CN112036422B - 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质 - Google Patents

一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质 Download PDF

Info

Publication number
CN112036422B
CN112036422B CN201910480355.8A CN201910480355A CN112036422B CN 112036422 B CN112036422 B CN 112036422B CN 201910480355 A CN201910480355 A CN 201910480355A CN 112036422 B CN112036422 B CN 112036422B
Authority
CN
China
Prior art keywords
current
processing target
target
current processing
attribute
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
Application number
CN201910480355.8A
Other languages
English (en)
Other versions
CN112036422A (zh
Inventor
王玉龙
裴锋
周卫林
闵欢
温俊杰
黄明亮
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.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group 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 Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN201910480355.8A priority Critical patent/CN112036422B/zh
Publication of CN112036422A publication Critical patent/CN112036422A/zh
Application granted granted Critical
Publication of CN112036422B publication Critical patent/CN112036422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于多传感器信息融合的航迹管理方法、系统和计算机可读介质，该方法包括：获取车辆各传感器每一当前处理目标的多个属性值和所述多传感器已处理目标对应的当前航迹；根据所述多个属性值生成所述每一当前处理目标的属性参数集；根据所述属性参数集判断所述当前处理目标与所述当前航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新关联航迹，否则根据所述当前处理目标的属性参数集生成新的航迹。本发明使得传感器和融合算法隔离，可忽略传感器层硬件差异，因而可以支持不同类型、不同参数、不同数量以及不同安装位置传感器的即插即用，极大提高了自动驾驶感知系统设计的可扩展性和鲁棒性，降低开发成本。

Description

一种基于多传感器信息融合的航迹管理方法、系统及计算机 可读介质
技术领域
本发明涉及多传感器融合技术领域，尤其涉及一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质。
背景技术
自动驾驶技术通过安装在车辆上的传感器对驾驶环境进行感知，识别周围的车辆、行人、障碍物以及车道线和交通标志等。由于自动驾驶对环境感知能力要求比较高，而单一传感器很难满足相应的需求，因此自动驾驶车辆需要安装摄像头、激光雷达、毫米波雷达以及超声波雷达等多种传感器进行环境检测。而自动驾驶车辆上传感器的类型、传感器的数量、传感器的参数以及传感器安装的位置和角度均有所不同，采用传统的传感器融合算法很难进行传感器平台的扩张，包括对传感器数量和类型的改变、对传感器安装位置和角度的调整。此外，传统的传感器融合中，算法与底层传感器没有隔离，导致算法和底层的数据处理混在一起，使得系统比较复杂。
发明内容
本发明所要解决的技术问题在于，提供一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质，以解决现有技术中融合算法与底层传感器没有隔离，导致算法和底层的数据处理混在一起使得系统比较复杂的缺点。
为了解决上述技术问题，本发明提供一种基于多传感器信息融合的航迹管理方法，该方法包括如下步骤：
获取车辆各传感器每一当前处理目标的多个属性值和所述多传感器已处理目标对应的当前航迹；
根据所述多个属性值生成所述每一当前处理目标的属性参数集；
根据所述属性参数集判断所述当前处理目标与所述当前航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新关联航迹，否则根据所述当前处理目标的属性参数集生成新的航迹。
其中，所述获取车辆各传感器每一当前每一处理目标的多个属性值还包括：
为每一所述属性值标注时间标签，并将所述当前处理目标的多个属性值转换到车辆坐标系下，对应获得每一当前处理目标在车辆坐标系中的多个属性值。
其中，所述根据所述多个属性值生成所述每一当前处理目标的属性参数集具体包括：
获取所述当前处理目标的动静态属性，若为动态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的动态目标属性参数表获得所述当前处理目标的属性参数集；若为静态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集，其中，所述动态目标为在车辆行驶环境中能够运动的目标，所述静态目标为在车辆行驶环境中保持静止的目标。
其中，所述设定的动态目标属性参数表包括下述中的一种或多种：当前处理目标的在传感器中的编号、传感器分辨目标的置信度、目标类型、在车辆坐标系中所述当前处理目标的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度、以及传感器处理目标数据在航迹关联中的横向距离关联系数、纵向距离关联系数、横向速度关联系数、纵向速度关联系数；
所述设定的静态目标的属性参数表包括下述中的一种或多种：当前车道的左车道线和右车道线，所述车道线的颜色、所述车道线的形状以及所述车道线的宽度。
其中，所述根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的动态目标的属性参数表获得所述当前处理目标的属性参数集具体为：
根据所述设定的动态目标属性参数表从所述当前处理目标在车辆坐标系中的多个属性值中获取对应的属性值，若所述动态目标属性参数表中的属性参数不存在于所述当前处理目标在车辆坐标系中的多个属性值中，则所述属性参数记为空值，形成所述当前处理目标的属性参数集；
所述根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集具体包括：
根据所述设定的静态目标属性参数表从所述当前处理目标在车辆坐标系中的多个属性值中获取对应的属性值，若所述静态目标属性参数表中的属性参数不存在于所述当前处理目标在车辆坐标系中的多个属性值中，则所述属性参数记为空值，形成所述当前处理目标的属性参数集。
其中，若所述当前处理目标为动态目标，则所述根据所述当前处理目标的属性参数集判断所述当前处理目标与所述当前航迹是否关联具体包括：
根据所述当前航迹上一时刻实际的状态参数计算获得所述当前航迹当前时刻预测的状态参数，其中所述状态参数为描述所述已处理目标运动状态的参数；
根据所述预测的状态参数计算获得所述当前航迹当前时刻预测量测的状态参数；
根据所述预测量测的状态参数和所述当前处理目标的属性参数集中对应的状态参数计算获得所述当前处理目标和所述当前航迹的距离；
判断所述距离是否大于设定的距离阈值，若是，则所述当前处理目标与所述当前航迹不关联，否则，所述当前处理目标与所述当前航迹关联。
其中，所述根据所述当前航迹上一时刻实际的状态参数计算获得所述当前航迹当前时刻预测的状态参数为：
Z'(k)＝Φ*Z(k-1)
其中，k为当前时刻，Z'(k)为所述当前航迹当前时刻预测的状态参数，Z(k-1)为所述当前航迹上一时刻实际的状态参数，[Zpx(k-1),Zpy(k-1),Zvx(k-1),Zvy(k-1),Zax(k-1),Zay(k-1)]分别为所述当前航迹上一时刻在车辆坐标系中的实际的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度，[Z'px(k),Z'py(k),Z'vx(k),Z'vy(k),Z'ax(k),Z'ay(k)]分别为所述当前航迹当前时刻预测的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度，Φ指参数状态转移矩阵，T为上一时刻与当前时刻之间的时间距离；
根据所述预测的状态参数计算获得所述当前航迹当前时刻预测量测的状态参数具体为：
M'(k)＝H*Z'(k)
其中，所述M'(k)为当前时刻预测量测的状态参数，[M'px(k),M'py(k),M'vx(k),M'vy(k)]分别为所述当前航迹当前时刻预测的量测横向距离、纵向距离、横向速度和纵向速度，H为观测矩阵；
根据所述预测量测的状态参数和所述当前处理目标的属性参数集中对应的状态参数计算获得所述当前处理目标和所述当前航迹的距离具体为：
DM＝(M(k)-M'(k))*∑-1*(M(k)-M'(k))T
其中，DM为当前处理目标和当前航迹之间的距离，M(k)为当前处理目标当前时刻的实际测量状态参数，[Mpx(k),Mpy(k),Mvx(k),Mvy(k)]为当前处理目标当前时刻在车辆坐标系中的横向坐标、纵向坐标、横向加速度和纵向加速度， 分别为传感器航迹关联时横向距离关联系数、纵向距离关联系数、横向速度关联系数、纵向速度关联系数，∑-1为变量的相关矩阵。
其中，所述根据所述当前处理目标的属性参数集更新关联航迹具体为：
Zi(k)＝Z'(k)+K(k)*(Mi(k)-H*Z'(k))
K(k)＝P'(k)*HT*[H*P'(k)*HT+R]
P'(k)＝Φ*P(k-1)*ΦT+Q
其中，所述Z(k)为关联航迹当前时刻的实际状态参数，Z'(k)为所述关联航迹当前时刻预测的状态参数，n为与所述关联航迹关联的当前处理目标的个数，Zi(k)为通过第i个关联的当前处理目标计算获得的关联航迹当前时刻的实际状态参数，R为观测噪声的方差矩阵，Q为过程噪声的方差矩阵，Ri为第i个关联目标对应的传感器的测量偏差。
其中，所述方法还包括：
将融合后的动态目标与所述静态目标进行位置匹配，确定车辆当前所在车道的左、右车道线、所述车道相邻车道的车道线，以及所述车辆的左向目标、右向目标、前向目标、后向目标、左前向目标、右前向目标、左后向目标、右后向目标。
本发明还提供一种基于多传感器信息融合的航迹管理系统，包括：
属性值获取单元，用于获取车辆各传感器每一当前处理目标的多个属性值和所述多传感器已处理目标对应的当前航迹；
属性参数集生成单元，用于根据所述多个属性值生成所述每一当前处理目标的属性参数集；
航迹管理单元，用于根据所述属性参数集判断所述当前处理目标与所述当前航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新关联航迹，否则根据所述当前处理目标的属性参数集生成新的航迹。
本发明还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
本发明实施例的有益效果在于：通过将传感器输出的数据进行转换，统一生成设定格式的属性数据集，并根据生成的属性集进行数据融合处理更新航迹，从而输出车辆当前的目标给自动驾驶决策单元进行自动驾驶控制。本发明实施例的方法使得传感器和融合算法隔离，可忽略传感器层硬件差异，因而可以支持不同类型、不同参数、不同数量以及不同安装位置传感器的即插即用，极大提高了自动驾驶感知系统设计的可扩展性和鲁棒性，降低开发成本。
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，下面将对实施例或现有技术描述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是本发明实施例的一种基于多传感器信息融合的航迹管理方法的流程示意图。
图2是本发明实施例的一种基于多传感器信息融合的航迹管理方法的动态目标数据与当前航迹关联的流程示意图。
图3是本发明实施例的一种基于多传感器信息融合的航迹管理方法的输出目标示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
以下参照图1进行说明，本发明实施例一提供一种基于多传感器信息融合的航迹管理，该方法包括如下步骤：
S1、获取车辆各传感器每一当前处理目标的多个属性值和所述多传感器已处理目标对应的当前航迹。
系统运行时，车辆传感器包括前向毫米波雷达、侧向毫米波雷达、后向毫米波雷达、前向激光雷达、前向摄像头、环视摄像头和后向摄像头等，传感器输出当前时刻各自处理的目标数据到车辆CAN网络，其中前向雷达、侧向雷达以及后向雷达具有相同数据格式，每个毫米波雷达传感器最多输出64个具有相同属性的目标，每个目标具有编号、横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度、目标置信度等属性，前向激光雷达最多输出32个具有相同属性的目标，每个目标具有编号、横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度、目标长宽高、目标置信度等属性，前向摄像头、环视摄像头以及后向摄像头具有相同的数据格式，每个传感器最多输出10个目标和4条车道线，其中10个目标的参数包括编号、横向距离、纵向距离、横向速度、纵向速度、目标置信度、目标类型，车道线包括本车道左右车道线和相邻两个车道的车道线，属性包括车道线曲率、颜色、形状以及车道线宽度。
获得传感器输出的多个属性值后，以多传感器融合控制器的系统时钟为时间标签的时间轴，以每个属性值达到所述多传感器融合控制器的时间为时间点，为每一属性值标注时间标签。同时将每一当前处理目标的所述多个属性值转换到车辆坐标系中，对应获得每一当前处理目标在车辆坐标系中的多个属性值。具体地，以车辆后轴中点为车辆坐标系的坐标原点，以车辆当前行驶方向为车辆坐标系的X轴正向，以横向向右为车辆坐标系的Y轴正向，以垂直地面向下为车辆坐标系的Z轴正向，对每一传感器的坐标原点进行平移和变换，使得传感器的坐标原点和车辆坐标系的原点重合，从而获得每一当前处理目标在车辆坐标系的多个属性值。
S2、根据所述多个属性值生成所述每一当前处理目标的属性参数集。
获取所述每一当前处理目标的动静态属性，若为动态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的动态目标属性参数表获得所述当前处理目标的属性参数集；若为静态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集。
其中，所述动态目标指在车辆行驶环境中可以运动的目标，包括车辆、行人、自行车等，所述设定的动态目标的属性参数集如表1所示，包括：当前处理目标的编号、目标置信度、目标类型、在车辆坐标系中所述当前处理目标的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度、以及传感器测量速度的协方差矩阵和测量加速度的协方差矩阵等。
表1、动态目标属性参数集
其中，所述静态目标指在车辆行驶环境中保持静止的目标，包括车道线、红绿灯、停止线、地面标识以及交通标志牌，所述设定的静态目标的属性参数集如表2所示，包括：当前车道的左车道线和右车道线，所述车道线的颜色、所述车道线的形状以及所述车道线的宽度等。
表2、静态目标属性参数集
信号 信号描述
当前车道线：左、右车道线 /
车道线颜色：白、黄 /
车道线形状-实线、虚线 /
车道线宽度 /
具体地，若所述当前处理目标为动态目标，根据所述设定的动态目标属性参数表从所述当前处理目标在车辆坐标系中的多个属性值中获取对应的属性值，若所述动态目标属性参数表中的属性参数不存在于所述当前处理目标在车辆坐标系中的多个属性值中，则所述属性参数记为空值，形成所述当前处理目标的属性参数集。
具体地，若所述当前处理目标为静态目标，所述根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集具体包括：根据所述设定的静态目标属性参数表从所述当前处理目标在车辆坐标系中的多个属性值中获取对应的属性值，若所述静态目标属性参数表中的属性参数不存在于所述当前处理目标在车辆坐标系中的多个属性值中，则所述属性参数记为空值，形成所述当前处理目标的属性参数集。
S3、根据所述当前处理目标的属性参数集判断所述当前处理目标与所述当前航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新关联航迹，否则根据所述当前处理目标的属性参数集生成新的航迹。
以下以动态目标为例举例说明：
如图2所示，根据当前航迹上一时刻的实际状态参数Z(k-1)计算获得当前航迹当前时刻的状态参数Z'(k)，假设当前时刻为k时刻，状态参数是指描述目标运动状态的参数，包括当前处理目标的在车辆坐标系中的横向距离、纵向距离、横向速度、纵向速度、横向加速度和纵向加速度，假设上一时刻的实际状态参数Z(k-1)为[Zpx(k-1),Zpy(k-1),Zvx(k-1),Zvy(k-1),Zax(k-1),Zay(k-1)]，其中[Zpx(k-1),Zpy(k-1),Zvx(k-1),Zvy(k-1),Zax(k-1),Zay(k-1)]分别表示当前航迹在车辆坐标系中的上一时刻的实际纵向距离、横向距离、纵向速度、横向速度、纵向加速度、横向加速度，当前时刻预测的状态参数Z'(k)为[Z'px(k),Z'py(k),Z'vx(k),Z'vy(k),Z'ax(k),Z'ay(k)]，其中，[Z'px(k),Z'py(k),Z'vx(k),Z'vy(k),Z'ax(k),Z'ay(k)]分别表示当前轨迹在车辆坐标系中的当前时刻的预测纵向距离、横向距离、纵向速度、横向速度、纵向加速度、横向加速度，则：Z'(k)＝Φ*Z(k-1)，其中Φ指参数状态转移矩阵，其中最终表达式为：
其中，T指上一时刻k-1时刻与当前时刻k时刻的时间差。
假设k时刻预测量测的状态参数为M'(k)，则M'(k)＝H*Z'(k)，H为观测矩阵，量测状态空间包括距离和速度，M'(k)为[M'px(k),M'py(k),M'vx(k),M'vy(k)]，其中，[M'px(k),M'py(k),M'vx(k),M'vy(k)]表示当前轨迹在车辆坐标系中的当前时刻的预测量测的横向距离、纵向距离、横向速度和纵向速度，最终表达式为：
假设当前处理目标当前时刻的实际测量状态参数为M(k)，则M(k)为[Mpx(k),Mpy(k),Mvx(k),Mvy(k)]，其中，[Mpx(k),Mpy(k),Mvx(k),Mvy(k)]分别为当前处理目标在车辆坐标系中当前时刻的横向距离、纵向距离、横向速度和纵向速度，则当前处理目标与当前航迹之间的距离为：DM＝(M-M')*∑-1*(M-M')T，其中∑-1为变量的相关矩阵，具体公式如下：
其中，为传感器航迹关联时的横向距离关联系数、纵向距离关联系数、横向速度关联系数、纵向速度关联系数，上述关联系数的具体数值根据传感器进行测试获得。
当DM小于特定的阈值Dth时则表示航迹关联成功，其中Dth根据不同的传感器试验数据获取，如果不成功则重新起始新的航迹。将关联成功的传感器进行数据融合并更新已有航迹。
在具体实施方式中，更新关联航迹为：
Zi(k)＝Z'(k)+K(k)*(Mi(k)-H*Z'(k))
K(k)＝P'(k)*HT*[H*P'(k)*HT+R]
P'(k)＝Φ*P(k-1)*ΦT+Q
P(k)＝(I-K(k)*H)*P'(k)
其中，所述Z(k)为关联航迹当前时刻k的实际状态参数，Z'(k)为所述关联航迹当前时刻预测的状态参数，n为与所述关联航迹关联的当前处理目标的个数，Zi(k)为通过第i个关联的当前处理目标计算获得的关联航迹当前时刻的实际状态参数，R为观测噪声的方差矩阵，衡量传感器对目标的观测精度，由实验数据计算获得，Q为过程噪声的方差矩阵，衡量环境对目标运动过程的影响，由运行环境干扰因素确定，Ri为第i个关联的当前处理目标对应的传感器的测量偏差。
本发明的航迹管理方法还包括在已有航迹中，若没有当前处理目标与之关联的航迹进行预测更新，假设某个航迹在N个时刻内均为预测更新，即没有通过传感处理目标进行更新，则删除该航迹。
本发明的航迹管理方法还包括在完成了动态目标的数据融合以及静态目标的数据融合后，将动态目标和静态目标进行匹配，根据图3所示的输出目标分布图输出目标给自动驾驶决策控制单元，包括本车X前向目标(1号目标、2号目标)、左前向目标(3号目标、5号目标)、右前向目标(4号目标、6号目标)、左后向目标(9号目标、11号目标)、右后向目标(10号目标、12号目标)、左向目标(7号目标、13号目标)、右向目标(8号目标、14号目标)和后向目标(15号目标)，车道线选取目标包括本车车道线(L1、L2)和左侧车道线(L3)以及右侧车道线(L4)。
本发明实施例的基于多传感器数据融合的航迹管理方法，通过将传感器输出的数据进行转换，统一生成设定格式的属性数据集，并根据生成的属性集进行数据融合处理更新航迹，从而输出车辆当前的目标给自动驾驶决策单元进行自动驾驶控制。本发明实施例的方法使得传感器和融合算法隔离，可忽略传感器层硬件差异，因而可以支持不同类型、不同参数、不同数量以及不同安装位置传感器的即插即用，极大提高了自动驾驶感知系统设计的可扩展性和鲁棒性，降低开发成本。
基于本发明实施例一，本发明实施例二提供一种基于多传感器信息融合的航迹管理系统，具体包括：
属性值获取单元，用于获取车辆各传感器当前处理目标的多个属性值和所述多传感器已处理目标对应的航迹；
属性参数集生成单元，用于根据所述多个属性值生成所述当前处理目标的属性参数集；
航迹管理单元，用于根据所述当前处理目标的属性参数集判断所述当前处理目标与多传感器信息融合系统中已存在的航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新所述航迹，否则根据所述当前处理目标的属性参数集生成新的航迹。
基于本发明实施例一，本发明实施例三还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
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 (9)

1.一种基于多传感器信息融合的航迹管理方法，其特征在于，包括如下步骤：
获取车辆各传感器每一当前处理目标的多个属性值和所述多传感器已处理目标对应的当前航迹；
根据所述多个属性值生成所述每一当前处理目标的属性参数集；
根据所述属性参数集判断所述当前处理目标与所述当前航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新关联航迹，否则根据所述当前处理目标的属性参数集生成新的航迹；
所述获取车辆各传感器每一当前每一处理目标的多个属性值还包括：
为每一所述属性值标注时间标签，并将所述当前处理目标的多个属性值转换到车辆坐标系下，对应获得每一当前处理目标在车辆坐标系中的多个属性值；
所述根据所述多个属性值生成所述每一当前处理目标的属性参数集具体包括：
获取所述当前处理目标的动静态属性，若为动态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的动态目标属性参数表获得所述当前处理目标的属性参数集；若为静态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集，其中，所述动态目标为在车辆行驶环境中能够运动的目标，所述静态目标为在车辆行驶环境中保持静止的目标。
2.根据权利要求1所述的方法，其特征在于：
所述设定的动态目标属性参数表包括下述中的一种或多种：当前处理目标的在传感器中的编号、传感器分辨目标的置信度、当前处理目标的类型、在车辆坐标系中所述当前处理目标的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度、以及传感器处理目标数据在航迹关联中的横向距离关联系数、纵向距离关联系数、横向速度关联系数、纵向速度关联系数；
所述设定的静态目标的属性参数表包括下述中的一种或多种：当前车道的左车道线和右车道线，所述车道线的颜色、所述车道线的形状以及所述车道线的宽度。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的动态目标属性参数表获得所述当前处理目标的属性参数集具体为：
根据所述设定的动态目标属性参数表从所述当前处理目标在车辆坐标系中的多个属性值中获取对应的属性值，若所述动态目标属性参数表中的属性参数不存在于所述当前处理目标在车辆坐标系中的多个属性值中，则所述属性参数记为空值，形成所述当前处理目标的属性参数集；
所述根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集具体包括：
根据所述设定的静态目标属性参数表从所述当前处理目标在车辆坐标系中的多个属性值中获取对应的属性值，若所述静态目标属性参数表中的属性参数不存在于所述当前处理目标在车辆坐标系中的多个属性值中，则所述属性参数记为空值，形成所述当前处理目标的属性参数集。
4.根据权利要求3所述的方法，其特征在于，若所述当前处理目标为动态目标，则所述根据所述当前处理目标的属性参数集判断所述当前处理目标与所述当前航迹是否关联具体包括：
根据所述当前航迹上一时刻实际的状态参数计算获得所述当前航迹当前时刻预测的状态参数，其中所述状态参数为描述所述已处理目标运动状态的参数；
根据所述预测的状态参数计算获得所述当前航迹当前时刻预测量测的状态参数；
根据所述预测量测的状态参数和所述当前处理目标的属性参数集中对应的状态参数计算获得所述当前处理目标和所述当前航迹的距离；
判断所述距离是否大于设定的距离阈值，若是，则所述当前处理目标与所述当前航迹不关联，否则，所述当前处理目标与所述当前航迹关联。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前航迹上一时刻实际的状态参数计算获得所述当前航迹当前时刻预测的状态参数为：
Z'(k)＝Φ*Z(k-1)
其中，k为当前时刻，Z'(k)为所述当前航迹当前时刻预测的状态参数，Z(k-1)为所述当前航迹上一时刻实际的状态参数，[Zpx(k-1),Zpy(k-1),Zvx(k-1),Zvy(k-1),Zax(k-1),Zay(k-1)]分别为所述当前航迹上一时刻在车辆坐标系中的实际的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度，[Z'px(k),Z'py(k),Z'vx(k),Z'vy(k),Z'ax(k),Z'ay(k)]分别为所述当前航迹当前时刻预测的横向距离、纵向距离、横向速度、纵向速度、横向加速度、纵向加速度，Φ指参数状态转移矩阵，T为上一时刻与当前时刻之间的时间距离；
根据所述预测的状态参数计算获得所述当前航迹当前时刻预测量测的状态参数具体为：
M'(k)＝H*Z'(k)
其中，所述M'(k)为当前时刻预测量测的状态参数，[M'px(k),M'py(k),M'vx(k),M'vy(k)]分别为所述当前航迹当前时刻预测的量测横向距离、纵向距离、横向速度和纵向速度，H为观测矩阵；
根据所述预测量测的状态参数和所述当前处理目标的属性参数集中对应的状态参数计算获得所述当前处理目标和所述当前航迹的距离具体为：
DM＝(M(k)-M'(k))*∑-1*(M(k)-M'(k))T
其中，DM为当前处理目标和当前航迹之间的距离，M(k)为当前处理目标当前时刻的实际测量状态参数，[Mpx(k),Mpy(k),Mvx(k),Mvy(k)]为当前处理目标当前时刻在车辆坐标系中的横向坐标、纵向坐标、横向加速度和纵向加速度， 分别为传感器航迹关联时横向距离关联系数、纵向距离关联系数、横向速度关联系数、纵向速度关联系数，∑-1为变量的相关矩阵。
6.根据权利要求5所述的方法，其特征在于，所述根据所述当前处理目标的属性参数集更新关联航迹具体为：
Zi(k)＝Z'(k)+K(k)*(Mi(k)-H*Z'(k))
K(k)＝P'(k)*HT*[H*P'(k)*HT+R]
P'(k)＝Φ*P(k-1)*ΦT+Q
其中，所述Z(k)为关联航迹当前时刻的实际状态参数，Z'(k)为所述关联航迹当前时刻预测的状态参数，n为与所述关联航迹关联的当前处理目标的个数，Zi(k)为通过第i个关联的当前处理目标计算获得的关联航迹当前时刻的实际状态参数，R为观测噪声的方差矩阵，Q为过程噪声的方差矩阵，Ri为第i个关联的当前处理目标对应的传感器的测量偏差。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将融合后的动态目标与所述静态目标进行位置匹配，确定车辆当前所在车道的左、右车道线、所述车道相邻车道的车道线，以及所述车辆的左向目标、右向目标、前向目标、后向目标、左前向目标、右前向目标、左后向目标、右后向目标。
8.一种基于多传感器信息融合的航迹管理系统，其特征在于，包括：
属性值获取单元，用于获取车辆各传感器每一当前处理目标的多个属性值和所述多传感器已处理目标对应的当前航迹；
属性参数集生成单元，用于根据所述多个属性值生成所述每一当前处理目标的属性参数集；
航迹管理单元，用于根据所述属性参数集判断所述当前处理目标与所述当前航迹是否关联，若关联，则根据所述当前处理目标的属性参数集更新关联航迹，否则根据所述当前处理目标的属性参数集生成新的航迹；
所述获取车辆各传感器每一当前每一处理目标的多个属性值还包括：
为每一所述属性值标注时间标签，并将所述当前处理目标的多个属性值转换到车辆坐标系下，对应获得每一当前处理目标在车辆坐标系中的多个属性值；
所述根据所述多个属性值生成所述每一当前处理目标的属性参数集具体包括：
获取所述当前处理目标的动静态属性，若为动态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的动态目标属性参数表获得所述当前处理目标的属性参数集；若为静态目标，则根据所述当前处理目标在车辆坐标系中的多个属性值以及设定的静态目标属性参数表获得所述当前处理目标的属性参数集，其中，所述动态目标为在车辆行驶环境中能够运动的目标，所述静态目标为在车辆行驶环境中保持静止的目标。
9.一种计算机可读介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
CN201910480355.8A 2019-06-04 2019-06-04 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质 Active CN112036422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910480355.8A CN112036422B (zh) 2019-06-04 2019-06-04 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910480355.8A CN112036422B (zh) 2019-06-04 2019-06-04 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质

Publications (2)

Publication Number Publication Date
CN112036422A CN112036422A (zh) 2020-12-04
CN112036422B true CN112036422B (zh) 2024-03-05

Family

ID=73576087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910480355.8A Active CN112036422B (zh) 2019-06-04 2019-06-04 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质

Country Status (1)

Country Link
CN (1) CN112036422B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591976A (zh) * 2021-07-29 2021-11-02 杭州电子科技大学 一种基于前向全近邻解相关的乱序航迹融合方法
CN113611112B (zh) * 2021-07-29 2022-11-08 中国第一汽车股份有限公司 一种目标关联方法、装置、设备及存储介质
CN115014366A (zh) * 2022-05-31 2022-09-06 中国第一汽车股份有限公司 一种目标融合方法、装置、车辆及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783020A (zh) * 2010-03-04 2010-07-21 湖南大学 一种联合概率数据关联的视频多目标快速跟踪方法
CN102289561A (zh) * 2011-05-24 2011-12-21 中国人民解放军海军航空工程学院 有系统偏差时3d和2d雷达三门限实时航迹关联算法
CN102322861A (zh) * 2011-05-31 2012-01-18 电子科技大学 一种航迹融合方法
CN104239719A (zh) * 2014-09-19 2014-12-24 中国人民解放军海军航空工程学院 系统误差下基于双重模糊拓扑的编队目标航迹关联算法
CN105445732A (zh) * 2015-11-25 2016-03-30 电子科技大学 在密集杂波条件下利用多径观测的目标航迹初始化方法
CN107024692A (zh) * 2017-04-10 2017-08-08 北京海兰信数据科技股份有限公司 一种船用导航雷达航迹管理的多跟踪目标跟踪方法和系统
CN107066806A (zh) * 2017-02-15 2017-08-18 中国人民解放军海军航空工程学院 航迹关联方法及装置
CN107798870A (zh) * 2017-10-25 2018-03-13 清华大学 一种多车辆目标跟踪的航迹管理方法及系统、车辆
CN109656271A (zh) * 2018-12-27 2019-04-19 杭州电子科技大学 一种基于数据关联思想的航迹软关联方法
CN109696172A (zh) * 2019-01-17 2019-04-30 福瑞泰克智能系统有限公司 一种多传感器航迹融合方法、装置及车辆
CN109782267A (zh) * 2019-01-25 2019-05-21 北京润科通用技术有限公司 航迹关联方法及车载雷达

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9255989B2 (en) * 2012-07-24 2016-02-09 Toyota Motor Engineering & Manufacturing North America, Inc. Tracking on-road vehicles with sensors of different modalities
US10466361B2 (en) * 2017-03-14 2019-11-05 Toyota Research Institute, Inc. Systems and methods for multi-sensor fusion using permutation matrix track association

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783020A (zh) * 2010-03-04 2010-07-21 湖南大学 一种联合概率数据关联的视频多目标快速跟踪方法
CN102289561A (zh) * 2011-05-24 2011-12-21 中国人民解放军海军航空工程学院 有系统偏差时3d和2d雷达三门限实时航迹关联算法
CN102322861A (zh) * 2011-05-31 2012-01-18 电子科技大学 一种航迹融合方法
CN104239719A (zh) * 2014-09-19 2014-12-24 中国人民解放军海军航空工程学院 系统误差下基于双重模糊拓扑的编队目标航迹关联算法
CN105445732A (zh) * 2015-11-25 2016-03-30 电子科技大学 在密集杂波条件下利用多径观测的目标航迹初始化方法
CN107066806A (zh) * 2017-02-15 2017-08-18 中国人民解放军海军航空工程学院 航迹关联方法及装置
CN107024692A (zh) * 2017-04-10 2017-08-08 北京海兰信数据科技股份有限公司 一种船用导航雷达航迹管理的多跟踪目标跟踪方法和系统
CN107798870A (zh) * 2017-10-25 2018-03-13 清华大学 一种多车辆目标跟踪的航迹管理方法及系统、车辆
CN109656271A (zh) * 2018-12-27 2019-04-19 杭州电子科技大学 一种基于数据关联思想的航迹软关联方法
CN109696172A (zh) * 2019-01-17 2019-04-30 福瑞泰克智能系统有限公司 一种多传感器航迹融合方法、装置及车辆
CN109782267A (zh) * 2019-01-25 2019-05-21 北京润科通用技术有限公司 航迹关联方法及车载雷达

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Modelling and Simulation of Multi-target Multi-sensor Data Fusion for Trajectory Tracking;A.K.Signh;《Defence Science Journal》;第59卷(第3期);205-214 *
基于 AMD 算法的多目标分布式融合;吕丽平 等;《电光与控制》;第24卷(第12期);106-111 *
汽车雷达多目标跟踪的模糊数据关联;党宏社 等;《汽车工程》;第25卷(第5期);434-437、525 *
海上目标多源轨迹数据关联综述;鹿强 等;《地球信息科学学报》;第20卷(第5期);571-581 *

Also Published As

Publication number Publication date
CN112036422A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN108920584B (zh) 一种语义栅格地图生成方法及其装置
CN110832279B (zh) 对准由自主车辆捕获的数据以生成高清晰度地图
CN112036422B (zh) 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质
CN111563442A (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
US10901421B2 (en) Method and device for detecting road boundary
US20060140449A1 (en) Apparatus and method for detecting vehicle
KR102195164B1 (ko) 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법
CN110781949B (zh) 基于异步式串行多传感器的航迹数据融合方法及存储介质
CN110488811B (zh) 一种基于社交网络模型的机器人对行人轨迹预测的方法
CN106255899A (zh) 用于将对象用信号通知给配备有此装置的车辆的导航模块的装置
KR102168288B1 (ko) 다중 라이다를 이용한 다중 물체 추적 시스템 및 방법
JPH07225275A (ja) 車両用距離データ処理装置
KR102547274B1 (ko) 이동 로봇 및 이의 위치 인식 방법
CN112509032A (zh) 一种基于汽车分布式感知平台的前方感知模块的设计方法
CN112668603A (zh) 产生识别传感器数据中的对象的识别模型用的训练数据的方法和设备、训练方法和操控方法
CN114758504A (zh) 一种基于滤波校正的网联车超速预警方法及系统
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
CN110136186B (zh) 一种用于移动机器人目标测距的检测目标匹配方法
Muresan et al. Multimodal sparse LIDAR object tracking in clutter
CN111126327A (zh) 车道线检测方法、系统、车载系统及车辆
CN113160280A (zh) 一种基于激光雷达的动态多目标跟踪方法
CN117606497A (zh) 一种实时地图构建方法、系统及导盲眼镜
CN115542338B (zh) 一种基于点云空间分布映射的激光雷达数据的学习方法
CN117372536A (zh) 激光雷达与相机标定方法、系统、设备和存储介质
CN111612818A (zh) 新型双目视觉多目标跟踪方法及系统

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