CN112154481B - 基于多个测量假设的目标追踪 - Google Patents
基于多个测量假设的目标追踪 Download PDFInfo
- Publication number
- CN112154481B CN112154481B CN201880093774.XA CN201880093774A CN112154481B CN 112154481 B CN112154481 B CN 112154481B CN 201880093774 A CN201880093774 A CN 201880093774A CN 112154481 B CN112154481 B CN 112154481B
- Authority
- CN
- China
- Prior art keywords
- measurement
- hypotheses
- hypothesis
- track
- trajectory
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 230000008033 biological extinction Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 16
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000002156 mixing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/589—Velocity or trajectory determination systems; Sense-of-movement determination systems measuring the velocity vector
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/523—Details of pulse systems
- G01S7/526—Receivers
- G01S7/53—Means for transforming coordinates or for evaluating data, e.g. using computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9323—Alternative operation using light 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9324—Alternative operation using ultrasonic waves
-
- 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
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及在LMB滤波器中集成多个测量假设的方法和系统及包括系统的车辆,滤波器估算对于多个目标的多个轨迹,每个轨迹具有唯一的标签、概率和状态,每个轨迹与一个目标相关联,每个目标具有目标状态,该方法包括:接收对于每个目标的测量假设;基于相应的轨迹和测量假设来更新每个轨迹;对于轨迹和测量假设的每个组合确定可能性;对于每次迭代,基于每个轨迹与测量假设、事件漏检或轨迹消亡检测之一的关联来采样更新假设;基于每个轨迹在更新假设中的相应关联来确定该轨迹的状态;对于每个轨迹提取存在概率;预测每个目标相对于下一测量时间的目标状态;确定是否要执行另一更新;如果是,则从更新每个轨迹而再次重复方法步骤并包括更新每个轨迹。
Description
技术领域
本公开涉及用于目标追踪的方法和系统,其特别是使用在汽车应用的目标追踪中。
背景技术
在密集、嘈杂环境中对未知数量的目标(例如交通参与者)的检测和运动估算是自动驾驶系统的重要任务。使用随机有限集的最近研究示出有希望的结果并且对于目标追踪是最先进的。
完全自动驾驶的主要挑战是环境中动态目标的检测和解释。城市情况尤其提供了具有大量交通参与者(诸如汽车、步行者和骑行者)的许多挑战,交通参与者必须被可靠地检测并且交通参与者的通常高度动态的运动状态必须被估算。密集城市环境也由于许多不同目标(诸如建筑物、停放车辆、交通标志、树木等等)的存在而更易于杂波测量和来自传感器的虚假检测。另外,并非总是能够对于每一目标提取单个正确的测量假设,从而对于单个目标导致多个相关的测量。
K.Granstrom、M.Baum和S.Reuter在arXivpreprint(arXiv预印本,arXiv:1604.00970,2016年)中的“扩展目标追踪:简介、概述和应用(Extended object tracking:Introduction,overview and applications)”描述了定义为可以产生多个空间分布测量的目标的扩展目标。激光扫描仪点云是这样的示例,其中,每个激光扫描仪点作为单个测量建模并由目标的不同部分物理地产生。然而,一些目标检测技术从原始数据提取高级测量表示。对于这种测量,可导致对于单个目标的多个假设,其中来自单个目标的测量是相关的而非空间地分布。当前追踪应用通过对于单个目标选择最可能的测量假设并忽略其余的测量假设来避免该问题。
产生多个测量假设的两个典型示例是用于相机和激光扫描仪传感器的检测算法。用于目标检测的图像处理技术通常为单个目标产生若干个检测假设。A.Broggi、P.Cerri和P.C.Antonello在智能车辆座谈会(Intelligent Vehicles Symposium,2004IEEE.IEEE,2004年,第310-314页)中的“使用人工视觉的多分辨率车辆检测(Multi-resolutionvehicledetection using artificial vision)”使用最有希望的方框(box)。在其他示例中,将类似的方框平均在一起。
B.Li在智能机器人和系统(IROS,2017IEEE/RSJ国际会议,IEEE,2017年,第1513-1518页)的“点云中用于车辆检测的三维全卷积网络(3d fully convolutional networkfor vehicledetection in point cloud)”以及V.Vaquero、I.del Pino、F.Moreno-Nogoer、J.Solà、A.Sanfeliu和J.Andrade-Cetto在移动机器人(ECMR,2017欧洲会议,IEEE,2017年第1-7页)中的“用于驾驶情形中点云车辆检测和追踪的去卷积网络(Deconvolutional networks for point-cloud vehicle detection and tracking indriving scenarios)”描述了使用卷积神经网络的激光雷达目标检测的现代方案,其中网络的输出通常为单个目标产生若干个假设。同样,通常通过在应用时域滤波之前对神经网络的输出应用足够高的阈值而提取最有希望的检测。可通过忽略潜在的相关假设而从这种检测算法丢失关于目标的重要信息。
对于无线电雷达传感器,多普勒信息提供了关于目标运动状态的精确信息,尤其是在存在不同方位角下的多个无线电雷达检测的情形中。D.Kellner、M.Barjenbruch、J.Klappstein、J.Dickmann和K.Dietmayer在IEEE智能交通系统汇刊(IEEE Transactionon Intelligent Transportation Systems,第17卷第5期第1341-1353页,2016年)中的“采用高分辨率多普勒雷达追踪扩展目标(Tracking of extended objects with high-resolution Doppler radar)”描述了随方位角变化的多普勒速率剖面显著改进目标运动状态的估算。然而,由于微多普勒效应,需要鲁棒方案来提取该速率剖面。如果目标的一部分以不同于主体的速率运动,例如车辆的车轮或者步行者的手臂/腿脚,则存在微多普勒检测。包括或排除潜在微多普勒的速率剖面的多个假设可以用作测量假设,从而使时域滤波能够解决与目标的主体的真实运动相关的正确假设。
根据本发明的实施例,提供了一种标签多伯努利滤波器(LMB)的扩展,其允许集成多个测量假设。
标签多伯努利(LMB)滤波器基于随机有限集统计(RFS)解决多目标追踪问题。滤波器联合地估算存在于环境中的目标/轨迹数量以及目标的状态。LMB从广义LMB(GLMB)演化而来,其允许用于多目标追踪问题的可追踪的和数学原则性的基于RFS的解决方案。通过在滤波器的更新步骤中减少可能更新假设的数量,LMB是GLMB的计算效率近似。
B.-N.Vo、B.-T.Vo和H.G.Hoang在IEEE信号处理汇刊(IEEE Transaction onSignal Processing,第65卷第8期,第1975-1987页,2017年)中的“广义标签多伯努利滤波器的高效实施(An efficient implementation of the generalized labeled multi-bernoulli filter)”介绍了两种提高计算效率的修改:将预测和更新集成至单个步骤(进一步称作联合预测和更新)以及用于使用吉布斯(Gibbs)采样截断更新假设的高效算法。
S.Reuter、A.Danzer、M.Stübler、A.Scheel和在智能车辆研讨会(IV)(Intelligent Vehicles Symposium(IV),2017IEEE.IEEE,2017年,第765-772页)中的“使用gibbs采样快速实现标签多伯努利滤波器(A fast implementation of the labeledmulti-bernoulli filter using gibbs sampling)”将这两种修改应用于LMB,表明可以实时处理具有大量交通参与者的密集城市场景,其全部内容通过引用并入(称为“Reuter等人”)。根据本发明的实施例,提出了该算法的扩展,用于处理多个测量假设并将其有效地包括在联合预测和更新步骤中。
M.Beard、S.Reuter、K.Granstrom、B.-T.Vo、B.-N.Vo和A.Scheel在IEEE信号处理汇刊(IEEE Transactions on Signal Processing,第64卷,第7期,第1638-1653页,2016年)中的“利用标签随机有限集的多个扩展目标追踪(Multiple extended targettracking with labeled random finite sets)”描述了一种使用GLMB滤波器追踪多个扩展目标的解决方案,其通过处理测量的多个分区来实现。在理论上,通过建立独立覆盖一个测量的所有假设组合的分区,它可以转化为多个测量假设问题。但问题的复杂性将显著增加,因为分区必须覆盖来自所有测量的所有假设组合。即使只有五个测量,每个测量都有五个假设,并且每个测量都可以通过预选通(pre-gating)步骤与单个目标相关联,仍然必须创建55=3125个分区。这些分区和额外的杂波测量必须与来自幸存的和新诞生的目标的所有更新假设相组合,这对于实时应用是不可行的。
根据本发明的实施例,尤其提供了用于处理多个测量假设的标签多伯努利(LMB)滤波器的扩展,因为它们可以在使用激光雷达、相机和无线电雷达的目标检测中发生。实时性能使用高效Gibbs采样实现,其直接处理多个测量假设。使用简单的例子详细分析了该算法及其修改。最终,两个模拟表明,与标准FMB滤波器相比,所提出的算法能够更好地处理多个测量假设。即使这些假设具有显著的系统性、非高斯误差,性能也会提高。
发明内容
以上指出的一个或多个目标由根据本发明的用于在高效标签多伯努利(LMB)滤波器中集成多个测量假设的方法和系统基本上实现,其减轻或消除一个或多个上述缺点并且实现一个或多个上述优点。
根据本发明,提供了用于在高效标签多伯努利(LMB)滤波器中集成多个测量假设的方法和系统,所述LMB滤波器估算对于多个目标的多个轨迹,所述多个轨迹的每个轨迹具有唯一的标签、概率和状态,其中,所述多个轨迹的每个轨迹与要追踪的多个目标的一个目标相关联,每个目标具有目标状态,该方法包括:对于多个目标的每个目标,接收多个测量假设的一个或多个测量假设;基于相应轨迹和多个测量假设的一个或多个测量假设更新多个轨迹的每个轨迹;对于多个轨迹的轨迹和测量假设的每个组合,确定一个可能性ηi(j,k);对于多次迭代的每次迭代,基于多个轨迹的每个轨迹与测量假设、事件漏检和轨迹消亡检测之一的关联对更新假设γ(t)进行采样;基于多个轨迹的每个轨迹在更新假设γ(t)中的相应关联确定该轨迹的状态;对于多个轨迹的每个轨迹,提取存在概率;预测多个目标的每个目标关于下一个测量时间的目标状态;确定是否要执行另一个更新;以及如果要执行另一个更新,从更新多个轨迹的每个轨迹再次重复这些方法步骤并包括更新多个轨迹的每个轨迹。
在优选实施例中,所述采样进一步包括:基于所包含的关联和/或事件的可能性确定更新假设的权重pG;以及从假设向量γ(1...T)中删除重复的更新假设γ。
在优选实施例中,所述采样配置用于创建包含相应关联的假设向量;并且其中,确定多个轨迹的每个轨迹的状态是进一步基于更新假设γ的权重pG。
在优选实施例中,对于每个轨迹提取存在概率基于更新假设γ的权重pG,其通过测量更新或漏检来确认相应轨迹。
在优选实施例中,在第一次更新时,更新多个轨迹的每个轨迹基于多个测量假设的相应轨迹和所有测量假设。
在优选实施例中,该方法进一步包括预选通多个轨迹的每个轨迹,以便确定与相应轨迹相关的测量并且仅基于相关测量更新多个轨迹的每个轨迹;可选地,确定相关测量基于多个轨迹的相应轨迹与相应的测量之间的距离,由此丢弃超过预定最大距离的测量。
在优选实施例中,确定多个测量假设的每个测量假设基于高斯混合
其中,是每个假设k=1......Kj的概率,以及/>是假设的测量向量和测量协方差。
在优选实施例中,该方法进一步包括根据基于位置的选通丢弃多个测量假设的一个或多个测量假设,可选地,所述丢弃基于关联可能性
在优选实施例中,对于多个轨迹的每个轨迹,确定一个可能性(ηi(j,k))基于
其中,pD(xi)是假定仅取决于轨迹的检测率,k表示泊松分布的空间杂波强度。
在优选实施例中,对于多次迭代T的每次迭代i,对更新假设γ(t)进行采样基于Gibbs采样算法。
在优选实施例中,Gibbs采样算法接收迭代T的次数、可能性表格η和保存关联的测量假设标签(j1...L,k1...L)的查找表Λ作为输入。
在优选实施例中,可能性表格η具有P×(L+2)的大小并且基于以下构造
其中,L表示最可能的测量假设;可选地,L选择为使得至少包括接近测量的所有假设。
在优选实施例中,查找表Λ基于以下构造
在优选实施例中,该方法进一步包括:对于多个目标的每个目标,生成多个测量假设的一个或多个测量假设;可选地,多个测量假设的一个或多个测量假设基于一个或多个传感器的测量而设有相等的权重或不同的权重。
在优选实施例中,一个或多个传感器包括以下的一个或多个:无线电雷达传感器,光学传感器、特别是相机,超声波传感器,激光雷达传感器;和/或一个或多个测量假设包括从表示单个真实世界目标的图像中提取的一个或多个方框;和/或一个或多个测量假设包括表示单个真实世界目标的多个方框、椭圆或类似的其他几何体;和/或一个或多个测量假设基于单个雷达测量,其中生成扩展的真实世界目标的多个多普勒速度剖面。
在优选实施例中,所述采样进一步包括:将多个目标的单个目标的多个测量假设的不超过单个的测量假设与多个轨迹的相应轨迹相关联。
根据本发明,进一步提供了一种用于在高效LMB滤波器中集成多个测量假设的系统,该系统包括控制单元,该控制单元配置用于执行根据在此所述的实施例的方法。
根据本发明,进一步提供了一种车辆,其包括根据在此所述的实施例的系统。
附图说明
附图公开了根据本发明实施例的示例性和非限定性的特征方面。
图1示出图示根据本发明实施例的三个目标和两个测量以及对应假设的示例性配置,
图2示出图示根据本发明实施例的更新假设的数量和第一轨迹的最可能的关联的权重如何取决于Gibbs迭代T的次数的示意图,以及
图3示出根据本发明实施例的用于集成多个测量假设的示例性方法的流程图。
具体实施方式
LMB滤波器估算统计上独立的轨迹的集合,所述轨迹具有唯一的标签(ID)、存在概率r和状态表示。根据本发明的实施例,高斯混合的实现被选择为如下状态,其中每个轨迹由一个高斯混合描述,具有多个混合分量,每个混合分量具有状态向量、协方差和权重Wc。对于单个轨迹的所有混合分量上的权重总和为1。
根据本发明的实施例,考虑多个测量假设,其仅属于更新步骤。因此,对该步骤进行详细描述。
多个测量假设定义
多个测量假设由测量假设的集合定义,其源自使用高斯混合的单个目标j
其中,是每个假设k=1...Kj的概率,以及/>是特定假设的测量向量和测量协方差。单个假设(指的是多个测量假设高斯混合的单个分量)可以通过元组(j,k)唯一地识别。一般来说,只有一个假设是对于目标的最佳测量,并且不知道它可能是哪个测量假设。
对于单个测量帧,接收到的总测量则可定义为
其中,Nz是生成测量假设的目标的数量,C是附加的杂波测量假设。传统上,聚类算法或检测算法用来为单个目标生成这样的假设集合,其中经由一些标准(诸如最高分数)来选择在这样的集合中的最佳测量。根据本发明的实施例,在对假设进行聚类之后,不会明确地作出选择,而是将测量簇Zj的所有假设给予LMB滤波器,其将解析随时间变化的最佳解。假设概率将随后直接地表示如由这样的聚类算法或检测算法产生的假设的置信度。
LMB更新
对于更新步骤的输入是预测轨迹(先验状态)和新测量Z的集合。在更新开始时,将每个轨迹的存在概率乘以生存概率。然后采用来自出生模型的新轨迹扩展该集合,在此之后存在I=1......P个轨迹,其存在概率为ri。首先,由所有测量假设对所有轨迹进行更新。为了提高性能,执行基于位置的选通,以节省极不可能的关联的计算时间。关联用γi=(j,k)指定并且表示轨迹i与测量假设(j,k)的关联。对于每个可能的关联,轨迹都会利用测量假设更新。由于一个轨迹中可能存在多个混合分量,因此每个分量都会更新,并相应地调整其权重。结果是后验高斯混合,其被储存并在最后使用以建立后验轨迹。在更新期间,计算关联的可能性
此外,还计算对于消亡轨迹γi=-1和漏检γi=0的可能性。假定检测率pD(xi)仅取决于轨迹,其中,k表示泊松分布的空间杂波强度:
构建大小为P×(L+2)的可能性表格η,其包含消亡、漏检的可能性以及L个最有可能的测量假设:
其中,L应该选择为使得至少包括接近(close-by)测量的所有假设。为了保持轨迹与测量的关系,构建包含关联的测量假设标签(j1...L,k1...L)的查找表Λ:
对于所有轨迹的关联的一个组合t称为更新假设,并用γ(t)=(γ1,...,γP)表示为P元组。在一个更新假设中,每个测量j可以仅与一个轨迹相关联。
对于每个更新假设γ(t),相应的可能性可以通过乘以所包含的轨迹关联的可能性来估算:
考虑所有更新假设是困难的,因为存在没有被任何测量假设检测或更新的、存活的许多轨迹组合。用于生成更新假设的简单解决方案是Gibbs采样。
Gibbs采样
在算法1(参见以下)中示出所提出的Gibbs采样。对于从1......T开始的每次Gibbs迭代t,对更新假设γ(t)进行采样。存在阵列J,其保存当前关联测量的测量标识j。为了从测量假设(j,k)中提取测量标签j,定义以下函数:
在一次Gibbs迭代中,对于所有轨迹都有一个循环。对于每个轨迹,首先从J得出前帧的关联测量,其次对新关联进行采样。从所有可用的测量假设以及消亡或漏检的另外两例进行采样。在对更新假设进行采样T次后,删除所有重复,并将剩余的关联可能性归一化为1,得到更新假设概率pG。Gibbs采样的复杂度与轨迹的数量成线性。两个参数L(每个目标的最大关联数)和T(最大Gibbs迭代次数)提供在精度和速度之间的权衡。
在一些实施例中,可选地,匈牙利(Hungarian)关联用作初始更新假设γ(1)。但是,这不是必需的。一般情况下,假定所有轨迹消亡(j=-1)作为初始解(见图2)。一种替代性选择可以是,所有轨迹都会漏检,这意味着它们仍然活着,但它们在当前帧中没有生成任何测量。
基于示例性数据集表明:当使用足够次数的Gibbs迭代时,这并没有产生显著的改善。Hungarian关联要求成本矩阵(参见例如Reuter等人)作为输入,其必须另外计算。此外,标准的Hungarian算法无法区分多个测量假设,因此解决方案可以包含一个测量j的多个假设,这是不希望的。
LMB重构
为了结束递归,通过采用参数由LMB密度近似多目标后验密度来构建后验LMB轨迹(引用(19)、(20)和(21)参考Reuter等人)
该近似精确地匹配后验δ-GLMB分布的第一矩,即轨迹的空间分布以及与接收到的测量集合相矛盾的基数假设的平均值(例如,通过对轨迹消失进行建模,这获得精确测量)。
多目标后验密度等价于具有对应概率pG的更新假设。对于所有更新假设的单个for循环就足够了。如果首次出现关联γi=(j,k),更新后的混合分量作为混合分量包含在后验轨迹中,并且其权重乘以更新假设概率pG。当计算更新可能性/>时,后验高斯混合在该节开始时已被存储。如果已包括关联γi,则只有对应混合分量的权重/>以原始分量权重乘以pG增加。该变换的复杂度与轨迹数量和唯一更新假设数(最多T)成线性,且不依赖于测量数量。
最终,每个轨迹的存在概率通过对其混合分量的权重求和来计算。因为在更新步骤之前将混合权重归一化为1,因此轨迹的存在概率等价于包含该轨迹的所有更新假设的概率pG之和,且j≥0:
混合分量的权重等价于包含该关联的所有更新假设的概率之和:
并归一化为1。
进一步的优化可以是结合轨迹找到测量的子集,例如使用聚类技术,其中可以假定更新步骤是独立的。
已表明,当加入多个测量假设时,后验轨迹的存在概率ri是恒定的。存在概率直接取决于其中包括轨迹的更新假设概率因此,足以表明未归一化概率/>是恒定的。为了保持存在概率,所有测量假设都具有相同的关联可能性g(zi|xi)。通过包含Ki个测量假设,单个更新假设γ(t)拆分成Kj个更新假设,将这些更新假设求和以确定存在概率。在下文中,与轨迹i=1关联的测量拆分为Kj个测量假设:
其中,总和等于不具有测量假设η1(j)的可能性:
目标提取
在大多数情况下,替代于完全混合,为每个轨迹提供简化的输出,其仅包含单个状态和协方差。这可以例如通过计算所有混合分量的加权平均值来实现。权重可以是分量的权重然而,因为具有系统误差的多个测量假设导致多模态混合分布,所以建议不使用加权平均值。原因是,如果假设的系统误差有偏差,则所提取的状态也会有偏差。取而代之的是,具有最高权重的混合分量应被提取,从而抑制错误假设的影响。另一个选择会是提取以最高共同权重紧密相邻的所有混合分量。
示例场景
图1示出图示了根据本发明实施例的三个目标120-1、120-2和120-3(ID1、ID2和ID3)和两个测量140、150和对应假设的示例性配置。
最后一节的理论推导在本节的简单示例中示出,如图1所示。在该场景中,存在三个轨迹和两个测量,而测量j=2由三个假设构成。轨迹已经被预测,并且它们的存在概率乘以生存概率,从而仅考虑更新步骤。为了简单起见,每个轨迹仅由单个混合分量组成。
图1示出示例性配置的概览,其具有三个目标120-1、120-2和120-3(ID1、ID2和ID3)以及两个测量(星形),其中,测量1有一个假设140-1,测量2有三个假设150-1、150-2和150-3。
在第一步骤中,采用所有测量假设更新所有轨迹(见上文的“LMB更新”)。考虑了预测轨迹和测量和协方差矩阵之间的距离的关联可能性在表格I中给出:
表格I
关联可能性的假定
接下来,基于方程(3)计算可能性ηi。为了准备用于Gibbs采样(算法1)的输入,构造基于方程(4)的可能性表格η和基于方程(5)的对应映射Λ(见表格II和表格III)。
表格II
追踪消亡、预测和L=3最可能关联的可能性η
表格III
对于所有η项的关联测量假设Λ
假定恒定检测概率pD为0.9并且杂波率k为1,并使用L=3。假定测量j=2的所有假设均被相等加权
如果独立处理测量假设则表格II中所有与(2,k)组合的关联可能性将增加3倍。Λ(表格III)中的测量标签将为1至4(1......4.1)。更新假设如γ=[(1,1),(2,1),(2,3)]将是可能的。该解决方案也作为标准LMB在下面进行评估。
在运行Gibbs采样(参见上面的“Gibbs采样”)之后,所有更新假设的权重都归一化为1。最有可能的更新假设是γ1=[(1,1),-1,-1],并且概率pG=0.11。接下来的三个假设只在中改变,并且关联的假设为(2,1)、(2,2)、(2,3)和概率为0.09、0.09、0.08。接下来的三个假设是消亡轨迹1,3和所有测量假设j=2,并且轨迹i=2(概率为0.05、0.05、0.04)。
图2示出示意图200,其图示了更新假设的数量和第一轨迹的最可能关联的权重是如何依赖于Gibbs迭代T的次数。示意图200显示大量Gibbs迭代的蒙特卡洛(Monte Carlo)模拟的结果,即:对于第一轨迹使用Hungarian作为初始解对最有可能的轨迹与测量(track-to-measurement)关联的权重的影响(图202)和不使用Hungarian的影响(图204)以及对更新假设的数量的影响(图206)。更新假设的数量是从T个假设中提取唯一的假设。作为起始更新假设的Hungarian解高估了权重,因为最可能的关联总是被包括在内,而从消亡轨迹(j=-1)开始会导致低估。但是在超过50次Gibbs迭代的情况下,两种方法都显示相同的结果。因为权重在大约1000次迭代中收敛,Hungarian初始化在本例中没有任何益处(见上文)。
最后一步是将更新假设转换为后验轨迹(见上文的“LMB重构”)。轨迹r的存在概率通过基于方程(8)的包含了由唯一的标签标识的该轨迹的所有更新假设的概率pG求和来计算。结果见表格IV:
表格IV
后验轨迹的存在概率
对于轨迹1,存在概率为0.67。其主要由更新假设γ1=(1,1)(pG=0.58)和漏检假设(pG=0.07)组成。显然,轨迹3的存在概率降低,因为所有测量平均更接近其他轨迹。轨迹1和轨迹2具有类似的概率,由于不完美的测量而略有降低。尽管表格I中的可能性总和对于轨迹1和轨迹2是相同的,但是轨迹1具有更高的概率。原因是,轨迹3在测量2中的可能性更高,测量2与轨迹2更可能关联。
当独立处理测量假设时(标准LMB),轨迹的存在概率显著增加,因为更多的更新假设是可行的。进一步,可用的测量比轨迹更多。尤其是轨迹3与(2,3)和轨迹2与(2,1)或(2,2)的组合是可能的。轨迹3的概率显著增加到0.55,而不是降低。
后验轨迹的状态是高斯混合,包含所有可行的L轨迹与测量关联作为混合分量。分量的权重基于方程(9)计算并且在表格V中示出:
表格V
更新轨迹的预测(0)的混合分量的权重(基于测量(j,k))
用于单个输出状态的一种解决方案是提取具有最高权重的混合分量。对于轨迹1,这将是来自与测量假设(1,1)的关联的混合分量。来自与(2,1)和(2,2)的关联的分量对于轨迹2具有最高权重。
LMB更新之前和之后的基数分布见表格VI:
表格VI
LMB基数(等价于GLMB基数)
基数为1或2的概率增加,而基数为0和3的概率降低。平均基数略有降低,因为轨迹3没有得到确认,对于轨迹1和轨迹2的测量有较大的位移。
如果所有假设都被视为独立的测量,则平均基数显著增加到2.18,尤其是基数为3到0.36。
图3示出根据本发明实施例的用于在高效标签多伯努利(LMB)滤波器中集成多个测量假设的示例性方法300的流程图。LMB滤波器估算对于多个目标j的多个轨迹i。多个轨迹的每个轨迹i具有唯一的标签(ID)、概率r和状态。进一步,多个轨迹的每个轨迹i与待追踪的多个目标的一个目标j相关联。每个目标j都有一个目标状态。该方法从步骤301开始。
在步骤304中,接收对于多个目标的每个目标j的多个测量假设的一个或多个测量假设(j,k)。在此,接收一个或多个测量假设(j,k)。事实上,也可以发生的是,传感器根本没有检测到目标,因此根本没有接收到测量假设(j,k)。通常,假定检测到至少一个目标j。
在步骤306中,基于相应轨迹i和多个测量假设的一个或多个测量假设(j,k)来更新多个轨迹的每个轨迹i。实际上,仅在第一次更新时,采用所有轨迹更新所有的测量。这可能需要计算测量可能性。在随后的迭代中,LMB仅处理合理的测量假设(即具有高可能性),并且在Gibbs采样期间撤销不太可能的测量-轨迹更新(参见步骤310)。更详细地,在Gibbs采样中仅使用具有高可能性的测量-轨迹更新(见上文所述的可能性表格η和查找表Λ)。在一个示例中,所有测量-轨迹被执行,并且可能性在表格I中示出(见上文)。在该示例中,对于Gibbs采样,仅使用三个最可能的测量-轨迹更新(见表III)。对于第一轨迹,λ(2,2)缺失,这意味着轨迹1不太可能与测量假设(2,2)相关联。因此,Gibbs采样可以“忽略”这个更新。在另一个实际示例中,如果存在100个轨迹和500个测量假设,则对所有组合执行此更新将相当麻烦,因此执行预选通(见上文)。例如,在自动驾驶中,通常只考虑轨迹周围某个区域(如5m)内的测量。对于所有其他测量,可以将可能性设置为无穷大,以便于放弃这样的测量。
在步骤308中,对于多个轨迹的轨迹(i)和测量((j,k))的每个组合,确定可能性(ηi(j,k))。
在步骤310中,对于多次迭代T的每次迭代i,基于多个轨迹的每个轨迹i与以下其中之一的关联来对更新假设γ(t)进行采样,即:测量假设(j,k)、事件漏检或轨迹消亡检测。然而,值得注意的是,对于每个测量j,只有单个假设(j,k)是相关联的。例如,如果测量假设(5,3)与轨迹1相关联,则在该更新假设t中,测量5的所有其他测量假设(5,1)、(5,2),(5,......)不能与任何其他轨迹i相关联。
在步骤312中,多个轨迹的每个轨迹i的状态基于其在更新假设γ(t)中的相应关联来确定。一般来说,“目标状态”表示目标j的状态(例如车辆的真实速度),轨迹的状态表示估算的状态(例如估算的速度)。如果目标被多个假设更新,那么有多种方法来描述轨迹状态。根据本发明的实施例,使用高斯混合。这意味着,y轴上每一个可行的轨迹-测量更新都会产生具有对应权重的高斯分量(见上文)。
在步骤314中,对于每个轨迹i提取存在概率。
在步骤316中,预测多个目标的每个目标(j)关于下一测量时间的目标状态。通常,如果在100ms后接收到下一个测量,则所有状态都将预测到此时。例如,如果轨迹具有x位置10m和速度5m/s,则下一次测量时的目标状态应为10.5m(100ms*5m/s),而速度保持恒定。在根据本发明的一些实施例中,可以采用其他模型,例如假定速度变化且加速度恒定。
随后,确定是否要执行另一更新。如果要执行另一更新,方法步骤则从更新多个轨迹的每个轨迹i的步骤306再次重复并包括该步骤。否则,该方法在步骤318结束。
可选地,方法300还包括步骤302,其中对于多个目标的每个目标j生成多个测量假设的一个或多个测量假设(j,k)。然后在步骤304中接收这些生成的一个或多个测量假设(j,k)。可选地,多个测量假设的一个或多个测量假设(j,k)基于一个或多个传感器的测量设有相等的权重或具有不同的权重。
Claims (23)
1.一种用于在高效标签多伯努利滤波器中集成多个测量假设的方法(300),所述标签多伯努利滤波器对于多个目标估算多个轨迹,所述多个轨迹的每个轨迹i具有唯一的标签(ID)、存在概率r和状态,其中,所述多个轨迹的每个轨迹i与待追踪的多个目标的一个目标j相关联,每个目标j具有目标状态,该方法包括:
对于所述多个目标的每个目标j,接收(304)所述多个测量假设的一个或多个测量假设(j,k);
基于相应轨迹i和所述多个测量假设的所述一个或多个测量假设(j,k),更新(306)所述多个轨迹的每个轨迹i;
对于所述多个轨迹的轨迹i和测量假设(j,k)的每个组合,确定(308)可能性ηi(j,k);
对于多次迭代T的每次迭代t,基于所述多个轨迹的每个轨迹i与测量假设(j,k)、事件漏检和轨迹消亡检测之一的关联,对更新假设γ(t)进行采样(310);
基于所述多个轨迹的每个轨迹i在所述更新假设γ中的相应关联,确定(312)该轨迹的状态;
对于所述多个轨迹的每个轨迹i,提取(314)存在概率;
预测(316)所述多个目标的每个目标j关于下一个测量时间的目标状态;
确定是否要执行另一更新;以及
如果要执行另一更新,则从更新(306)所述多个轨迹的每个轨迹i再次重复各方法步骤并包括更新所述多个轨迹的每个轨迹。
2.根据权利要求1所述的方法,其中,所述采样(310)进一步包括:
基于所包含的关联和/或事件的可能性,确定更新假设的权重pG;以及
从假设向量γ(1...T)中删除重复的更新假设γ。
3.根据权利要求2所述的方法,其中,所述采样(306)配置用于创建包含相应关联的假设向量γ(1…T);以及确定(312)所述多个轨迹中的每个轨迹i的状态进一步基于所述更新假设γ的权重pG。
4.根据权利要求2或3所述的方法,其中,对于每个轨迹i提取(314)存在概率基于所述更新假设γ的权重pG,其通过测量更新或漏检来确认相应轨迹i。
5.根据权利要求1至3中任一项所述的方法,其中,在首次更新(306)时,更新(306)所述多个轨迹的每个轨迹i基于相应轨迹i和所述多个测量假设的所有测量假设(j,k)。
6.根据权利要求1至3中任一项所述的方法,进一步包括,预选通所述多个轨迹的每个轨迹i,以便于确定与相应轨迹i相关的测量并且仅基于相关的测量更新所述多个轨迹的每个轨迹i。
7.根据权利要求6所述的方法,其中,确定所述多个测量假设的每个测量假设k基于高斯混合:
其中,是每个假设k=1……Kj的概率,以及/>是所述假设的测量向量和测量协方差。
8.根据权利要求7所述的方法,进一步包括,根据基于位置的选通,丢弃所述多个测量假设的一个或多个测量假设(j,k)。
9.根据权利要求1至3中任一项所述的方法,其中,对于所述多个轨迹的每个轨迹(i)确定(306)可能性ηi(j,k)基于
其中,ri是轨迹i的存在概率,pD(xi)是假定仅依赖于轨迹i的检测率,以及κ表示泊松分布的空间杂波强度。
10.根据权利要求1至3中任一项所述的方法,其中,对于多次迭代T的每次迭代t对更新假设γ(t)进行采样基于吉布斯采样算法。
11.根据权利要求10所述的方法,其中,所述吉布斯采样算法接收所述迭代T的次数、可能性表格η和保存关联的测量假设标签(j1...L,k1...L)的查找表Λ作为输入。
12.根据权利要求11所述的方法,其中,所述可能性表格η具有P×(L+2)的大小,并且基于下式构造
其中,L表示最可能的测量假设。
13.根据权利要求11或12所述的方法,其中,所述查找表Λ基于下式构造
14.根据权利要求1至3中任一项所述的方法,进一步包括,对于所述多个目标的每个目标j)生成(302)所述多个测量假设的一个或多个测量假设(j,k)。
15.根据权利要求14所述的方法,其中:
所述一个或多个传感器包括如下中的一个或多个:无线电雷达传感器,光学传感器,超声波传感器,激光雷达传感器;和/或
所述一个或多个测量假设(j,k)包括从表示单个真实世界目标的图像中提取的一个或多个方框;和/或
所述一个或多个测量假设(j,k)包括表示单个真实世界目标的多个方框、椭圆或类似的其他几何体;和/或
所述一个或多个测量假设(j,k)基于单个雷达测量,其中,生成扩展的真实世界目标的多个多普勒速度剖面。
16.根据权利要求1至3中任一项所述的方法,其中,采样(310)进一步包括将所述多个目标的单个目标j的多个测量假设的不多于单个的测量假设(j,k)与所述多个轨迹的相应轨迹i相关联。
17.根据权利要求6所述的方法,其中,确定相关的测量基于所述多个轨迹的相应轨迹i与相应的测量之间的距离,由此丢弃超过预定最大距离的测量。
18.根据权利要求8所述的方法,其中,所述丢弃基于关联可能性
19.根据权利要求12所述的方法,其中,L被选择为使得至少包括接近测量的所有假设。
20.根据权利要求14所述的方法,其中,所述多个测量假设的所述一个或多个测量假设(j,k)基于一个或多个传感器的测量而具有相等的权重或不同的权重。
21.根据权利要求15所述的方法,其中,所述光学传感器是相机。
22.一种用于在高效标签多伯努利滤波器中集成多个测量假设的系统,该系统包括控制单元,该控制单元配置用于执行根据权利要求1至21中任一项所述的方法。
23.一种车辆,包含根据权利要求22所述的系统。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2018/068386 WO2020007487A1 (en) | 2018-07-06 | 2018-07-06 | Object tracking based on multiple measurement hypotheses |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112154481A CN112154481A (zh) | 2020-12-29 |
CN112154481B true CN112154481B (zh) | 2023-12-08 |
Family
ID=62909505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880093774.XA Active CN112154481B (zh) | 2018-07-06 | 2018-07-06 | 基于多个测量假设的目标追踪 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11455736B2 (zh) |
CN (1) | CN112154481B (zh) |
DE (1) | DE112018007810T5 (zh) |
WO (1) | WO2020007487A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020206659A1 (de) * | 2019-05-30 | 2020-12-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Multi-hypothesen-objektverfologung für automatisierte fahrsysteme |
CN111914211B (zh) * | 2020-07-30 | 2023-03-10 | 深圳大学 | 一种新生目标标签多贝努利分布的生成方法及装置 |
CN112113572B (zh) * | 2020-09-18 | 2023-04-07 | 桂林电子科技大学 | 一种解决分布式标签融合的多目标跟踪方法 |
DE102021202265A1 (de) | 2021-03-09 | 2022-09-15 | Zf Friedrichshafen Ag | Computerimplementiertes Verfahren und Computerprogramm zum Bestätigen einer sicheren Wahrnehmung eines Wahrnehmungsmoduls und Steuergerät für autonome Fahrfunktionen |
US20230288556A1 (en) * | 2022-03-11 | 2023-09-14 | Aptiv Technologies Limited | Stable Radar Track Velocity Initialization Using Multiple Hypotheses |
CN114779230B (zh) * | 2022-03-22 | 2024-03-08 | 福瑞泰克智能系统有限公司 | 一种对象跟踪方法、装置、电子设备及车辆 |
DE102022129026A1 (de) | 2022-11-03 | 2024-05-08 | Valeo Schalter Und Sensoren Gmbh | Verfahren und system zur objektverfolgung mittels eines poisson multi-bernoulli mixture filters mit hilfe von ultraschalldaten |
DE102022129015A1 (de) | 2022-11-03 | 2024-05-08 | Valeo Schalter Und Sensoren Gmbh | Verfahren und vorrichtung zum berührungslosen bereitstellen einer funktion bei einem kraftfahrzeug |
DE102022129019A1 (de) | 2022-11-03 | 2024-05-08 | Valeo Schalter Und Sensoren Gmbh | Verfahren und vorrichtung zum berührungslosen bereitstellen einer funktion bei einem kraftfahrzeug |
CN117724087B (zh) * | 2024-02-07 | 2024-05-28 | 中国人民解放军海军航空大学 | 雷达多目标跟踪双标签多伯努利滤波算法 |
CN117933404B (zh) * | 2024-03-25 | 2024-06-18 | 中国人民解放军国防科技大学 | 基于独立同分布与多伯努利分布的多目标跟踪方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006073049A (ja) * | 2004-08-31 | 2006-03-16 | Funai Electric Co Ltd | 光ピックアップ制御装置 |
CN106910205A (zh) * | 2017-03-03 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种基于随机有限集滤波器耦合的多目标跟踪方法 |
CN107102295A (zh) * | 2017-04-13 | 2017-08-29 | 杭州电子科技大学 | 基于glmb滤波的多传感器tdoa无源定位方法 |
CN107677997A (zh) * | 2017-09-28 | 2018-02-09 | 杭州电子科技大学 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798942A (en) * | 1994-04-05 | 1998-08-25 | Trw Inc. | N-best feasible hypotheses multitarget tracking system for space-based early warning systems |
JP6600897B2 (ja) * | 2016-03-15 | 2019-11-06 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
-
2018
- 2018-07-06 DE DE112018007810.8T patent/DE112018007810T5/de active Pending
- 2018-07-06 CN CN201880093774.XA patent/CN112154481B/zh active Active
- 2018-07-06 US US17/050,628 patent/US11455736B2/en active Active
- 2018-07-06 WO PCT/EP2018/068386 patent/WO2020007487A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006073049A (ja) * | 2004-08-31 | 2006-03-16 | Funai Electric Co Ltd | 光ピックアップ制御装置 |
CN106910205A (zh) * | 2017-03-03 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种基于随机有限集滤波器耦合的多目标跟踪方法 |
CN107102295A (zh) * | 2017-04-13 | 2017-08-29 | 杭州电子科技大学 | 基于glmb滤波的多传感器tdoa无源定位方法 |
CN107677997A (zh) * | 2017-09-28 | 2018-02-09 | 杭州电子科技大学 | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
图像目标检测前跟踪的广义多伯努利滤波算法;石志广;周剑雄;张焱;;红外与毫米波学报(第03期);117-123 * |
基于标签多伯努利滤波器的机动小目标检测前跟踪;李淼;龙云利;李骏;安玮;周一宇;;红外与毫米波学报(第05期);625-633 * |
Also Published As
Publication number | Publication date |
---|---|
DE112018007810T5 (de) | 2021-04-08 |
US11455736B2 (en) | 2022-09-27 |
CN112154481A (zh) | 2020-12-29 |
WO2020007487A1 (en) | 2020-01-09 |
US20210233261A1 (en) | 2021-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112154481B (zh) | 基于多个测量假设的目标追踪 | |
Beard et al. | Multiple extended target tracking with labeled random finite sets | |
Xia et al. | Performance evaluation of multi-Bernoulli conjugate priors for multi-target filtering | |
Reuter et al. | A fast implementation of the labeled multi-Bernoulli filter using Gibbs sampling | |
WO2017124299A1 (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 | |
Vu et al. | A particle marginal Metropolis-Hastings multi-target tracker | |
Beard et al. | A generalised labelled multi-Bernoulli filter for extended multi-target tracking | |
EP2713308A2 (en) | Method and system for using fingerprints to track moving objects in video | |
Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
Mahler | A brief survey of advances in random-set fusion | |
Reuter et al. | Multi-object tracking using labeled multi-Bernoulli random finite sets | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
Leung et al. | Multifeature-based importance weighting for the PHD SLAM filter | |
Baig et al. | A robust motion detection technique for dynamic environment monitoring: A framework for grid-based monitoring of the dynamic environment | |
Chen et al. | Multitarget multisensor tracking | |
CN114137562A (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
CN113077495B (zh) | 在线多目标跟踪方法、系统、计算机设备及可读存储介质 | |
Aftab et al. | A Gaussian process convolution particle filter for multiple extended objects tracking with non-regular shapes | |
Herrmann et al. | LMB filter based tracking allowing for multiple hypotheses in object reference point association | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
Fan et al. | Pedestrian detection and tracking using deformable part models and kalman filtering | |
Baig et al. | Using fast classification of static and dynamic environment for improving Bayesian occupancy filter (BOF) and tracking | |
Jing et al. | Multi-target joint detection, tracking and classification based on random finite set for aerospace applications | |
Kaune et al. | Online optimization of sensor trajectories for localization using TDOA measurements | |
Chen et al. | Towards bio-inspired place recognition over multiple spatial scales |
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 |