CN112017446B - 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置 - Google Patents
雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置 Download PDFInfo
- Publication number
- CN112017446B CN112017446B CN202010789668.4A CN202010789668A CN112017446B CN 112017446 B CN112017446 B CN 112017446B CN 202010789668 A CN202010789668 A CN 202010789668A CN 112017446 B CN112017446 B CN 112017446B
- Authority
- CN
- China
- Prior art keywords
- measurement data
- probability
- target vehicle
- sub
- measurement
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置,用以解决现有技术中无法探测出静止排队的车辆的问题,其中所述方法包括:获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹;根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系;如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,判断目标车辆为预设的趋于静止的车辆。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置。
背景技术
随着经济和人民生活水平的提高,私家车数量的剧增使得城市交通拥堵问题日益突出。十字路口是整个交通网络控制的关键点,十字路口交通的有效监测与控制能提高整个交通网络的性能。我国在城市交通信号控制方面的研究和应用起步比较晚,一方面学习国外的先进控制技术,另一方面自主研发相关的交通信号控制系统,取得了非常好的成绩,并先后在一些大城市建立了比较完善的交通信号控制系统。80年代以来,随着国家经济的飞速发展,城市交通问题的系统控制也逐渐提上日程。国家加大了自主研发的步伐,进行了一系列交通控制系统的研究来改善城市交通问题。此外,我国从2000年起在全国36个城市实施以实现城市交通智能控制为主要内容的“畅通工程”,其目的是大力解决道路交通的突出问题,切实提高我国道路交通的现代化管理水平。
目前,跟随军民融合的大潮流,将雷达技术引入到智能交通监测与控制中,利用毫米波雷达探测十字交叉路口车辆排队情况,可为整个交通网络优化控制提供重要数据支持,从而减缓交通拥堵实现智能城市道路交通控制。然而,为了过滤交通中如绿化带、树木、电线杆、路牌或井盖等静止目标干扰,往往采用FSK体制的毫米波雷达,该体制雷达的特点是雷达只能测量到速度大于零的动态目标。众所周知,车辆在十字交叉路口排队等候时运动速度都减速到零,这样就导致静止排队的车辆FSK体制雷达探测不出来的情况存在。
因此,如何通过数据处理方法来弥补FSK体制雷达这一缺陷,即保留原有目标数据,又能够使十字交叉路口的静止排队车辆能够被准确探测出,是对雷达数据处理优化方法体系的重要补充,对基于毫米波雷达的智能交通系统优化设计具有重要意义。
发明内容
本发明提供一种雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置,以解决现有技术中无法探测出静止排队的车辆的问题。
第一方面,本发明实施例提供一种雷达测量数据与车辆轨迹关联方法,该方法包括:
获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹;
根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系;
如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,目标车辆为预设的趋于静止的车辆。
第二方面,本发明实施例提供一种雷达测量数据与车辆轨迹关联装置,该装置包括:
获取单元,用于获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹;
计算单元,用于根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系;
判断单元,用于如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,目标车辆为预设的趋于静止的车辆。
第三方面,本发明实施例提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上文所述的方法。
第四方面,本发明实施例提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
本申请实施例的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请实施例技术方案的进一步理解,并且构成说明书的一部分,与本申请实施例的实施例一起用于解释本申请实施例的技术方案,并不构成对本申请实施例技术方案的限制。
图1为本发明实施例提供的一种雷达测量数据与车辆轨迹关联方法的流程图;
图2为本发明实施例提供的一种训练得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵的流程图;
图3为本发明实施例提供的一种雷达测量数据与车辆轨迹关联装置的结构示意图;
图4为本发明实施例提供的一种雷达测量数据与车辆轨迹关联装置中训练单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为解决现有技术无法探测出静止排队的车辆的问题,本发明实施例提供一种雷达测量数据与车辆轨迹关联方法。如图1所示,该方法包括如下步骤。
步骤101、获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹。
在本步骤101中,雷达可以是车载毫米波雷达,被部署在交通路口(比如十字路口)。雷达测得的每个测量数据可以是多维向量,每一维向量元素表示雷达在检测范围内测量得到的同一目标的一种物理参数值,且其中一维向量元素所表示的物理参数值为车载雷达在检测范围内测量到的目标相对于雷达的距离,称之为目标位置。比如每个测量数据为三维向量{v,R,θ},其中v为雷达测量到的目标的速度、该目标相对于雷达的距离R和角度θ。雷达每个时刻得到的测量数据集由多个测量数据组成,其中不同测量数据所对应的目标可以不同。
已测得的目标车辆轨迹,指的是:已测得的目标车辆在不同时间的目标位置集合。
步骤102、根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系。
其中,目标车辆预测位置邻近区域可以是:以目标车辆在当前时刻的预测位置为中心点,与中心点在x和y方向上的距离均小于或等于预设的邻区阈值ζ的区域,称之为阈值内区域。反之,称为阈值外区域。其中,目标车辆在当前时刻的预测位置可通过现有的卡尔曼滤波算法获得。对于阈值内区域,进一步按照预设的划分方式将其分为多个子区域。典型的,阈值内区域被划分成n行n列个子区域(其中n为偶数),目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵通过如下公式(1)计算得到:
其中,P(A|λ)为n行n列的子区域有效测量概率矩阵,矩阵中的第i行第j列元素表示:预估的任一测量数据所包含的目标位置位于第i行第j列子区域λij内时,该测量数据为有效测量数据的条件概率;
在一个示例性实施例中,本步骤102包括如下子步骤1021-1024。
子步骤1021、筛选测量数据集中满足如下条件的候选测量数据:所包含的目标位置位于目标车辆预测位置邻近区域内。
子步骤1022、根据子区域联合有效概率矩阵,计算候选测量数据所包含的目标位置所在子区域的联合有效测量概率。
具体的,在本子步骤1022中,按照如下公式(2)计算候选测量数据所包含的目标位置所在子区域的联合有效测量概率:
其中,表示第i行第j列子区域的联合有效测量概率,表示预估的任一测量数据所包含的目标位置位于第i行第l2列子区域内时测量数据为有效测量数据的条件概率,表示任一测量数据所包含的目标位置分布在第j行第l2列子区域λij的概率,表示任一测量数据所包含的目标位置分布在第l1行第l2列子区域λij的概率。l1和l2均在如下范围内取值:大于或等于1,且小于或等于n的整数。
子步骤1023、基于候选测量数据所包含的目标位置所在子区域的联合有效概率,计算候选测量数据与目标车辆轨迹的关联权重。
具体的,本子步骤1023可包括:
①获取计算得到的所有候选测量数据所包含的目标位置所在子区域的联合有效测量概率的平均值μp;
例如,候选测量数据有3个,该3个测量数据所包含的目标位置所在子区域的联合有效测量概率值分别为P1、P2和P3,平均值μp=(P1+P2+P3)/3;
②按照如下公式,计算候选测量数据与目标车辆轨迹的关联参数:
其中,ptrue(i)为所有候选测量数据中第i个候选测量数据所包含的目标位置所在子区域的联合有效测量概率,κ为预设的偏置参数,wk(i)为所有候选测量数据中第i个候选测量数据与目标车辆轨迹的关联参数;
③对关联参数归一化,得到候选测量数据与目标车辆轨迹的关联权重。其中,归一化公式如下:
子步骤1024、若所述关联权重满足预设的关联条件,则确定候选测量数据与目标车辆轨迹关联。
其中,预设的关联条件可以是:关联权重大于预设的权重阈值。若关联权重不满足预设的关联条件,则确定候选测量数据不与目标车辆轨迹关联。
步骤103、如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,目标车辆为预设的趋于静止的车辆。
下面对本发明实施例涉及的训练过程,即如何训练得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,加以详细说明。参见图2,该训练过程具体包括如下步骤201-206。
步骤201、获取多个训练样本组成训练集,其中每个训练样本包括雷达之前得到的测量数据及其有效/无效情况。
其中,雷达之前得到的测量数据可以是之前至少1个时刻得到的多个测量数据,其有效/无效情况可以是执行本发明实施例提供的方法确定得到的,或者是人手工标注的。在本发明实施例中,“有效/无效”指的是如下三种情况中的任意一种:有效;无效;有效和无效。
步骤202、获取目标车辆预测位置作为中心点,将中心点邻近区域划分为多个子区域。
其中,目标车辆预测位置为目标车辆在当前时刻的预测位置。如上述所述,中心点邻近区域可以是:以目标车辆在当前时刻的预测位置为中心点,与中心点在x和y方向上的距离均小于或等于预设的邻区阈值ζ的区域,称之为阈值内区域。反之,称为阈值外区域。对于阈值内区域,进一步按照预设的划分方式将其分为多个子区域。典型的,阈值内区域被划分成n行n列个子区域(其中n为偶数)。
步骤203、确定训练集中满足如下条件的候选训练样本:样本中的测量数据所包含的目标位置位于中心点邻近区域内。
步骤204、计算任一测量数据所包含的目标位置在划分的每个子区域的分布概率。
具体的,每个子区域的分布概率为任一测量数据所包含的目标位置的概率密度函数在该子区域上的积分。其中,概率密度函数可以是预设的现有技术中的一种概率密度函数。典型的,概率密度函数为均匀分布的密度函数,n行n列个子区域中每个子区域的分布概率均相等,等于1/(n×n)。
步骤205、利用贝叶斯进化算法对所确定的候选训练样本进行进化训练,预估得到任一测量数据所包含的目标位置位于划分的每个子区域内时测量数据的有效/无效概率。
在本步骤中,预估过程可具体为:
子步骤2051、针对位于中心点邻近区域内的每个子区域:对所确定的候选训练样本进行统计,计算有效测量数据中包含的目标位置位于该子区域的条件概率;
子步骤2052、对所确定的候选训练样本进行统计,分别计算测量数据的有效概率和测量数据的无效概率;
子步骤2053、基于上述子步骤2051和2052得到的概率计算结果,利用贝叶斯公式,计算任一测量数据所包含的目标位置位于划分的每个子区域内时该测量数据的有效概率。
其中,测量数据的有效概率指的是测量数据是有效测量数据的概率;同理,测量数据的无效概率指的是测量数据是无效测量数据的概率。本领域技术人员可知的是,上述预估过程还可具体为或者进一步包括:
子步骤2051’、针对位于中心点邻近区域内的每个子区域:对所确定的候选训练样本进行统计,计算无效测量数据中包含的目标位置位于该子区域的条件概率;
子步骤2052’、对所确定的候选训练样本进行统计,分别计算测量数据的有效概率和测量数据的无效概率;
子步骤2053’、基于上述子步骤2051’和2052’得到的概率计算结果,利用贝叶斯公式,计算任一测量数据所包含的目标位置位于划分的每个子区域内时该测量数据的无效概率。
并且,根据概率学统计知识可知,任一测量数据所包含的目标位置位于划分的一子区域内时,该测量数据的无效概率与有效概率之和为1,也就是说,在计算得到该两个概率中的任意一个概率时,另一个概率根据简单的减法运算便可获知,而无需再重复执行上述条件概率、有效概率等复杂的概率统计过程。
此外,考虑到有的子区域内可能会出现有效概率或无效概率为0的情况,为避免该情况发生,本发明实施例中可给有效测量数据中包含的目标位置位于中心点邻近区域内的每个子区域的条件概率设定一个初始值,该初始值的设定可以依靠经验或者之前实验获得。
步骤206、根据计算得到的分布概率和预估得到的有效/无效概率,得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵。
在本步骤中,根据计算得到的分布概率和预估得到的有效概率,得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵的实现方式,可以参见上述步骤102中公式(1)的相关描述,在此不再赘述。作为另一种具体实施方式,可以先预估得到任一测量数据所包含的目标位置位于划分的每个子区域内时该测量数据的无效概率,之后用1减去该无效概率得到相应的有效概率,进而再利用公式(1)得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵。
作为一种优选实施方式,从测量数据集中筛选出的候选测量数据还要满足如下条件:所包含的目标位置所在子区域的联合无效测量概率小于或等于预设的无效概率阈值;
其中,任一子区域的联合无效测量概率根据目标车辆预测位置邻近区域的子区域联合无效测量概率矩阵得到,所述目标车辆预测位置邻近区域的子区域联合无效测量概率矩阵根据计算得到的所述分布概率和预估得到的所述有效/无效概率得到。
其中,P(B|λ)为n行n列的子区域无效测量概率矩阵,矩阵中的第i行第j列元素表示:预估的任一测量数据所包含的目标位置位于第i行第j列子区域λij内时,该测量数据为无效测量数据的条件概率;
任一子区域的联合无效测量概率通过如下公式(4)计算得到:
其中,表示第i行第j列子区域的联合无效测量概率,表示预估的任一测量数据所包含的目标位置位于第i行第l2列子区域内时测量数据为无效测量数据的条件概率,表示任一测量数据所包含的目标位置分布在第j行第l2列子区域λij的概率,表示任一测量数据所包含的目标位置分布在第l1行第l2列子区域λij的概率。l1和l2均在如下范围内取值:大于或等于1,且小于或等于n的整数。
在以上技术方案的基础上,本发明实施例所提供的方法还包括:
如果测量数据集中存在与目标车辆轨迹关联的测量数据,则判断测量数据集中关联的测量数据有效,无关联的测量数据无效;
利用与目标车辆轨迹关联的测量数据所包含的目标位置,更新目标车辆的位置。
其中,更新过程使用的是现有方法,也是卡尔曼滤波算法,卡尔曼滤波算法有最优估计功能,也有预测功能。
进一步的,在判断目标车辆为预设的趋于静止的车辆后,本发明实施例所提供的方法还包括:对目标车辆进行位置预测计算。其中,位置预测计算用现有的技术卡尔曼滤波算法,在此不再赘述。
下面以上述描述的所有技术方案为基础,提供一种优选的具体示例。
毫米波雷达检测到的测量数据既有真实数据,也有噪声或各种干扰数据。如果不对测量数据中的噪声和各种干扰数据进行有效的处理,将会严重的影响车辆轨迹和测量数据的关联精度。由于虚假测量数据可能与真实测量数据混合在一起,需要计算每个测量数据与车辆轨迹之间的关联程度。为了很好的将有效测量数据与无效测量数据(杂波剩余、接收机噪声和干扰等)区别开来,本发明实施例方法采用贝叶斯进化算法来计算车辆轨迹与测量数据之间的关联程度。贝叶斯进化算法是一种统计学进化算法,建立在已有的统计结果之上。本发明实施例用不断更新的测量数据,对贝叶斯进化算法进行进化“训练”,其测量数据的规模越大,“训练”效果就越好。
具体的,本示例提供了一种雷达测量数据与车辆轨迹关联方法,该方法具体包括以下步骤。
步骤1、获得基于大量的实测测量数据组成的训练集,据此训练目标车辆预测位置邻近区域的关联概率。
其中,训练的整个过程如下。
1、在k时刻,系统接收到m个测量数据组成的测量数据集后,以目标车辆在该k时刻的预测位置为中心,先把车辆周围的整个测量区间分成两个大区间,具体划分方法如下:设置一个阈值ζ,与中心在x和y方向上的距离大于ζ时,称为阈值外区域,反之称为阈值内区域。
3、对于k时刻所包含的目标位置落入阈值内区域的测量数据,即Δxkl∈[-ζ,ζ]且Δykl∈[-ζ,ζ]
①将阈值内区域分成n×n个子区域(n为偶数),即把整个阈值内区域划分成n行n列个子区域,则第i行第j列子区域的取值范围为Δxk∈[(ζ-2(j-1)ζ/n),(ζ-2jξ/n)]且Δyk∈[(ζ-2(i-1)ζ/n),(ζ-2iξ/n)],假设在没有干扰的情况下,任一测量数据所包含的目标位置分布在这个子区域内的概率为:
②利用之前的m′个时刻的所有所包含的目标位置落入阈值内区域的测量数据组成训练集,进行统计计算:
为了避免有的子区域内出现无效测量的概率为0,首先要给阈值内区域中第i行第j列子区域的pk(λij|A)和pk(λij|B)设定一个初始值,这个初始值的设定可以依靠经验或者之前实验获得。随着训练集中测量数据数量的增加,每个子区域的pk(λij|A)和pk(λij|B)会自动调整。任一测量数据所包含的目标位置落入阈值内区域时,该测量数据的无效概率pk(A)与有效概率pk(B)之和为1。
③计算任一测量数据所包含的目标位置位于划分的每个子区域内时该测量数据是无效测量数据的条件概率。
首先,根据k-1时刻的情况,所包含的目标位置落入阈值内区域的测量数据为有效测量数据的概率为pk-1(A),为无效测量数据的概率为pk-1(B)。
然后,根据pk-1(A)、pk-1(B)、pk(λij|A)和pk(λij|B),利用下述公式(6),计算任一测量数据所包含的目标位置位于第i行第j列子区域λij内时,该测量数据为无效测量数据的条件概率p(B|λij):
该公式(6)为经典贝叶斯公式,在本发明中用来计算每个子区域内测量数据的无效测量概率。
④组建n行n列的子区域无效测量概率矩阵Pk(B|λ)。
在公式(5)和(6)中,可分别计算出来任一测量数据所包含的目标位置在第i行第j列子区域的分布概率以及在分布在该子区域的情况下该测量数据是无效测量数据的条件概率pk(B|λij)。之后,将这两个概率进行联合可得到第i行第j列子区域的概率的判断条件,进而通过判断条件来判断k时刻接收到的测量数据是否被取舍,最后得到k时刻接收到的测量数据集中一组有效测量数据的向量集合Vk(γ)。其中,要得到判断条件,首先按照如下公式(7)计算目标车辆在k时刻预测位置邻近区域的子区域联合无效测量概率矩阵:
根据该矩阵可计算出第i行第j列子区域的联合无效测量概率:
⑤对k时刻收到的所包含的目标位置位于中心点邻近区域内的每个测量数据,计算其所包含的目标位置所在子区域的联合无效测量概率。当所包含的目标位置所在子区域的联合无效测量概率大于预设的无效概率阈值γ时,则判断对应的测量数据无效,将其在k时刻收到的m个测量数据组成的测量数据集中去掉。
执行完上述2和3的操作后,m个测量数据组成的测量数据集中已不包含无效测量数据,经过数据过滤后的测量数据集称之为有效测量数据集,具体表达如下:
众所周知,各种进化算法都是迭代搜索的,所有已经产生的测量数据都蕴藏了许多先验知识(或者称为经验)。而且贝叶斯学派理论认为:使用先验分布和当前的测量数据,再根据贝叶斯公式建立后验分布,基于后验分布可以获得相关的统计推断。因此,可以借助于经验贝叶斯估计方法去预测在阈值内区域中包含最优测量数据的概率。
具体的,步骤2可包括:
子步骤21、由公式(6)可得到任一测量数据所包含的目标位置位于第i行第j列子区域时,该测量数据为有效测量数据的条件概率
子步骤22、根据公式(4)和(7)的计算方法,同理可获知第i行第j列子区域的联合有效测量概率
子步骤24、计算联合有效概率集合Pk中联合有效测量概率的期望值
E[ptrue]=μp
子步骤25、通过偏置参数κ进一步计算联合有效概率集合Pk中每个联合有效测量概率的权值参数,其中第i个元素pture(i)的权值参数
然后对权值参数进行归一化:
其中,j为整数,取值从1到联合有效概率集合Pk元素总个数。步骤26、确定有效测量数据集Vk(γ)中每个测量数据与目标车辆轨迹的关联权重,其中第l个测量数据与目标车辆轨迹的关联权重为:对应的第i个元素pture(i)的归一化权值参数。
步骤3、根据关联权重,建立目标车辆轨迹与测量数据之间的关联。其中,若测量数据与目标车辆轨迹的关联权重满足预设的关联条件,则确定该测量数据与目标车辆轨迹关联。
如果目标车辆轨迹关联有测量数据,那么针对该目标车辆进行定位跟踪计算。
如果目标车辆未能获得任一关联的测量数据,那么判断该目标车辆为缓慢移动或静止车辆,雷达没有对应的探测数据,对该目标车辆进行位置预测计算。
在本具体示例提供的技术方案中,由训练的子区域测量数据有效与否的条件概率与测量数据所包含的目标位置在该子区域的分布概率进行贝叶斯计算,从而获得该子区域的联合有效测量概率。然后,再根据每个子区域的联合有效测量概率计算关联权重。最后,根据车辆与测量数据之间的关联权重建立关联,建立关联的车辆轨迹进行位置更新计算,而未被关联的车辆轨迹为可能的缓慢移动或静止车辆目标,在针对这些缓慢移动或静止车辆进行位置预测计算。
此外,本发明实施例还提供一种雷达测量数据与车辆轨迹关联装置。如图3所示,该装置包括:
获取单元301,用于获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹;
计算单元302,用于根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系;
判断单元303,用于如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,判断目标车辆为预设的趋于静止的车辆。
进一步的,所述计算单元302用于根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹关联关系,包括:
筛选测量数据集中满足如下条件的候选测量数据:所包含的目标位置位于目标车辆预测位置邻近区域内;
根据子区域联合有效概率矩阵,计算候选测量数据所包含的目标位置所在子区域的联合有效测量概率;
基于候选测量数据所包含的目标位置所在子区域的联合有效概率,计算候选测量数据与目标车辆轨迹的关联权重;
若所述关联权重满足预设的关联条件,则确定候选测量数据与目标车辆轨迹关联。
进一步的,所述装置还包括训练单元304,用于训练得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵;其中,所述训练单元304,如图4所示,包括:
训练集获取子单元3041,用于获取多个训练样本组成训练集,其中每个训练样本包括雷达之前得到的测量数据及其有效/无效情况;
位置获取子单元3042,用于获取目标车辆在预测位置作为中心点,将中心点邻近区域划分为多个子区域;
候选样本确定子单元3043,用于确定训练集中满足如下条件的候选训练样本:测量数据所包含的目标位置位于中心点邻近区域内;
分布概率计算子单元3044,用于计算测量数据所包含的目标位置在划分的每个子区域的分布概率;
有效/无效概率预估子单元3045,用于利用贝叶斯进化算法对所确定的候选训练样本进行进化训练,预估得到测量数据所包含的目标位置位于划分的每个子区域内时测量数据的有效/无效概率;
联合概率矩阵生成子单元3046,用于根据计算得到的分布概率和预估得到的有效/无效概率,得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵。
进一步的,所述候选样本确定子单元3043从测量数据集中筛选出的候选测量数据还要满足如下条件:所包含的目标位置所在子区域的联合无效测量概率小于或等于预设的无效概率阈值;
其中,任一子区域的联合无效测量概率根据目标车辆预测位置邻近区域的子区域联合无效测量概率矩阵得到,所述目标车辆预测位置邻近区域的子区域联合无效测量概率矩阵根据所述分布概率计算子单元计算得到的所述分布概率和所述有效/无效概率预估子单元预估得到的所述有效/无效概率得到。
进一步的,所述计算单元302用于基于候选测量数据所包含的目标位置所在子区域的联合有效概率,计算候选测量数据与目标车辆轨迹的关联权重,包括:
获取计算得到的所有候选测量数据所包含的目标位置所在子区域的联合有效测量概率的平均值;
根据候选测量数据所包含的目标位置所在子区域的联合有效测量概率和获取到的平均值,计算候选测量数据与目标车辆轨迹的关联参数;
对关联参数归一化,得到候选测量数据与目标车辆轨迹的关联权重。
进一步的,所述判断单元303还用于如果测量数据集中存在与目标车辆轨迹关联的测量数据,则判断测量数据集中关联的测量数据有效,无关联的测量数据无效;
所述装置还包括位置更新单元305,用于:利用与目标车辆轨迹关联的测量数据所包含的目标位置,更新目标车辆的位置。
进一步的,所述装置还包括预测单元306,用于在所述判断单元判断目标车辆为预设的趋于静止的车辆后,对目标车辆进行位置预测计算。
此外,本发明实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上文所述的方法。
本发明实施例还提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的每个模块/单元可以采用硬件的形式实现,例如通过集成电路来实现其相应功能,也可以采用软件功能模块的形式实现,例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本发明不限制于任何特定形式的硬件和软件的结合。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (9)
1.一种雷达测量数据与车辆轨迹关联方法,其特征在于,所述方法包括:
获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹;
根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系;
如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,目标车辆为预设的趋于静止的车辆;其中,
训练得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,包括:
获取多个训练样本组成训练集,其中每个训练样本包括雷达之前得到的测量数据及其有效/无效情况;
获取目标车辆预测位置作为中心点,将中心点邻近区域划分为多个子区域;
确定训练集中满足如下条件的候选训练样本:测量数据所包含的目标位置位于中心点邻近区域内;
计算测量数据所包含的目标位置在划分的每个子区域的分布概率;
利用贝叶斯进化算法对所确定的候选训练样本进行进化训练,预估得到测量数据所包含的目标位置位于划分的每个子区域内时测量数据的有效/无效概率;
根据计算得到的分布概率和预估得到的有效/无效概率,得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵。
2.如权利要求1所述的方法,其特征在于,根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹关联关系,包括:
筛选测量数据集中满足如下条件的候选测量数据:所包含的目标位置位于目标车辆预测位置邻近区域内;
根据子区域联合有效概率矩阵,计算候选测量数据所包含的目标位置所在子区域的联合有效测量概率;
基于候选测量数据所包含的目标位置所在子区域的联合有效概率,计算候选测量数据与目标车辆轨迹的关联权重;
若所述关联权重满足预设的关联条件,则确定候选测量数据与目标车辆轨迹关联。
3.如权利要求1所述的方法,其特征在于,从测量数据集中筛选出的候选测量数据还要满足如下条件:所包含的目标位置所在子区域的联合无效测量概率小于或等于预设的无效概率阈值;
其中,任一子区域的联合无效测量概率根据目标车辆预测位置邻近区域的子区域联合无效测量概率矩阵得到,所述目标车辆预测位置邻近区域的子区域联合无效测量概率矩阵根据计算得到的所述分布概率和预估得到的所述有效/无效概率得到。
4.如权利要求2所述的方法,其特征在于,基于候选测量数据所包含的目标位置所在子区域的联合有效概率,计算候选测量数据与目标车辆轨迹的关联权重,包括:
获取计算得到的所有候选测量数据所包含的目标位置所在子区域的联合有效测量概率的平均值;
根据候选测量数据所包含的目标位置所在子区域的联合有效测量概率和获取到的平均值,计算候选测量数据与目标车辆轨迹的关联参数:
对关联参数归一化,得到候选测量数据与目标车辆轨迹的关联权重。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述方法还包括:
如果测量数据集中存在与目标车辆轨迹关联的测量数据,则判断测量数据集中关联的测量数据有效,无关联的测量数据无效;
利用与目标车辆轨迹关联的测量数据所包含的目标位置,更新目标车辆的位置。
6.如权利要求1-4中任一项所述的方法,其特征在于,在判断目标车辆为预设的趋于静止的车辆后,所述方法还包括:对目标车辆进行位置预测计算。
7.一种雷达测量数据与车辆轨迹关联装置,其特征在于,所述装置包括:
获取单元,用于获取雷达在当前时刻得到的测量数据集和已测得的目标车辆轨迹;
计算单元,用于根据预先训练得到的目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,计算测量数据集中的测量数据与目标车辆轨迹的关联关系;
判断单元,用于如果测量数据集中不存在与目标车辆轨迹关联的测量数据,则判断测量数据集中的测量数据均无效,目标车辆为预设的趋于静止的车辆;其中,所述计算单元根据训练单元预先训练得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵,所述训练单元包括:
训练集获取子单元,用于获取多个训练样本组成训练集,其中每个训练样本包括雷达之前得到的测量数据及其有效/无效情况;
位置获取子单元,用于获取目标车辆预测位置作为中心点,将中心点邻近区域划分为多个子区域;
候选样本确定子单元,用于确定训练集中满足如下条件的候选训练样本:测量数据所包含的目标位置位于中心点邻近区域内;
分布概率计算子单元,用于计算测量数据所包含的目标位置在划分的每个子区域的分布概率;
有效/无效概率预估子单元,用于利用贝叶斯进化算法对所确定的候选训练样本进行进化训练,预估得到测量数据所包含的目标位置位于划分的每个子区域内时测量数据的有效/无效概率;
联合概率矩阵生成子单元,用于根据计算得到的分布概率和预估得到的有效/无效概率,得到目标车辆预测位置邻近区域的子区域联合有效测量概率矩阵。
8.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6中任一项所述的方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789668.4A CN112017446B (zh) | 2020-08-07 | 2020-08-07 | 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789668.4A CN112017446B (zh) | 2020-08-07 | 2020-08-07 | 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017446A CN112017446A (zh) | 2020-12-01 |
CN112017446B true CN112017446B (zh) | 2021-09-14 |
Family
ID=73499405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789668.4A Active CN112017446B (zh) | 2020-08-07 | 2020-08-07 | 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017446B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140152490A1 (en) * | 2012-12-03 | 2014-06-05 | Michael Lehning | Method and Arrangement for the Detection of an Object in a Radar Field |
CN108806280B (zh) * | 2018-07-10 | 2020-05-05 | 森思泰克河北科技有限公司 | 车位状态检测方法及装置 |
CN109696676B (zh) * | 2019-01-24 | 2022-11-22 | 福瑞泰克智能系统有限公司 | 一种有效障碍物目标确定方法、装置和车辆 |
CN109901151B (zh) * | 2019-03-21 | 2021-04-20 | 西安交通大学 | 一种基于复合雷达的循环变换检测方法 |
CN110989636B (zh) * | 2020-02-26 | 2020-08-07 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
-
2020
- 2020-08-07 CN CN202010789668.4A patent/CN112017446B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112017446A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780289B (zh) | 基于场景雷达的多目标车辆跟踪方法及装置 | |
CN110084836B (zh) | 基于深度卷积特征分层响应融合的目标跟踪方法 | |
CN107423686B (zh) | 视频多目标模糊数据关联方法及装置 | |
CN112069944A (zh) | 一种道路拥堵等级确定方法 | |
CN110796048A (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN111562571B (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
CN115620518B (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN109343051A (zh) | 一种用于高级辅助驾驶的多传感器数据融合方法 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN111402293A (zh) | 面向智能交通的一种车辆跟踪方法及装置 | |
CN114137526A (zh) | 基于标签的车载毫米波雷达多目标检测方法和系统 | |
CN113537411B (zh) | 一种基于毫米波雷达的改进模糊聚类方法 | |
CN112949519A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN105184829A (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
KR102494953B1 (ko) | 딥러닝 기반 온-디바이스 실시간 교통제어 시스템 | |
CN112017446B (zh) | 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置 | |
CN112017213B (zh) | 一种目标对象的位置更新方法及系统 | |
CN112614121A (zh) | 一种多尺度小目标设备缺陷识别监测方法 | |
CN111681266A (zh) | 船舶跟踪方法、系统、设备及存储介质 | |
CN116935356A (zh) | 基于弱监督的自动驾驶多模态图片和点云实例分割方法 | |
CN111553474A (zh) | 船只检测模型训练方法及基于无人机视频的船只跟踪方法 | |
CN114708432A (zh) | 基于规则网格离散化目标分割区域的加权度量方法 | |
CN115840227B (zh) | 道路边缘的检测方法及装置 | |
CN115862087B (zh) | 基于可靠性建模的无监督行人重识别方法及系统 | |
CN114046786B (zh) | 航迹预测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant |