CN112009468A - 用于自动驾驶系统的多假设物体跟踪 - Google Patents

Abstract

用于自动驾驶系统的多假设物体跟踪的方法和系统。一个系统包括电子处理器，该电子处理器被配置为接收环境信息并生成与车辆的环境内的物体相关联的伪测量数据。电子处理器还被配置为基于环境信息和伪测量数据来确定关于物体的关联假设的集合。电子处理器还被配置成基于所述关联假设的集合来确定物体的物体状态。电子处理器还被配置为基于所确定的物体状态来控制车辆。

Description

用于自动驾驶系统的多假设物体跟踪

相关申请

本申请要求2019年5月30日提交的美国临时申请No.62/854,821的权益，该临时申请的全部整体内容通过引用合并于此。

技术领域

各实施例涉及用于自动驾驶系统的多假设物体跟踪，并且更具体地，涉及针对利用多假设方法的物体跟踪中的错误的鲁棒性。

发明内容

驾驶员辅助和自动驾驶（在本文中统称为“自动驾驶”）使用具有多个重叠视场的各种传感器检测车辆周围的区域或环境内的一个或多个物体，诸如另一车辆、行人、车道标记、路缘或类似物。使用传感器信息，自动驾驶系统可以确定与检测到的物体相关联的一个或多个参数，诸如位置、移动方向或类似参数（确定的物体状态）。然后，自动驾驶系统基于所确定的物体状态控制车辆。准确地确定物体状态使得能够适当地控制车辆（例如，转向以避免与物体碰撞）。

然而，尤其由于错误的测量模型、传感器数据预处理中的错误或上述两项的组合，在物体跟踪中经常产生错误。对检测到的物体进行错误分类可能会导致利用错误的测量模型。作为一个示例，当在物体实际是车辆的情况下将物体错误地分类为骑自行车者时，专用于骑自行车者的测量模型可能被用于跟踪该物体。但是，由于该物体实际上不是骑自行车者，因此对骑自行车者测量模型的利用可能导致对车辆的不适当控制。作为另一示例，在传感器数据的预处理期间，当实际上存在两个物体时，激光雷达柱状像素（stixel）聚集以形成“ L”形可能会错误地检测到一个物体。此类错误可能会导致不正确的物体状态、跟踪断裂（track rupture）或上述两项的组合。结果，由于不正确的物体状态，可能以不适当的方式控制车辆。

因此，需要提高针对测量模型、数据预处理或上述两项的组合中的不正确假定的鲁棒性，这最终提高供自动驾驶系统使用的物体跟踪准确度。为了解决这些和其他问题，本文描述的实施例尤其提供了用于多假设物体跟踪的方法和系统，使得假设形成被使用，以便实现针对测量模型、数据预处理和类似内容中的错误的鲁棒性。本文描述的实施例提供了与各种假定并行地系统地使用的多个测量模型、预处理步骤或上述两项的组合。该假定可以关于物体类别、物体形式、用于从原始测量结果产生群集的多样化方法等。

例如，一个实施例提供了一种自动驾驶系统。该系统包括电子处理器，该电子处理器被配置为接收环境信息并生成与车辆的环境内的物体相关联的伪测量数据。电子处理器还被配置为基于环境信息和伪测量数据来确定与物体有关的关联假设的集合。电子处理器还被配置成基于所述关联假设的集合来确定物体的物体状态。电子处理器还被配置为基于所确定的物体状态来控制车辆。

另一个实施例提供了一种用于多假设物体跟踪的方法。该方法包括接收环境信息并利用电子处理器生成伪测量数据。该方法还包括基于环境信息和伪测量数据针对车辆周围环境内的物体生成关联假设的集合。该方法还包括利用电子处理器基于所述关联假设的集合来确定物体的物体状态。该方法还包括基于所确定的物体状态来控制车辆。

再另一个实施例提供了一种存储指令的非暂时性计算机可读介质，该指令在由电子处理器执行时执行功能的集合。功能的集合包括从至少一个传感器接收视场的环境信息。该功能的集合还包括生成伪测量数据。该功能的集合还包括基于环境信息和伪测量数据针对视场内的物体生成关联假设的集合。该功能的集合还包括基于所述关联假设的集合来确定物体的物体状态。该功能的集合还包括基于所确定的物体状态来确定车辆机动。该功能的集合还包括基于车辆机动来控制车辆。

通过考虑详细描述和附图，其他方面和实施例将变得显而易见。

附图说明

图1A-1B图示了车辆周围环境内的示例物体。

图2图示了车辆周围的示例环境。

图3示意性地图示了根据一些实施例的装备有用于多假设物体跟踪的系统的车辆。

图4示意性地图示了根据一些实施例的图3的系统的控制器。

图5示意性地图示了根据一些实施例的两个传感器之间的示例公共视场。

图6是图示根据一些实施例的由图3的系统执行的用于多假设物体跟踪的方法的流程图。

图7是图示根据一些实施例的由图3的系统实现的基于环境信息来确定物体的过程模型。

具体实施方式

在详细解释任何实施例之前，应理解，各实施例在其应用中不限于在以下描述中阐述或在附图中图示的构造细节和组件布置。其他实施例也是可能的，并且本文描述和/或图示的实施例能够以各种方式实践或执行。例如，尽管本文描述的示例涉及自动驾驶系统，但是在其他实施例中，本文描述的方法可以应用于驾驶辅助系统、交通监视系统、交通控制系统、安全监督系统或类似物。还应当理解，术语“车辆”指代各种车辆，包括例如乘用车、卡车、船、摩托车、无人驾驶飞机等。

还应注意，可以使用多个基于硬件和软件的设备以及多个不同结构的组件来实现本文公开的实施例。另外，各实施例可以包括硬件、软件和电子组件或模块，出于讨论的目的，这些电子组件或模块可以被图示和描述为好像大多数组件仅以硬件实现。然而，本领域普通技术人员并基于对该详细描述的阅读将认识到，在至少一个实施例中，基于电子的方面可以以可由一个或多个处理器执行的软件实现（例如，存储在非暂时性计算机可读介质上）。因此，应当注意，可以利用多个基于硬件和软件的设备以及多个不同结构的组件来实现各个实施例。还应该理解，尽管某些附图图示了位于特定设备内的硬件和软件，但是这些描绘仅用于说明性目的。在一些实施例中，所图示的组件可以被组合或划分为单独的软件、固件和/或硬件。例如，代替位于单个电子处理器内并由单个电子处理器执行，可以将逻辑和处理分布在多个电子处理器之间。不管它们如何组合或划分，硬件和软件组件可以位于同一计算设备上，或者可以分布在通过一个或多个网络或其他合适的通信链路连接的不同计算设备之间。

在驾驶员辅助和自动驾驶中，可以以描述物体的物体列表的形式来描绘车辆周围环境中的物体。在这种情况下，物体可以通过传感器数据融合、随时间的物体跟踪或以上两项的组合来形成。基于物体属性，由车辆的处理器确定的功能确定是否应该对该物体做出反应，并且如果是，则确定该反应应该是什么。在自动驾驶中，特别是在传感器数据融合领域中，期望在物体质量方面具有高要求，从而避免假阴性，使得不会意外地遗漏/忽略实际存在的物体，以及避免假阳性，诸如避免由于错误假定现实中不存在的物体而导致的错误触发。

如上所述，由于错误的测量模型、传感器数据预处理中的错误或上述两项的组合，在物体跟踪中可能产生错误。物体的错误分类可能会导致错误的测量模型。测量模型中的错误可能会导致错误的更新，这进而可能导致不正确确定的物体状态（例如，物体分类、动态状态、物体扩展或上述各项的组合）、跟踪断裂或上述各项的组合。

作为一个示例，图1A-1B图示了使用无线电雷达传感器60分别检测次要车辆50和骑自行车者55。如在图1A中所看到的，无线电雷达反射（由与附图标记62相关的符号表示）位于次要车辆50的相对于无线电雷达传感器60的最近边缘或拐角处。相比之下，如在图1B中看到的，主反射（由与附图标记65相关的符号表示）位于骑自行车者55（例如，坐在自行车上的人）的中间。因此，对物体的错误分类（诸如将次要车辆50分类为骑自行车者55或反之）可能最终导致利用错误的测量模型。

测量结果的预处理中的错误（例如，在聚集期间）也可能导致类似的不期望的结果。作为一个示例，图2图示了车辆70（配备有自动驾驶系统）周围的示例环境。在所示的示例中，车辆70周围的环境包括第一物体75A和第二物体75B（均被描绘为次要车辆）。如在图2中所看到的，激光雷达柱状像素聚集以形成“ L”形80可能不正确地决定仅存在一个物体而不是现实中存在的两个物体（在该示例中，第一物体75A和第二物体75B）。这可能导致伪测量结果（下面更详细描述），伪测量结果由传感器融合处理中的聚集未被关联以形成一个物体而导致，并且由此不利用激光雷达数据更新该物体，这可能导致跟踪断裂，或者这可能导致利用部分不正确的测量结果发生更新，这可能导致不正确的物体状态。由于这种错误，自动驾驶系统可能执行不正确的车辆机动或可能不对物体做出适当的反应。

测量模型和传感器数据的预处理步骤越来越多地与机器学习方法（例如深度学习）一起使用。在不可预测的情况下，这些可能易受错误影响。在要求低假阴性率的情况下，此类错误可能会有后果。这可能导致物体的错误更新，并因此导致跟踪断裂。作为一个示例，错误可能是由物体本身引起的。例如，物体可能是深度学习/神经网络的训练数据中不存在的物体，这可能导致假结果。在发生这种错误的情况下，辅助/自动驾驶系统可能不再能够对物体做出适当反应，这可能会增加碰撞的风险。

为了解决这些和其他问题，本文描述的实施例尤其提供了用于多假设物体跟踪的方法和系统，使得假设形成被使用以便实现针对测量模型、数据预处理和类似内容中错误的鲁棒性。本文描述的实施例提供了与各种假定（诸如物体分类、物体形式、用于从原始测量结果产生群集的多样化方法和类似内容）并行地系统地使用的多个测量模型、预处理步骤或它们的组合。

图3图示了用于车辆105的自动驾驶系统的多假设物体跟踪的系统100。车辆105尽管被图示为四轮车辆，但是可以涵盖各种类型和设计的车辆。例如，车辆105可以是汽车、摩托车、卡车、公共汽车、半牵引车或其他类型的车辆。

在所示的示例中，系统100包括控制器110、多个传感器115（在本文中统称为“传感器115”，并且单独称为“传感器115”）、转向系统130、制动系统135以及加速控制系统140。在一些实施例中，系统100在各种配置中包括比图3中所示的组件更少、更多或不同的组件，并且除了本文描述的功能之外还可以执行其他功能。作为一个示例，在一些实施例中，系统100包括与图3中所示的四个传感器115不同数量的传感器115，诸如单个传感器115。

如图4中所示，控制器110包括电子处理器200（例如，微处理器、专用集成电路或另一合适的电子设备）、存储器205（例如，一个或多个非暂时性计算机可读存储介质）、和通信接口210。电子处理器200、存储器205和通信接口210通过一个或多个数据连接或总线或它们的组合进行通信。图4中所示的控制器110表示一个示例，并且在一些实施例中，控制器110在不同配置中包括比图4中所示的更少、更多或不同的组件。控制器110可以在分别配置为执行特定功能或子功能的几个独立控制器（例如，可编程电子控制器）中实现。替代地或附加地，控制器110可以包含子模块，该子模块包括用于处置输入/输出功能、信号处理以及下面列出的方法的应用的附加电子处理器、存储器或专用集成电路（ASIC）。另外，在一些实施例中，控制器110执行除本文描述的功能之外的功能。

电子处理器200被配置为访问并执行存储在存储器205中的计算机可读指令（“软件”）。该软件可以包括固件、一个或多个应用、程序数据、滤波器、规则、一个或多个程序模块和其他可执行指令。例如，软件可以包括用于执行功能的集合（包括本文中描述的方法）的指令和相关数据。例如，在一些实施例中，电子处理器200执行用于控制转向系统130、制动系统135、加速控制系统140或另一车辆系统以根据车辆105的自动驾驶系统来执行动作（例如，车辆机动或车辆行为）的指令。例如，如图4中所示，存储器205可以存储自动驾驶系统220。自动驾驶系统220控制车辆105（例如，转向系统130、制动系统135、加速控制系统140、另一车辆系统或它们的组合）在来自车辆105的驾驶员的有限输入或没有输入的情况下执行车辆机动。

返回图4，通信接口210允许控制器110与控制器110外部的设备通信（例如，从该设备接收输入并向其提供输出）。例如，如在图3中所看到的，控制器110可以通信地连接到以下各项中的一项或多项：传感器115、转向系统130、制动系统135和加速控制系统140。在一些实施例中，通信接口210包括端口，该端口用于接收与控制器110外部的设备的有线连接。因此，在一些实施例中，控制器110经由专用有线连接直接耦合到系统100的一个或多个组件。替代地或附加地，通信接口210与通信总线（例如，控制器局域网（“ CAN”））通信以与控制器110外部的设备间接通信。因此，在其他实施例中，控制器110经由共享通信链路（诸如车辆通信网络或总线（例如CAN总线、以太网或FlexRay））或无线连接（经由收发器）可通信地耦合到一个或多个组件。系统100的每个组件可以使用各种通信类型和协议与控制器110通信。

传感器115被配置为检测或收集与车辆105的环境或周围相关联的测量结果或数据（“环境信息”）。传感器115可以包括例如无线电雷达传感器、激光雷达传感器、超声传感器、图像传感器（或相机）或类似物。在一些实施例中，系统100包括多于一种类型的传感器（例如，无线电雷达传感器和图像传感器）。环境信息可以与车辆105周围环境内的一个或多个物体相关联。物体可以包括例如行人、骑自行车者、另一车辆或类似物。因此，环境信息可以包括例如车辆105与车辆105周围环境中的一个或多个物体之间的距离、车辆105相对于车辆105周围环境中的一个或多个物体的位置、或上述两项的组合。

传感器115可以位于整个车辆105的不同位置或方位处（例如，在车辆105的内部、车辆105的外部或上述两项的组合）。作为一个示例，传感器115可以在外部安装至车辆105的一部分，例如安装在车辆105的侧后视镜、前部、后部或一个或多个侧部上。替代地或附加地，一个或多个传感器115可以在车辆外部或远离车辆，诸如在车辆105周围的基础结构上。作为一个示例，传感器115可以安装在车辆105周围的基础结构上，使得传感器115可以把环境信息递送给自动驾驶系统220（例如，通过车辆到基础结构通信进行传送，通过后端服务器进行递送、或类似方式）。因此，具有能够观察检测到的物体的视场的任何传感器可以是环境信息的提供者。

传感器115与车辆105周围环境的区域的对应视场相关联。一个或多个操作参数（诸如传感器115的视场范围）可以基于传感器115的配置。因此，传感器115可以具有不同尺寸（和深度）的视场。然而，传感器115可以具有类似（或相同）尺寸（和深度）的视场。因此，在一些实施例中，传感器115具有相同范围、不同范围或上述两项组合的视场。在一些实施例中，传感器115被定位成使得传感器115与至少一个附加传感器115具有重叠的视场。与每个传感器115的视场重叠的重叠区域在本文中被称为“公共视场”。作为一个示例，图5图示了具有第一传感器115A和第二传感器115B的车辆105。如在所示示例中看到的，第一传感器115A具有第一视场305A，并且第二传感器115B具有第二视场305B。图5还图示了第一传感器115A和第二传感器115B之间的公共视场310。

尽管图5所示的示例包括具有公共视场（公共视场310）的两个传感器（第一传感器115A和第二传感器115B），但是系统100可以包括一个或多个附加传感器（与本文所述的传感器115分离但类似），其中一个或多个附加传感器共享公共视场（例如，第二公共视场）。作为一个示例，系统100可以包括第一传感器115A、第二传感器115B和第三传感器。第三传感器可以与第二传感器115B具有公共视场（例如，第二公共视场）。在该示例中，第二传感器115B与第一传感器115A具有第一公共视场并且与第三传感器具有第二公共视场。作为另一示例，系统100可以包括第一传感器115A、第二传感器115B、第三传感器和第四传感器。在该示例中，第一传感器115A和第二传感器115可以具有第一公共视场，并且第三传感器和第四传感器可以具有第二公共视场。因此，系统100可以包括具有在一个或多个传感器115之间共享的任何数量的公共视场的任何数量的传感器115。

尽管未图示，但是系统100的其他组件可以包括与控制器110类似的组件（电子处理器、存储器和通信接口）。然而，在一些实施例中，系统100的其他组件在不同配置中包括比控制器110更多、更少或不同的组件。

如上所述，控制器110的电子处理器200执行用于系统100的多假设物体跟踪的指令，以便实现针对测量模型、数据预处理和类似内容中的错误的鲁棒性。电子处理器200执行指令以执行图6中所示的方法600，方法600用于自动驾驶系统220的多假设物体跟踪。方法600被描述为由系统100执行，并且尤其是由自动驾驶系统220（如由电子处理器200执行的）执行。然而，如上所述，关于方法600描述的功能（或其一部分）可以由其他设备（诸如与车辆105相关联的另一个控制器）执行，或者分布在多个设备（诸如与车辆105相关联的多个控制器）之间。作为一个示例，在一些实施例中，关于方法600描述的功能（或其一部分）可以由车辆105的外部设备或远程设备执行，诸如例如在车辆105被远程控制的情况下。

如图6中所示的，方法600包括利用电子处理器200接收环境信息（在框605）。如上所述，环境信息可以包括例如车辆105与车辆105周围环境中的一个或多个物体之间的距离、车辆105相对于车辆105周围环境中的一个或多个物体的位置、或上述两项的组合。在一些实施例中，环境信息包括关于车辆105周围环境内的物体的一个或多个属性。物体的属性可以涉及例如物体相对于车辆105的位置、物体的速度、物体移动的方向、车辆105与物体之间的距离等。

电子处理器200（经由通信接口210）从一个或多个传感器115接收环境信息。在一些实施例中，电子处理器200连续地接收环境信息（例如，实时地或接近实时地）。然而，在其他实施例中，电子处理器200循环地或周期性地接收环境信息（例如，每秒十次或二十次）。在一些实施例中，环境信息与公共视场相关联。例如，如以上关于图5所描述的，在一些实施例中，两个或更多个传感器115共享公共视场（例如，如图5的示例中所示的公共视场310）。替代地或附加地，在一些实施例中，传感器115包括各种类型的传感器，诸如无线电雷达传感器、图像传感器、无线电雷达传感器和类似物。因此，在一些实施例中，由电子处理器200接收的环境信息可以具有一种或多种不同的介质（例如，基于图像的、基于超声的等）。作为一个示例，电子处理器200可以从无线电雷达传感器（例如，作为第一传感器115）接收第一环境信息集合，并且从激光雷达传感器（例如，作为第二传感器115）接收第二环境信息集合。根据该示例，第一环境信息集合是基于无线电雷达的，而第二环境信息集合是基于激光雷达的。

电子处理器200还生成伪测量数据（在框610处）。伪测量数据可以包括例如伪测量结果、测量模型假设或以上两项的组合。伪测量结果可以是例如原始传感器测量结果集合的抽象（例如，测量结果群集的描述）。替代地，原始测量结果可以直接用作伪测量结果。替代地或附加地，可以生成伪测量结果作为估计的确认、不存在实际环境信息的指示或以上两项的组合。作为一个示例，伪测量结果可以指示不存在实际环境信息（例如，阴性信息），如果没有遮挡（occlusion）解释丢失的测量结果，则这可以确认估计或已知的遮挡或使物体非合理化（deplausibilize）。在一些实施例中，伪测量结果与车辆105的环境内的物体相关联，诸如例如，对与该物体相关联的激光雷达点的群集进行建模的三维边界框。测量模型假设可以基于一个或多个假定，诸如假定的物体分类或类型（“物体分类假定”）。替代地或附加地，测量模型假设可以是没有物体分类假定的一般假设。因此，在一些实施例中，电子处理器200通过生成一个或多个伪测量结果来生成伪测量数据。替代地或附加地，在一些实施例中，电子处理器200通过生成一个或多个测量模型假设来生成伪测量数据，其中，基于物体分类假定、无物体分类假定或以上两项的组合来生成每个测量模型假设。例如，如图7中所看到的，电子处理器200可以生成第一测量模型假设705和第二测量模型假设710（作为伪测量数据）。在所示的示例中，第一测量模型假设705假设该物体是车辆，而第二测量模型假设710假设该物体是骑自行车者。

因此，在一些实施例中，电子处理器200针对每个传感器测量结果生成伪测量数据的集合，使得对于每个测量结果，使用不同的建模假定、聚集假定或类似物来生成多个替代的伪测量数据假设。在这样的实施例中，伪测量数据的不同替代版本可以用于每个传感器测量结果。

在一些实施例中，是否生成伪测量结果或测量模型假设（作为伪测量数据）基于传感器的类型，测量模型或伪测量结果基于所述传感器的类型。例如，对于激光雷达传感器，电子处理器200可以生成激光雷达点的群集（例如，经由深度神经网络），这将群集建模为三维边界框。然后三维边界框可以用作伪测量结果。替代地或附加地，激光雷达点的群集可以例如由L形、线段、椭圆形或类似物来近似。相应描述的参数然后可以用作伪测量结果。替代地或附加地，电子处理器200可以基于激光雷达柱状像素的聚集来生成伪测量结果，其中该聚集不合并物体分类假定。作为另一个示例，对于无线电雷达传感器，无线电雷达的反射模型（测量模型）可能取决于物体类型，物体类型影响用于物体更新的测量模型。因此，电子处理器105可以生成具有不同假定的多个测量模型假设（包括通用假设或不包含物体分类假定）。

在一些实施例中，针对测量模型、伪测量数据或以上两项的组合的一个或多个假设包含通用假设，不包含物体分类假定，或以上两项的组合。这些通用模型创建针对例如不正确的分类信息、分类假定或以上两项的组合的鲁棒性。通用假设的目的是通过允许减小的模型粒度来针对不正确的假定变得鲁棒。对于更详尽的测量模型或伪测量假设不适用的情况（例如，覆盖稀有物体形状或测量情况），可以将这些通用假设视为回退策略。虽然回退策略的准确性可能不足以保证车辆的舒适反应，但它可以避免物体丢失，并因此避免危险情况。

如上所述，基于各种一个或多个假定，伪测量数据可以包括一个或多个伪测量结果、一个或多个测量模型假设、或以上两项的组合。作为结果，当更多信息（来自后来的测量扫描或来自其他传感器）可用时，关于最终使用哪个测量模型假设/伪测量结果的决策可能会在过程链中被进一步向后推。其在传感器数据融合中的实现例如通过如下方式来进行：使用诸如标记的多伯努利（“LMB”）滤波器之类的方法在多个数据扫描期间使用多假设方法。在一些实施例中，排除了一个或多个如下假设：在该假设中同时使用替代伪测量结果（例如，由各种群集假设生成的）用于物体更新，因为作为其结果，来自测量数据的信息被多次使用，即使假定测量的独立性。

如图6中所看到的，电子处理器200还针对视场内的物体生成关联假设的集合（在框615处）。在一些实施例中，视场是与两个或更多个传感器115相关联的公共视场，如以上更详细地描述的。然而，在其他实施例中，该视场与单个传感器相关联，诸如在单传感器系统中，该单传感器系统随时间从单个传感器115获得测量数据（环境信息）。关联假设通常指代关于物体（诸如两个或更多个传感器115的公共视场内的物体或一个传感器115的视场内的物体）的可能物体状态的假设。在物体跟踪中，当自动驾驶系统（诸如自动驾驶系统220）利用来自一个或多个来源（诸如一个或多个传感器115）的信息、利用一个或多个测量模型或上述两项的组合时，自动驾驶系统220可以确定多于一个可能物体状态。每个可能物体状态在本文中称为关联假设。

因此，在一些实施例中，电子处理器200通过环境信息的传感器融合（图7中描绘为框712）确定车辆105周围环境内的物体的一个或多个可能物体状态（作为关联假设）。物体状态可以基于物体的一个或多个属性。例如，物体状态可以基于物体相对于车辆105的位置、物体的速度、物体的移动方向、识别物体是什么的物体的物体分类（物体分类）（例如，物体是否是另一车辆、摩托车、人、自行车或类似物）和类似内容。因此，在一些实施例中，确定关联假设（或可能物体状态）包括确定与物体关联的一个或多个属性。传感器信息的融合（在框712处）涉及一个或多个测量模型、运动模型、物体跟踪过程或上述各项的组合（例如，图7的第一测量模型假设705和第二测量模型假设710）。

因此，在一些实施例中，关联假设的集合与以下物体相关联：该物体在与两个或更多个传感器115相关联的公共视场内或在单个传感器115的视场内。电子处理器200可以基于从一个或多个传感器115接收的环境信息、伪测量数据或以上两项的组合来生成关联假设的集合。关联假设的集合可以与伪测量数据关联或相对应。例如，关联假设的集合可以包括针对以下内容的关联假设：每个伪测量结果、测量模型假设或以上两项的组合。返回到图7中所示的示例，电子处理器200可以生成第一关联假设715A和第二关联假设715B（作为关联假设的集合）。第一关联假设715B与第二测量模型假设710关联，并且第二关联假设715A与第一测量模型假设705关联。作为一个示例，从一个或多个传感器115接收的环境信息可以指示物体的尺寸、物体的速度和物体的移动方向。基于该示例中的环境信息，电子处理器200可以生成关联假设：该物体的可能物体状态是车辆类型，其中该物体正在以比车辆105更快的速度并且在与车辆105相同的方向上行进。

在一些实施例中，随着时间（例如，每个时间循环）的推移，随着从一个或多个传感器115接收到附加环境信息，电子处理器200更新、合并和/或修剪一个或多个关联假设。在这样的实施例中，基于新信息（诸如从一个或多个传感器115接收到的新环境信息）来周期性地（每个周期称为循环）监视和更新关联假设（并因此监视所确定的物体状态）。在一些实施例中，电子处理器200例如使用包括标记的多伯努利（“ LMB”）滤波器的多个假设跟踪（“MHT”）和随机有限集（“ RFS”）过程来利用和管理随时间推移的多个关联假设 。

在生成关联假设的集合（在框615处）之后，电子处理器200然后确定物体的物体状态（在框620处）。作为一个示例，所确定的物体状态可以包括车辆的物体类别，其中，物体正（a）在左车道中，（b）在与车辆105相同的方向上，以及（c）以50mph的速度行进。电子处理器200可以基于所述关联假设的集合来确定物体的物体状态。因此，在一些实施例中，所确定的物体状态是包括在关联假设的集合中的关联假设之一（即，该物体的可能物体状态之一）。在一些实施例中，电子处理器200基于与在关联假设的集合中所包括的每个关联假设相关联的概率来确定物体的物体状态。例如，电子处理器200可以确定物体的物体状态是具有最高概率的关联假设（即，可能物体状态）（例如，最有可能是物体的正确物体状态的关联假设）。随着时间的推移，并且随着从一个或多个传感器115接收到更多的环境信息，电子处理器200可以组合或合并类似的关联假设，同时去除被确定为不太可能概率的关联假设。因此，合并或组合的假设越多，与合并或组合的关联假设相关联的概率就越高。作为另一示例，关联假设的概率可以基于剩余的可能假设的数量而增加。换句话说，随着更多的不太可能的关联假设被去除，剩余的关联假设可能正确（或真实）的概率就越高。

替代地或附加地，在一些实施例中，电子处理器200将一个或多个关联假设与其相应的概率转发给另一组件（例如，用于考虑哪个可能物体状态最有可能是检测到的物体的实际物体状态）。在一些实施例中，例如，为了限制计算时间、约束假设的增长、或上述两项的组合，在传感器融合之前对一个或多个关联假设执行初步选择（例如，图7的框712）。

如图6中所示，电子处理器200然后可以基于物体的所确定的物体状态来控制车辆105（在框625处）。在一些实施例中，电子处理器200通过基于所确定的物体状态来确定是否执行车辆机动来控制车辆105。因此，在一些实施例中，基于物体的所确定的物体状态来控制车辆105包括：不执行车辆机动或执行车辆机动。替代地或附加地，在一些实施例中，电子处理器200通过如下方式来控制车辆105：基于所确定的物体状态确定要执行什么车辆机动（或反应）、车辆机动的执行定时（例如，何时执行车辆机动）等。可以使用一种或多种自动驾驶技术来执行车辆机动的确定（基于所确定的物体状态），为了简洁起见，在此不对该一种或多种自动驾驶技术进行详细讨论。

电子处理器200可以通过控制车辆105的转向，影响车辆105的速度（例如，使车辆105加速或制动）等来执行车辆机动。在一些实施例中，电子处理器200通过生成一个或多个控制信号并将其传送到车辆105的一个或多个组件（诸如转向系统130、制动系统135、加速控制系统140和类似物）来执行车辆机动。响应于接收到控制信号，车辆105的一个或多个组件可以根据其对应的控制信号而被控制。

因此，本文描述的实施例可以例如通过基于随时间推移的后续测量来挑选出错误假设来实现针对测量模型、数据预处理和类似内容中的错误的鲁棒性。例如，通过如下方式来提高物体跟踪性能：随着时间的推移获得和去除（或修剪）包含错误的跟踪与测量的关联（随机错误）的假设，同时保留其他几个假设。保持假设数量适宜的方法可以包括例如合并类似的假设，同时去除（或修剪）不太可能的假设。

在扩展的物体跟踪的领域中，还可以通过另一种技术（对传感器数据进行聚集）来形成各种假设。在这些聚集技术中，由于随着时间的推移具有最一致聚集的假设（指示该假设是真实的或正确的）占绝大多数，所以测量数据聚集中错误的影响被最小化。然而，这些聚集技术的动机是通过提高测量数据的关联和聚集来提高物体跟踪的性能，而不是针对测量模型和数据预处理中的不正确假定来提高系统的鲁棒性。然而，关于本文描述的实施例，特定假设被确定以例如提供针对测量模型和在传感器数据的融合期间被应用的数据预处理步骤（例如，传感器数据聚集、物体分类等）中的误差的鲁棒性。

如上所述，尽管本文描述的示例涉及自动驾驶系统，但是在其他实施例中，本文描述的方法和系统可以应用于其他系统，诸如例如驾驶辅助系统、交通监视系统、交通控制系统、安全监督系统等。作为一个示例，传感器115可以被安装在基础结构上。根据该示例，传感器115可以将环境信息递送到自动驾驶系统（例如，通过车辆到基础结构通信来传送，通过后端服务器来递送，或类似方式）。替代地或附加地，传感器115可以收集与交通监视和控制有关的环境信息。作为一个示例，传感器115可以检测与观察交通的位置有关的环境信息。根据该示例，电子处理器200可以确定和控制交通监视和控制动作，诸如开放共享车道、控制交通灯定时、确定优质交通的价格等。作为另一示例，传感器115可以检测用于监督系统（诸如用于监视车辆、行人或房屋上的类似物的位置）的环境信息。根据该示例，电子处理器200可以基于车辆或行人的位置确定和控制监督系统动作，诸如是否应当触发警报。因此，在一些示例中，电子处理器200没有被并入特定车辆（诸如车辆100）之内或与之相关。相反，电子处理器200例如可以是交通监视系统或监督系统的一部分，无论是本地（例如，在本地交通监视系统或监督系统上）还是远程（例如，基于云的应用服务器或远程服务器）。

因此，各实施例尤其提供了用于自动驾驶系统的多假设物体跟踪的方法和系统，从而实现了针对测量模型、数据预处理和类似内容中的错误的鲁棒性。在所附权利要求中阐述了某些实施例的各种特征和优点。

Claims (20)

1.一种用于车辆的自动驾驶系统，所述系统包括：

电子处理器，被配置为：

接收环境信息，

生成与车辆环境内的物体相关联的伪测量数据，

基于所述环境信息和所述伪测量数据，确定与所述物体有关的关联假设的集合，

基于所述关联假设的集合，确定所述物体的物体状态，以及

基于确定的物体状态控制所述车辆。

2.根据权利要求1所述的系统，其中，所述电子处理器被配置为针对所述环境信息中所包括的每个测量结果生成多个测量模型假设作为所述伪测量数据，其中，所述多个测量模型假设中的每个基于不同的假定。

3.根据权利要求2所述的系统，其中，所述多个测量模型假设中的至少一个是通用测量模型假设。

4.根据权利要求2所述的系统，其中，所述多个测量模型假设中的至少一个基于物体分类假定。

5.根据权利要求1所述的系统，其中，所述电子处理器被配置为响应于接收到新的环境信息而更新所述关联假设的集合。

6.根据权利要求1所述的系统，其中，包括在所述关联假设的集合中的每个关联假设与所述物体的可能物体状态关联。

7.根据权利要求1所述的系统，其中，所述电子处理器被配置为：从至少两个传感器接收所述环境信息，所述环境信息与所述至少两个传感器的公共视场相关联。

8.根据权利要求7所述的系统，其中，所述伪测量数据包括与所述公共视场相关联的阴性信息。

9.根据权利要求1所述的系统，其中，所述电子处理器被配置为：把所述物体的物体状态确定为包括在所述关联假设的集合中的所述关联假设之一。

10.根据权利要求9所述的系统，其中，把所述物体状态确定为所述关联假设之一基于以下内容：所述关联假设之一具有比所述关联假设的集合中所包括的其他关联假设更高的概率。

11.一种用于多假设物体跟踪的方法，所述方法包括：

接收环境信息；

利用电子处理器生成伪测量数据；

基于所述环境信息和所述伪测量数据，针对车辆周围环境内的物体生成关联假设的集合；

利用所述电子处理器基于所述关联假设的集合来确定所述物体的物体状态；和

基于所确定的物体状态来控制所述车辆。

12.根据权利要求11所述的方法，还包括：

接收新的环境信息；和

基于所述新的环境信息来更新所述关联假设的集合。

13.根据权利要求12所述的方法，其中更新所述关联假设的集合包括：从所述关联假设的集合中去除至少一个关联假设。

14.根据权利要求11所述的方法，其中，接收所述环境信息包括：从至少两个传感器接收环境信息，其中，所述环境信息与所述至少两个传感器的公共视场相关联。

15.根据权利要求14所述的方法，其中，生成所述伪测量数据包括：生成与所述公共视场相关联的阴性信息。

16.根据权利要求11所述的方法，其中，生成所述伪测量数据包括生成测量模型假设。

17.根据权利要求11所述的方法，其中，生成所述伪测量数据包括：基于第一假定生成第一测量模型假设；以及基于与所述第一假定不同的第二假定生成第二测量模型。

18.根据权利要求11所述的方法，其中，确定所述物体状态包括：将所述物体状态确定为所述关联假设的集合中包括的所述关联假设之一。

19.根据权利要求18所述的系统，其中，将所述物体状态确定为所述关联假设之一包括：确定与所述关联假设的集合中所包括的其他关联假设相比具有更高的概率的所述关联假设之一。

20.一种存储指令的非暂时性计算机可读介质，所述指令在由电子处理器执行时执行功能集合，所述功能集合包括：

从至少一个传感器接收视场的环境信息；

生成伪测量数据；

基于所述环境信息和所述伪测量数据，针对所述视场内的物体生成关联假设的集合；

基于所述关联假设的集合确定所述物体的物体状态；

基于所确定的物体状态来确定车辆机动，以及

基于所述车辆机动来控制所述车辆。

Images