CN112363131A - 车载毫米波雷达数据的处理方法、装置及计算机存储介质 - Google Patents

Abstract

本发明公开一种车载毫米波雷达数据的处理方法、装置及计算机存储介质，该车载毫米波雷达数据的处理方法包括对多个目标点迹进行分类处理，以得到多个目标点迹的分类信息；按照预设状态更新算法对先前航迹库进行更新，以得到预测航迹库；基于每个目标点迹的分类信息、先前航迹库的点迹次数以及预测航迹库的车辆行驶方向的坐标确定目标点迹对应的关联门缩放因子；将每个目标点迹的点迹信息通过目标点迹所对应的关联门缩放因子与预测航迹库进行关联。通过上述方式，本发明可以使得关联后的航迹库的航迹信息更为精炼与清晰。

Description

车载毫米波雷达数据的处理方法、装置及计算机存储介质

技术领域

本发明涉及车载毫米波探测领域，特别是涉及一种车载毫米波雷 达数据的处理方法、装置及计算机存储介质。

背景技术

在保证安全性的同时，不断提升驾驶的便捷化、智能化是汽车未 来的发展方向，汽车智能辅助驾驶、无人驾驶技术成为近年来学术界 和工业界关注的热点。

车辆行驶过程中，周边环境是极其复杂的，在这种情况下，车载 毫米波雷达探测到的目标可能既有车辆附近的其他车辆和行人等所 需目标，也有道路周边的护栏、树木等干扰目标，如果将所需目标与 干扰目标所生成的点迹采取相同的关联方式与航迹库进行关联，使得 航迹库中的数据较为杂乱，势必会对后续的碰撞预警或者车辆控制决 策带来不利的影响。

发明内容

本发明提供一种车载毫米波雷达数据的处理方法、装置及计算机 存储介质，以解决现有技术中航迹库数据较为杂乱的问题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种 车载毫米波雷达数据的处理方法，所述方法包括：对多个目标点迹进 行分类处理，以得到所述多个目标点迹的分类信息，所述分类信息包 括第一类别和第二类别；按照预设状态更新算法对先前航迹库进行更 新，以得到预测航迹库；基于每个所述目标点迹的分类信息、先前航 迹库的点迹次数以及预测航迹库的车辆行驶方向的坐标确定所述目 标点迹对应的关联门缩放因子；将每个目标点迹的点迹信息通过所述 目标点迹所对应的关联门缩放因子与所述预测航迹库进行关联。

为解决上述技术问题，本发明采用的另一个技术方案是：提供一 种车载毫米波雷达数据的处理装置，所述装置包括处理器和存储器， 存储器中存储有计算机程序，处理器用于执行计算机程序以实现上述 车载毫米波雷达数据的处理方法的步骤。

为解决上述技术问题，本发明采用的另一个技术方案是：提供一 种计算机存储介质，其中存储有计算机程序，计算机程序被执行时实 现上述车载毫米波雷达数据的处理方法的步骤。

区别于现有技术，本发明通过将多个目标点迹进行分类处理，对 先前航迹库进行更新得到预测航迹库，并结述目标点迹的分类信息、 先前航迹库的点迹次数以及预测航迹库的车辆行驶方向的坐标确定 目标点迹对应的关联门缩放因子，并利用该关联门缩放因子将目标点 迹与预测航迹库进行关联。通过将多个目标点迹进行分类，从而使得 具有不同的分类信息，并基于每个目标点迹的分类信息选取不同的关 联门缩放因子，即对不同目标点迹与预测航迹库关联时进行针对性关 联，从而有利于航迹关联过程中预测航迹库和目标点迹建立起正确的 对应关系。使得后续关联后的预测航迹库中的航迹信息更为精炼、清 晰且具有层次感。

附图说明

为更清楚地说明本发明实施例中的技术方案，下面将对实施例描 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是本发明提供的车载毫米波雷达数据的处理方法第一实施 例的流程示意图；

图2是图1的具体场景中目标点迹相对毫米波雷达的示意图；

图3是图1步骤S11的子步骤流程示意图；

图4是图1步骤S11的目标点迹的分类判断流程图；

图5是图1步骤S13的关联门缩放因子的选择判断流程图；

图6是本发明提供的车载毫米波雷达数据的处理方法第二实施 例的流程示意图；

图7是图6步骤S21的更新噪声矩阵的旋转判断流程图；

图8是本发明提供的车载毫米波雷达数据的处理装置另一实施 例的结构示意图；

图9是本发明计算机存储介质一实施例的结构示意图。

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，所描述的实施例仅是本发明的一部 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 通技术人员在没有做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。

具体请参阅图1，图1是本发明车载毫米波雷达数据的处理方法 第一实施例的流程示意图，本实施例车载毫米波雷达数据的处理方法 包括以下步骤。

S11，对多个目标点迹进行分类处理，以得到多个目标点迹的分 类信息。

目标点迹进行分类处理，以得到多个目标点迹的分类信息。

在可选场景中，车辆在行驶过程中，可以利用安装于车辆上的毫 米波雷达对周围进行检测，即利用毫米波雷达检测车辆行驶过程中周 围多个目标的毫米波信息，随后基于该毫米波信息得到多个目标的目 标点迹，该目标点迹包括有该目标的点迹信息，点迹信息包括目标与 毫米波雷达的距离信息、目标与车辆行驶方向的夹角信息以及目标的 径向速度信息。

如可选的，目标可以是其他车辆、行人、树木或者护栏等，毫米 波雷达朝向周围发射毫米波信号，随后接收到由目标所反射回来的回 波信号，基于毫米波信号与回波信号可以得到毫米波信息，可选的， 该毫米波信息具体可以是毫米波信号与回波信号的差频信号，随后对 该差频信号进行距离维傅里叶变换、多普勒维傅里叶变换、非相参积 累、恒虚警处理、点迹凝聚、方位维傅里叶变换等流程，则可以计算 出目标相对于毫米波雷达的距离、角度以及速度等信息。

如图2所示，B为毫米波雷达(车辆)，A为目标，以车辆为原 点建立直角坐标轴，其中车辆的行驶方向为Y轴，沿Y轴朝向道路 两侧为X轴。r_n为目标与毫米波雷达的距离信息，θ_n为目标与车辆行 驶方向的夹角信息(即AB与Y的夹角信息)。

可选的，如果在当前时刻k利用毫米波雷达获取多个目标的目标 点迹，则可以将目标点迹表示

将多个目标点迹 作为一个当前点迹库，并表示{Z_k}。其中，

为目标点迹的径向速度 信息。

请参阅图3，图3为图1步骤S11的子步骤流程示意图，具体包 括如下步骤：

S111，基于多个目标点迹的点迹信息与车辆的速度信息来确定多 个目标点迹中的多个静止点迹与多个非静止点迹。

可选的，可以基于多个目标点迹的点迹信息与车辆速度来确定多 个目标点迹中的多个静止点迹与非静止点迹。

在可选场景中，静止点迹所对应的目标可以是树木、护栏等不会 移动的干扰目标，非静止点迹所对应的目标则可能是其他移动的车辆、 行人等目标。在场景中，树木与护栏等均是一排排位于道路的两侧， 因此可以利于其特性，确定目标点迹中的多个静止点迹。

可选的，可以利于下述公式来实现对目标点迹中多个静止点迹与 多个非静止点迹的判断：

其中，v_vel为车辆的速度信息，v_thr为预设速度阈值，y_thr为预设 方向阈值，即判断目标点迹的径向速度信息和夹角信息的余弦值的商 与速度信息的差是否小于预设速度阈值且所述目标点迹的距离信息 和夹角信息的正弦值的积是否大于预设方向阈值。

在一可选场景中，如果某一个目标点迹的点迹信息满足上述判断 条件，则将该目标点迹作为静止点迹，如果某一个目标点迹的点迹信 息不满足上述判断条件，则将该目标点迹作为非静止点迹。

即如果某一个目标点迹沿Y轴方向的速度信息与车辆的速度信 息差距较小，且目标点迹沿Y轴方向又没有和车辆平齐，可以初步 认定该目标点迹是静止的或者疑似静止的一个情况。

其中，对每一个目标点迹进行如上判断，并得到多个目标点迹中 多个静止点迹，将所有的静止点迹表示为

将所有的静止点迹的 数量表示为N_sta。

S112，根据多个静止点迹的点迹信息得到约束值。

根据多个静止点迹的点迹信息来得到约束值，可选地，无论是静 止点迹还是非静止点迹均为目标点迹，也均包括有点迹信息。其中， 约束值包括有宽约束值和窄约束值。

可选的，利用如下公式获取约束值中的宽约束值：

利用如下公式获取约束值中的窄约束值：

其中，所述x_{side_ave}为宽约束值，所述r_n为所述静止点迹的距离 信息，所述θ_n为所述静止点迹的夹角信息，所述N_sta为所有的静止点 迹的数量，所述x_{side_min}为所述窄约束值。

无论是宽约束值还是窄约束值，均是X轴方向的值，即可以简 单认为是静止点迹X轴的最大值，或者是静止点迹的X轴的最小值。

S113，将多个非静止点迹分为第一类别。

可选的，将多个非静止点迹进行分类并分为第一类别。任何非静 止点迹都可能影响到车辆的行驶，因此需要分到比较重要的第一类别。

可选的，第一类别可以表示为type＝0。

S114，比较每个静止点迹的点迹信息与约束值并基于比较结果得 到静止点迹的分类信息。

在对静止点迹进行分类后，可以进一步对多个非静止点迹进行分 类。如图2所示，车辆的行驶方向作为Y轴，两侧作为X轴，则判 断一个静止点迹是否是有效的或者是无效的，实际是只需要判断该静 止点迹的X轴信息与约束值的比较关系。

如图4所示，包括有如下三种情况：

场景1：若静止点迹的距离信息和夹角信息的正弦值的积小于窄 约束值，则将静止点迹分为第一类别。

其中，x_n表示静止点迹X轴坐标，相当于静止点迹的距离信息 和夹紧信息的正弦值的积r_nsin(θ_n)。

如果静止点迹的距离信息和夹紧信息的正弦值的积r_nsin(θ_n)， 即静止点迹的X轴坐标x_n，小于窄约束值，则可以将静止点迹分为 第一类别，如场景中，某一个静止点迹的X轴坐标小于窄约束值， 如果将约束值看成道路两侧护栏或者树木的可能的X轴的最大值和最小值的话，如果该静止点迹的X轴坐标小于护栏或者树木可能的X 轴的最小值，则该静止点迹所对应的目标其实是位于护栏或者树木内 侧的，即位于道路上行人或者与车辆并排行驶的其他车辆等，则其比 较重要，可能会影响到车辆的行驶。因此，也作为比较重要的第一类 别进行分类。

场景2：若静止点迹的距离信息和夹角信息的正弦值的积大于或 等于窄约束值且小于或等于所述宽约束值，且将静止点迹分为第二类 别。

如果静止点迹的距离信息和夹角信息的正弦值的积大于或等于 窄约束值且小于或等于所述宽约束值，即静止点迹的X轴坐标x_n， 大于或等于窄约束值，小于或等于宽约束值，则表示该静止点迹所对 应的目标可能就是护栏或者树木，对车辆行驶具有一定的影响，但是 影响力度较小。因此，可以作为一般重要的类别进行分类，即作为第 二类别。可选的，第二类别可以表示为type＝1。

场景3：若静止点迹的距离信息和夹角信息的正弦值的积大于所 述宽约束值，则将静止点迹删除。

如果静止点迹的距离信息和夹角信息的正弦值的积大于所述宽 约束值，即静止点迹的X轴坐标x_n，大于宽约束值。如果该静止点 迹的X轴坐标小于护栏或者树木可能的X轴的最大值，其实可以认 为该静止点迹所对应的目标可能是位于道路外侧，如护栏或者树木外 侧静止的车辆或者行人等等干扰目标。通过将一些静止点迹进行删除 或者滤除，可以防止一些干扰目标生成的目标点迹进入航迹库，减少 对航迹库所造成的干扰，并减少计算量，进而提高航迹库的精度，利 于整个自动驾驶过程。

可选的，其实多个目标点迹是可以位于四个象限中的，即坐标值 X与Y可能是正值，也可能是负值。应该理解，上述计算过程，均 是以坐标值X与坐标值Y的绝对值进行计算，或者将所有的目标点 迹均映射到第一象限中来进行计算，保持计算的结果为正值，或者可 以理解，在车辆行驶过程中，更多考虑行驶方向上的目标点迹，即只 需要计算坐标值Y为正的目标点迹。这里均不作限定。

S12，按照预设状态更新算法对先前航迹库进行更新，以得到预 测航迹库。

先前航迹库表示在时刻k之前，即时刻k-1时所存储的航迹库， 可以表示{X_k-1}，其中，第m条航迹的状态向量表示为

协方差矩阵表示为P_m,k-1，先前航 迹库包括有点迹次数，具体的点迹次数包括航迹已获得关联点迹次数 与航迹连续未获得关联点迹次数，航迹已获得关联点迹次数表示为 asso_m,k-1，航迹连续未获得关联点迹次数表示为no_asso_m,k-1。

在可选实施例中，可以采用预设状态更新算法对先前航迹库进行 更新，从而得到预测航迹库，可选的，预测航迹库是一个估计值，预 设状态更新算法与经典卡尔曼滤波算法中的相同，这里不再赘述。

采用预设状态更新算法对先前航迹库进行更新后，可以估计当前 时刻k的预测航迹库，并将预测航迹库表示为

第m条航迹更 新后的状态可以表示为

S13，基于每个所述目标点迹的分类信息、先前航迹库的点迹次 数以及预测航迹库的车辆行驶方向的坐标确定所述目标点迹对应的 关联门缩放因子。

由于每个目标点迹的分类信息有所不同，则基于每个目标点迹的 分列信息确定目标点迹对应的关联门缩放因子。

可选的，目标点迹包括非静止点迹以及未被删除的静止点迹。

请参阅图5：

在一可选实施例中，如果目标点迹的类别信息为第一类别，即满 足type＝0，则进一步判断预测航迹库中的车辆行驶方向的坐标是否大 于距离阈值，其中，y_m,k|k-1为预测航迹库的车辆行驶方向的坐标， 即Y轴方向坐标，而ε_y则为距离阈值，该距离阈值一般为毫米波雷 达的最大作用距离的0.5-0.6倍。如果是，即预测航迹库中的车辆行 驶方向的坐标大于距离阈值，则选取第一关联门缩放因子作为目标点 迹的关联门缩放因子。如果不是，即预测航迹库中的车辆行驶方向的 坐标小于或等于距离阈值，则进一步判断先前航迹库中已获得关联点 迹次数是否小于预设关联次数阈值，其中，asso_m,k-1为先前航迹库 中已获得关联点迹次数，ε_asso为预设关联次数阈值，如果是，即先前 航迹库中已获得关联点迹次数小于预设关联次数阈值，则选取第二关 联门缩放因子作为所述目标点迹的关联门缩放因子，如果不是，即先 前航迹库中已获得关联点迹次数是大于或等于预设关联次数阈值，则选取第三关联门缩放因子作为所述目标点迹的关联门缩放因子。其中， α为关联门缩放因子。α1、α2以及α3分别表示为第一关联门缩放 因子、第二关联门缩放因子以及第三关联门缩放因子。

可选的，第一关联门缩放因子、第二关联门缩放因子以及第三关 联门缩放因子均为常数，且第一关联门缩放因子大于第二关联门缩放 因子，第二关联门缩放因子大于第三关联门缩放因子。如可选的，第 一关联门缩放因子可以为2.0，第二关联门缩放因子可以为1.5，第三 关联门缩放因子可以为1.0。

可选的，基于上述步骤中，还可以进一步包括：

若先前航迹库中已获得关联点迹次数大于预设关联次数阈值且 先前航迹库中连续未获得关联点迹次数大于0，则将目标点迹的关联 门缩放因子放大第一预设倍数。即基于原关联门缩放因子的基础在放 大预设倍数，如可选的，第一预设倍数为2倍。如场景中，开始目标 点迹的关联门缩放因子为第一关联门缩放因子α1，则如果先前航迹 库中已获得关联点迹次数大于预设关联次数阈值且先前航迹库中连 续未获得关联点迹次数大于0满足后，则进一步将目标点迹的关联门 缩放因子进行放大2倍，即将2α1作为该目标点迹的关联门缩放因 子。

在另一可选实施例中，如果目标点迹的类别信息为第二类别，则 选取第四关联门缩放因子作为目标点迹的关联门缩放因子。

类似的，第四关联门缩放因子可以表示为α4，且第四关联门缩 放因子也为一个常数，且第四关联门缩放因子小于第三关联门缩放因 子，如具体可以是0.5。

S14，将每个目标点迹的点迹信息通过目标点迹所对应的关联门 缩放因子与预测航迹库进行关联。

随后通过每个目标点迹的点迹信息通过目标点迹所对应的关联 门缩放因子与预测航迹库进行关联。

具体关联方式与经典卡尔曼滤波的处理方式相似，只是关联门缩 放因子对应有所不同，这里不再赘述。

上述实施例中，通过将多个目标点迹进行分类处理，对先前航迹 库进行更新得到预测航迹库，并结述目标点迹的分类信息、先前航迹 库的点迹次数以及预测航迹库的车辆行驶方向的坐标确定目标点迹 对应的关联门缩放因子，并利用该关联门缩放因子将目标点迹与预测 航迹库进行关联。一方面而言，通过将多个目标点迹进行分类，从而 使得具有不同的分类信息，并基于每个目标点迹的分类信息选取不同 的关联门缩放因子，即对不同目标点迹与预测航迹库关联时进行针对 性关联，从而有利于航迹关联过程中预测航迹库和目标点迹建立起正 确的对应关系。使得后续关联后的预测航迹库中的航迹信息更为精炼、 清晰且具有层次感。另一方面，在分类过程中，还进一步可以将部分 干扰目标所生成的目标点迹(静止点迹)进行删除或滤除，可以减少 该目标点迹(静止点迹)进入到预设航迹库中，从而减少预设航迹库 中的干扰数据。

请参阅图6，图6是本发明车载毫米波雷达数据的处理方法第二 实施例的流程示意图，本实施例车载毫米波雷达数据的处理方法包括 以下步骤。

S21，利用先前航迹库的点迹次数以及预测航迹库的车辆行驶方 向的坐标确定更新噪声矩阵。

可选的，可以利用先前航迹库的点迹次数以及预测航迹库的车辆 行驶方向的坐标来确定噪声矩阵。

先前航迹库的点迹次数包括有先前航迹库中已获得关联点迹次 数与先前航迹库中连续未获得关联点迹次数。

在一可选实施例中，如果预测航迹库中的车辆行驶方向的坐标大 于距离阈值，则进一步判断则先前航迹库中已获得关联点迹次数是否 小于第二预设倍数的预设关联次数阈值或先前航迹库中连续未获得 关联点迹次数是否大于第三预设倍数的预设非关联次数阈值。可选的， 第二预设倍数可以为0.5，第三预设倍数可以为0.2，这里均不作限定。 若是，则选取第一噪声矩阵作为所述更新噪声矩阵；若否，则选取第 二噪声矩阵作为所述更新噪声矩阵。

在另一可选实施例中，如果预测航迹库中的车辆行驶方向的坐标 小于或等于所述距离阈值，则进一步判断先前航迹库中已获得关联点 迹次数是否小于第二预设倍数的预设关联次数阈值或先前航迹库中 连续未获得关联点迹次数是否大于第三预设倍数的预设非关联次数 阈值；若是，则选取第三噪声矩阵作为所述更新噪声矩阵。若否，则 选取第四噪声矩阵作为所述更新噪声矩阵。

如图7所示，其中，ε_{no_asso}为预设非关联次数阈值。Q_m,k为更 新噪声矩阵，Q₁为第一噪声矩阵，Q₂为第二噪声矩阵，Q₃为第三噪 声矩阵，Q₄为第四噪声矩阵。

在可选实施例中，第一噪声矩阵、第二噪声矩阵、第三噪声矩阵 以及第四噪声矩阵分别是：

Q₃＝4Q₁；

Q₄＝4Q₂。

其中，T为目标点迹的更新周期，a_x和a_y分别表示车辆沿X轴和 Y轴的最大机动能力，即沿着X轴的行驶的可能性和沿着Y轴行驶 的可能性。

可选的，在Q₁中，a_y＝a_x。在Q₂中，a_y＝4a_x。

S22，通过更新噪声矩阵更新先前航迹库中的先前协方差矩阵以 得到当前协方差矩阵。

随后利用更新噪声矩阵来更新线圈航迹库中的先前协方差矩阵 以得到当前协方差矩阵。类似的，具体的更新过程与经典卡尔曼滤波 的处理方式相似，只是更新噪声矩阵有所不同而言，这里不再赘述。

上述实施例中，通过利用先前航迹库的点迹次数以及预测航迹库 的车辆行驶方向的坐标来匹配更为对应的过程噪声矩阵，可以加快跟 踪收敛速度，并获得更为稳定的跟踪性能。并有助于降低由于角度测 量误差带来的影响，以得到更为稳定的航迹。

可选的，本申请还可以进一步包括对航迹进行管理的步骤，该管 理的具体方法也与经典卡尔曼滤波的处理方式相似，这里不再赘述。

上述车载毫米波雷达数据的处理方法一般由车载毫米波雷达数 据的处理装置实现，因而本发明还提出一种车载毫米波雷达数据的处 理装置。请参阅图8，图8是本发明车载毫米波雷达数据的处理装置 100一实施例的结构示意图。本实施例车载毫米波雷达数据的处理装 置100包括处理器42和存储器41；存储器41中存储有计算机程序， 处理器42用于执行计算机程序以实现如上述车载毫米波雷达数据的 处理方法的步骤。

上述车载毫米波雷达数据的处理方法的逻辑过程以计算机程序 呈现，在计算机程序方面，若其作为独立的软件产品销售或使用时， 其可存储在计算机存储介质中，因而本发明提出一种计算机存储介质。 请参阅图9，图9是本发明计算机存储介质200一实施例的结构示意 图，本实施例计算机存储介质200中存储有计算机程序51，计算机 程序被处理器执行时实现上述配网方法或控制方法。

该计算机存储介质200具体可以为U盘、移动硬盘、只读存储 器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory，)、磁碟或者光盘等可以存储计算机程序的介质，或 者也可以为存储有该计算机程序的服务器，该服务器可将存储的计算机程序发送给其他设备运行，或者也可以自运行该存储的计算机程序。 该计算机存储介质200从物理实体上来看，可以为多个实体的组合， 例如多个服务器、服务器加存储器、或存储器加移动硬盘等多种组合 方式。

综上所示，本发明提供一种车载毫米波雷达数据的处理方法、装 置及计算机存储介质，该方法通过将多个目标点迹进行分类处理，对 先前航迹库进行更新得到预测航迹库，并结述目标点迹的分类信息、 先前航迹库的点迹次数以及预测航迹库的车辆行驶方向的坐标确定 目标点迹对应的关联门缩放因子，并利用该关联门缩放因子将目标点 迹与预测航迹库进行关联。一方面而言，通过将多个目标点迹进行分 类，从而使得具有不同的分类信息，并基于每个目标点迹的分类信息 选取不同的关联门缩放因子，即对不同目标点迹与预测航迹库关联时 进行针对性关联，从而有利于航迹关联过程中预测航迹库和目标点迹 建立起正确的对应关系。使得后续关联后的预测航迹库中的航迹信息 更为精炼、清晰且具有层次感。另一方面，在分类过程中，还进一步 可以将部分干扰目标所生成的目标点迹(静止点迹)进行删除或滤除， 可以减少该目标点迹(静止点迹)进入到预设航迹库中，从而减少预 设航迹库中的干扰数据。且进一步的，通过利用先前航迹库的点迹次 数以及预测航迹库的车辆行驶方向的坐标来匹配更为对应的过程噪 声矩阵，可以加快跟踪收敛速度，并获得更为稳定的跟踪性能。并有 助于降低由于角度测量误差带来的影响，以得到更为稳定的航迹。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范 围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变 换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明 的专利保护范围内。

Claims (11)

1.一种车载毫米波雷达数据的处理方法，其特征在于，所述方法包括：

对多个目标点迹进行分类处理，以得到所述多个目标点迹的分类信息，所述分类信息包括第一类别和第二类别；

按照预设状态更新算法对先前航迹库进行更新，以得到预测航迹库；

基于每个所述目标点迹的分类信息、先前航迹库的点迹次数以及预测航迹库的车辆行驶方向的坐标确定所述目标点迹对应的关联门缩放因子；

将每个目标点迹的点迹信息通过所述目标点迹所对应的关联门缩放因子与所述预测航迹库进行关联。

2.根据权利要求1所述的处理方法，其特征在于，所述对目标点迹库中的多个目标点迹进行分类处理之前，包括：

利用毫米波雷达检测车辆行驶过程中周围多个目标的毫米波信息；

基于所述毫米波信息得到所述多个目标的目标点迹，所述目标点迹包括点迹信息，所述点迹信息包括对应的所述目标与所述毫米波雷达的距离信息、所述目标与所述车辆行驶方向的夹角信息以及所述目标的径向速度信息。

3.根据权利要求2所述的处理方法，其特征在于，所述对多个目标点迹进行分类处理，以得到所述多个目标点迹的分类信息，包括：

基于所述多个目标点迹的点迹信息与所述车辆的速度信息来确定所述多个目标点迹中的多个静止点迹与多个非静止点迹；

根据多个所述静止点迹的点迹信息得到约束值；

将所述多个非静止点迹分为第一类别；

比较每个所述静止点迹的点迹信息与所述约束值并基于比较结果得到所述静止点迹的所述分类信息。

4.根据权利要求3所述的处理方法，其特征在于，所述基于所述多个目标点迹的点迹信息与所述车辆的速度信息来确定所述多个目标点迹中的多个静止点迹与多个非静止点迹，包括：

判断所述目标点迹的径向速度信息和夹角信息的余弦值的商与所述速度信息的差是否小于预设速度阈值且所述目标点迹的距离信息和夹角信息的正弦值的积是否大于预设方向阈值；

若是，则将所述目标点迹作为所述静止点迹；

若否，则将所述目标点迹作为非静止点迹。

5.根据权利要求3所述的处理方法，其特征在于，所述根据多个所述静止点迹的点迹信息得到约束值，包括：

利用如下公式获取所述约束值中的宽约束值：

利用如下公式获取所述约束值中的窄约束值：

其中，所述x_{side_ave}为所述宽约束值，所述

为所有的静止点迹，所述_n为所述静止点迹的距离信息，所述θ_n为所述静止点迹的夹角信息，所述N_sta为所有的静止点迹的数量，所述x_{side_min}为所述窄约束值。

6.根据权利要求5所述的处理方法，其特征在于，所述比较每个所述静止点迹的点迹信息与所述约束值并基于比较结果得到所述静止点迹的所述分类信息，包括：

若所述静止点迹的距离信息和夹角信息的正弦值的积小于所述窄约束值，则将所述静止点迹分为第一类别；

若所述静止点迹的距离信息和夹角信息的正弦值的积大于或等于所述窄约束值且小于或等于所述宽约束值，且将所述静止点迹分为第二类别；

若所述静止点迹的距离信息和夹角信息的正弦值的积大于所述宽约束值，则将所述静止点迹删除。

7.根据权利要求1所述的处理方法，其特征在于，所述基于每个所述目标点迹的分类信息确定所述目标点迹对应的关联门缩放因子，包括：

若所述目标点迹的类别信息为第一类别，则判断所述预测航迹库中的车辆行驶方向的坐标是否大于距离阈值，若是，则选取第一关联门缩放因子作为所述目标点迹的关联门缩放因子，若否，则判断所述先前航迹库中已获得关联点迹次数是否小于预设关联次数阈值，若是，则选取第二关联门缩放因子作为所述目标点迹的关联门缩放因子，若否，则选取第三关联门缩放因子作为所述目标点迹的关联门缩放因子；

若所述先前航迹库中已获得关联点迹次数大于预设关联次数阈值且所述先前航迹库中连续未获得关联点迹次数大于0，则将所述目标点迹的关联门缩放因子放大第一预设倍数；

若所述目标点迹的类别信息为第二类别，则选取第四关联门缩放因子作为所述目标点迹的关联门缩放因子。

8.根据权利要求1所述的处理方法，其特征在于，所述方法还包括：

利用所述先前航迹库的点迹次数以及所述预测航迹库的车辆行驶方向的坐标确定更新噪声矩阵；

通过所述更新噪声矩阵更新所述先前航迹库中的先前协方差矩阵以得到当前协方差矩阵；

其中，所述先前航迹库的点迹次数包括先前航迹库中已获得关联点迹次数与先前航迹库中连续未获得关联点迹次数。

9.根据权利要求8所述的处理方法，其特征在于，所述利用所述先前航迹库的点迹次数以及所述预测航迹库的车辆行驶方向的坐标确定更新噪声矩阵，包括：

若所述预测航迹库中的车辆行驶方向的坐标大于距离阈值，则判断所述先前航迹库中已获得关联点迹次数是否小于第二预设倍数的预设关联次数阈值或所述先前航迹库中连续未获得关联点迹次数是否大于第三预设倍数的预设非关联次数阈值；

若是，则选取第一噪声矩阵作为所述更新噪声矩阵；

若否，则选取第二噪声矩阵作为所述更新噪声矩阵；

若所述预测航迹库中的车辆行驶方向的坐标小于或等于所述距离阈值，则判断所述先前航迹库中已获得关联点迹次数是否小于第二预设倍数的预设关联次数阈值或所述先前航迹库中连续未获得关联点迹次数是否大于第三预设倍数的预设非关联次数阈值；

若是，则选取第三噪声矩阵作为所述更新噪声矩阵；

若否，则选取第四噪声矩阵作为所述更新噪声矩阵。

10.一种车载毫米波雷达数据的处理装置，其特征在于，所述装置包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1-9中任一项所述方法的步骤。

11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被执行时实现如权利要求1-9中任一项所述方法的步骤。

Images