统
CN107170012A (zh) * 2017-05-12 2017-09-15 深圳市唯特视科技有限公司 一种基于语境信息进行视点估计的方法
CN107301657A (zh) * 2017-06-12 2017-10-27 西安交通大学 一种考虑目标运动信息的视频目标跟踪方法
CN108985171A (zh) * 2018-06-15 2018-12-11 上海仙途智能科技有限公司 运动状态估计方法和运动状态估计装置
CN109255802A (zh) * 2018-08-21 2019-01-22 平安科技（深圳）有限公司 行人跟踪方法、装置、计算机设备及存储介质
CN109633589A (zh) * 2019-01-08 2019-04-16 沈阳理工大学 目标跟踪中基于多模型优化多假设的多目标数据关联方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022246853A1 (zh) * 2021-05-28 2022-12-01 深圳市大疆创新科技有限公司 一种车辆系统的安全测试方法和测试用车辆

Also Published As

Publication number Publication date
WO2020258187A1 (zh) 2020-12-30
CN111684457B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
JP7140922B2 (ja) マルチセンサデータ融合方法、及び装置
CN108920584B (zh) 一种语义栅格地图生成方法及其装置
CN108363065B (zh) 物体检测系统
CN109143207B (zh) 激光雷达内参精度验证方法、装置、设备及介质
CN110954113B (zh) 一种车辆位姿的修正方法和装置
CN113379805B (zh) 一种交通节点的多信息资源融合处理方法
CN111192295B (zh) 目标检测与跟踪方法、设备和计算机可读存储介质
US11782158B2 (en) Multi-stage object heading estimation
Weng et al. Pole-based real-time localization for autonomous driving in congested urban scenarios
WO2020053611A1 (en) Electronic device, system and method for determining a semantic grid of an environment of a vehicle
CN111563450B (zh) 数据处理方法、装置、设备及存储介质
CN111220167A (zh) 应用地图以改善目标跟踪、车道分配和分类的系统和方法
CN114485698B (zh) 一种交叉路口引导线生成方法及系统
CN110632617A (zh) 一种激光雷达点云数据处理的方法及装置
CN110705385B (zh) 一种障碍物角度的检测方法、装置、设备及介质
US20220119007A1 (en) Method and Device for Operating a Robot with Improved Object Detection
CN110986945B (zh) 基于语义高度地图的局部导航方法和系统
CN112781599A (zh) 确定车辆的位置的方法
JP2020154983A (ja) 物体認識装置及び車両制御システム
CN112036274A (zh) 一种可行驶区域检测方法、装置、电子设备及存储介质
CN115346192A (zh) 基于多源传感器感知的数据融合方法、系统、设备及介质
CN111684457B (zh) 一种状态检测方法、装置及可移动平台
EP3088983A1 (en) Moving object controller, landmark, and program
CN113448340B (zh) 一种无人机的路径规划方法、装置、无人机及存储介质
CN112597946A (zh) 障碍物表示方法、装置、电子设备及可读存储介质

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