CN112654979A - 数据关联方法与装置 - Google Patents

数据关联方法与装置 Download PDF

Info

Publication number
CN112654979A
CN112654979A CN202080004823.5A CN202080004823A CN112654979A CN 112654979 A CN112654979 A CN 112654979A CN 202080004823 A CN202080004823 A CN 202080004823A CN 112654979 A CN112654979 A CN 112654979A
Authority
CN
China
Prior art keywords
target
measurement
probability
pda
association
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.)
Granted
Application number
CN202080004823.5A
Other languages
English (en)
Other versions
CN112654979B (zh
Inventor
董磊
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN112654979A publication Critical patent/CN112654979A/zh
Application granted granted Critical
Publication of CN112654979B publication Critical patent/CN112654979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices

Abstract

一种数据关联方法与装置，可以应用于自动驾驶，智能交通领域。包括：通过PDA算法计算第一目标与其量测集合内的各量测之间的PDA关联概率，并由此计算转换系数，以对量测所能关联的目标的最大数目进行限制，如此，考虑目标之间对共同量测的直接竞争，对目标与量测之间的关联概率的影响。从而，可以由PDA关联概率计算得到第一JPDA关联概率，相较于JPDA算法，能够显著降低目标关联过程的计算量，提高处理效率，并有利于降低由于目标跟踪不及时而导致的安全风险。

Description

数据关联方法与装置
技术领域
本申请涉及智能交通领域，尤其涉及一种数据关联方法与装置。
背景技术
自动驾驶系统的感知融合模块可以实现对运动目标的跟踪。在多目标跟踪场景中，目标与量测之间的关联问题，直接影响了目标跟踪结果的准确性。
当存在多个跟踪目标时，一个量测可能同时落入了多个目标的波门内，这种情况下，可以利用联合概率数据关联(Joint Probabilistic Data Association，JPDA)算法计算目标与量测之间的关联概率，并据此确定目标和量测之间的关联关系。
但是，在多目标跟踪场景中，利用JPDA算法计算目标与量测之前的关联概率时，随着目标或量测数据的增加，计算量将呈指数增长，影响目标跟踪结果的处理效率，在以此为依据实现自动驾驶时，也可能由于目标跟踪不及时而存在较大的安全风险。
发明内容
本申请提供一种数据关联方法与装置，用以实现目标与量测之间的关联，提高目标关联过程的效率，降低由此导致的安全风险。
第一方面，本申请提供一种数据关联方法，本方案中，可以获取第一目标对应的量测集合，所述量测集合包含N个量测，N大于等于1的正整数；并获取N个量测中的每个量测与所述第一目标的PDA关联概率、无量测来源于所述第一目标的PDA关联概率、N个量测中的每个量测与除所述第一目标外的竞争目标的PDA关联概率；从而，基于所述N个量测中的每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和无量测来源于所述第一目标的PDA关联概率，确定转换系数，进而，根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和所述转换系数，获取所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。本方案中，通过综上，本申请所提供的技术方案中，通过PDA算法计算第一目标与其量测集合内的各量测之间的PDA关联概率，并由此计算转换系数，以对量测所能关联的目标的最大数目进行限制，如此，考虑目标之间对共同量测的直接竞争，对目标与量测之间的关联概率的影响。从而，可以由PDA关联概率计算得到第一JPDA关联概率，相较于JPDA算法，本申请所提供的技术方案，能够显著降低目标关联过程的计算量，提高处理效率，并有利于降低由于目标跟踪不及时而导致的安全风险。
在一种可能的设计中，N个量测中的每个量测均在所述第一目标的波门内；当第一量测在除所述第一目标外的其他目标的波门内时，确定所述其他目标为所述第一量测相关的竞争目标，所述第一量测属于所述N个量测。
在另一种可能的设计中，所述基于所述N个量测中的每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和无量测来源于所述第一目标的PDA关联概率，确定转换系数，包括：根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于所述第一目标的唯一关联概率；获取N个量测中每个量测唯一关联于所述第一目标的唯一关联概率、无量测来源于所述第一目标的PDA关联概率之和的倒数，得到所述转换系数。
在另一种可能的设计中，所述根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于所述第一目标的唯一关联概率，包括：基于第一量测与所述第一量测相关的竞争目标的PDA关联概率，获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率；其中，所述第一量测属于所述N个量测；获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率、所述第一量测与所述第一目标的PDA关联概率之间的乘积，得到所述第一量测唯一关联于所述第一目标的唯一关联概率。
在另一种可能的设计中，所述转换系数满足如下公式：
Figure BDA0002956319710000021
其中，Kt表示第t个第一目标的转换系数，Jt表示第t个第一目标对应的量测集合，Jt中包含N个量测，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，j∈Jt，j的取值为1～N，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合，Pt0表示无量测来源于第t个第一目标的PDA关联概率。
其中，若t′∈Lj且t′≠t为空，也即，当第t个第一目标相对于第j个量测无竞争目标时，针对第j个量测，
Figure BDA0002956319710000022
在一种可能的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，Kt＝1。
在另一种可能的设计中，所述根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和所述转换系数，获取所述N个量测中每个量测与所述第一目标的第一JPDA关联概率，包括：获取根据每个量测与所述第一目标的PDA关联概率、每个量测与除所述第一目标外的竞争目标的PDA关联概率与所述转换系数之间的乘积，得到所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
在另一种可能的设计中，所述N个量测中每个量测与所述第一目标的第一JPDA关联概率，满足如下公式：
Figure BDA0002956319710000023
其中，Ptj′表示第t个第一目标与第j个量测之间的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合。
其中，若t′∈Lj且t′≠t为空，也即，当第t个第一目标相对于第j个量测无竞争目标时，针对第j个量测，
Figure BDA0002956319710000024
在一种可能的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，Kt＝1。此时，PDA关联概率与第一JPDA关联概率相同，也即，Ptj′＝Ptj。
在另一种可能的设计中，所述方法还包括；获取无量测来源于所述第一目标的PDA关联概率与所述转换系数之积，得到无量测来源于所述第一目标的第一JPDA关联概率。
在另一种可能的设计中，所述无量测来源于所述第一目标的第一JPDA关联概率，满足如下公式：
Pt0′＝Kt×Pt0
其中，Pt0′为无量测来源于第t个第一目标的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Pt0为无量测来源于第t个第一目标的PDA关联概率。
在一种可能的场景中，第t个第一目标相对于Jt中的任意一个量测都没有竞争目标，此时，Kt＝1，Pt0＝Pt0′。
在另一种可能的设计中，所述方法还包括：基于所述N个量测中每个量测与所述第一目标的第一JPDA关联概率、所述N个量测，更新所述第一目标的运动状态。
在另一种可能的设计中，所述基于所述N个量测中每个量测与所述第一目标的第一JPDA关联概率、所述N个量测，更新所述第一目标的运动状态，包括：获取N个量测中每个量测的新息；基于N个量测中每个量测与所述第一目标的第一JPDA关联概率与每个量测的新息，获取所述第一目标的组合新息；基于所述组合新息，更新所述第一目标的运动状态。
在另一种可能的设计中，所述第一目标的运动状态包括：位移、坐标或速度中的一种或多种。
第二方面，本申请提供一种数据关联装置，包括：获取模块、第一计算模块、第二计算模块与第三计算模块。其中，获取模块，用于获取第一目标对应的量测集合，所述量测集合包含N个量测，N大于等于1的正整数；第一计算模块，用于获取N个量测中的每个量测与所述第一目标的PDA关联概率；所述第一计算模块，还用于获取无量测来源于所述第一目标的PDA关联概率；所述第一计算模块，还用于获取N个量测中的每个量测与除所述第一目标外的竞争目标的PDA关联概率；第二计算模块，用于基于所述N个量测中的每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和无量测来源于所述第一目标的PDA关联概率，确定转换系数；第三计算模块，用于根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和所述转换系数，获取所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
在一种可能的设计中，N个量测中的每个量测均在所述第一目标的波门内；当第一量测在除所述第一目标外的其他目标的波门内时，确定所述其他目标为所述第一量测相关的竞争目标，所述第一量测属于所述N个量测。
在另一种可能的设计中，所述第二计算模块，具体用于：根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于所述第一目标的唯一关联概率；获取N个量测中每个量测唯一关联于所述第一目标的唯一关联概率、无量测来源于所述第一目标的PDA关联概率之和的倒数，得到所述转换系数。
在另一种可能的设计中，所述第二计算模块，具体用于：基于第一量测与所述第一量测相关的竞争目标的PDA关联概率，获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率；其中，所述第一量测属于所述N个量测；获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率、所述第一量测与所述第一目标的PDA关联概率之间的乘积，得到所述第一量测唯一关联于所述第一目标的唯一关联概率。
在另一种可能的设计中，所述转换系数满足如下公式：
Figure BDA0002956319710000041
其中，Kt表示第t个第一目标的转换系数，Jt表示第t个第一目标对应的量测集合，Jt中包含N个量测，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，j∈Jt，j的取值为1～N，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合，Pt0表示无量测来源于第t个第一目标的PDA关联概率。
其中，若t′∈Lj且t′≠t为空，也即，当第t个第一目标相对于第j个量测无竞争目标时，针对第j个量测，
Figure BDA0002956319710000042
在一种可能的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，Kt＝1。
在另一种可能的设计中，所述第三计算模块，具体用于：获取根据每个量测与所述第一目标的PDA关联概率、每个量测与除所述第一目标外的竞争目标的PDA关联概率与所述转换系数之间的乘积，得到所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
在另一种可能的设计中，所述N个量测中每个量测与所述第一目标的第一JPDA关联概率，满足如下公式：
Figure BDA0002956319710000043
其中，Ptj′表示第t个第一目标与第j个量测之间的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合。
其中，若t′∈Lj且t′≠t为空，也即，当第t个第一目标相对于第j个量测无竞争目标时，针对第j个量测，
Figure BDA0002956319710000044
在一种可能的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，Kt＝1。此时，PDA关联概率与第一JPDA关联概率相同，也即，Ptj′＝Ptj。
在另一种可能的设计中，所述第三计算模块，还用于：获取无量测来源于所述第一目标的PDA关联概率与所述转换系数之积，得到无量测来源于所述第一目标的第一JPDA关联概率。
在另一种可能的设计中，所述无量测来源于所述第一目标的第一JPDA关联概率，满足如下公式：
Pt0′＝Kt×Pt0
其中，Pt0′为无量测来源于第t个第一目标的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Pt0为无量测来源于第t个第一目标的PDA关联概率。
在一种可能的场景中，第t个第一目标相对于Jt中的任意一个量测都没有竞争目标，此时，Kt＝1，Pt0＝Pt0′。
在另一种可能的设计中，所述装置还包括更新模块，所述更新模块用于：基于所述N个量测中每个量测与所述第一目标的第一JPDA关联概率、所述N个量测，更新所述第一目标的运动状态。
在另一种可能的设计中，所述更新模块，具体用于：获取N个量测中每个量测的新息；基于N个量测中每个量测与所述第一目标的第一JPDA关联概率与每个量测的新息，获取所述第一目标的组合新息；基于所述组合新息，更新所述第一目标的运动状态。
在另一种可能的设计中，所述第一目标的运动状态包括：位移、坐标或速度中的一种或多种。
第三方面，本申请提供一种电子设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任意一种实施例所述的方法。
第四方面，本申请提供一种数据关联系统，包括：传感器与电子设备，其中，传感器用于采集目标的量测，电子设备用于执行如第一方面任意一种实施例所述的方法。
在一种可能的设计中，第四方面中的数据关联系统可以为自动驾驶系统，或者，自动驾驶系统中的目标跟踪系统。
第五方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面任意一种实施例所述的方法。
第六方面，本申请提供一种计算机程序，当所述计算机程序被计算机执行时，用于执行第一方面任意一种实施例所述的方法。
在一种可能的设计中，第六方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
可见，本申请所提供的一种数据关联方法与装置，通过PDA算法计算第一目标与其量测集合内的各量测之间的PDA关联概率，并由此计算转换系数，以对量测所能关联的目标的最大数目进行限制，如此，考虑目标之间对共同量测的直接竞争，对目标与量测之间的关联概率的影响。从而，可以由PDA关联概率计算得到第一JPDA关联概率，相较于JPDA算法，本申请所提供的技术方案，能够显著降低目标关联过程的计算量，提高处理效率，并有利于降低由于目标跟踪不及时而导致的安全风险。
附图说明
图1为本申请所提供的数据关联方法的一种应用场景的示意图；
图2为图1所示场景中的一种数据关联关系的示意图；
图3为本申请所提供的另一种数据关联关系的示意图；
图4为现有技术中JPDA算法中确认矩阵可拆分的互联矩阵的个数的示意图；
图5为本申请实施例提供的一种数据关联方法的流程示意图；
图6为本申请所提供的另一种数据关联关系的示意图；
图7为本申请所提供的另一种数据关联关系的示意图；
图8为本申请实施例提供的另一种数据关联方法的流程示意图；
图9为本申请实施例提供的一种电子设备的实体结构示意图；
图10为本申请实施例提供的一种数据关联装置的结构示意图；
图11为本申请实施例提供的一种数据关联系统的架构示意图；
图12为本申请实施例提供的另一种数据关联系统的架构示意图。
具体实施方式
以下，结合附图对本实施例的实施方式进行详细描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
本申请实施例所提供的数据关联方法可以适用于任意电子设备，该电子设备可以为终端、可移动平台的控制器(或处理器)等。
其中，终端又称之为用户设备(User Equipment，UE)，是一种向用户提供语音和/或数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。常见的终端例如包括：手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internetdevice，MID)、可穿戴设备，例如智能手表、智能手环、计步器等。
可移动平台可以包括但不限于：车辆、无人机、地面机器人等。那么，以车辆控制器为例，车辆控制器可以是车辆主控制器，或者，车辆控制器中的某一个或多个处理器(或处理单元)。例如，该数据关联方法可以应用于车辆中搭载的自动驾驶系统的控制器，自动驾驶系统用于控制车辆自动行驶。
本申请实施例所提供的数据关联方法，可以应用于任意目标和量测的关联场景。其中，目标，又称为Target、对象等，是指数据关联的主体目标。量测，又可称为measurement、量测值、测量值等，是指对目标进行量测得到的量测值。可以理解，量测值受到量测装置的影响，不同量测装置获取到的量测值不同。实际场景中，量测装置一般可以包括：传感器或摄像装置中的一种或多种。
此外，量测与某一目标相关联，还可以表述为：量测来源于某一目标、量测来自于某一目标，或者，针对某一目标的量测。后续不再重复。
具体而言，本申请实施例可以应用于多目标跟踪场景。
示例性的，在车辆行驶过程中(包括无人驾驶或人工驾驶)，对车辆附近的多个目标进行跟踪，以供决策车辆行驶策略时参考使用。
示例性的，在无人机行驶过程中，对无人机附近的多目标进行跟踪的场景。
示例性的，在机器人视觉导航中进行多目标跟踪，以计算各目标的运动轨迹。
示例性的，在交通监视场景中，可以将车辆作为跟踪目标，基于对多个车辆(目标)的跟踪，来识别车流或控制道路车流量等。
示例性的，在医学诊断场景中，在利用超声波、核磁共振等技术进行图像分析时，可以对图像中的多个目标进行跟踪，并基于多目标跟踪来分析各目标在时间、空间上的相关性分析。
不作穷举。
在多目标跟踪场景中，需要对多个目标与多个量测进行关联。
在多目标跟踪场景中，目标可以具体为被跟踪的对象(或目标)。示例性的，可以将各个交通参与者作为目标，如车辆、行人、障碍物、其他可移动目标等。
而量测则受到量测装置的影响。在多目标跟踪场景中，量测装置可以包括但不限于：雷达(Radar)、激光雷达(Lidar)、视觉传感器(Vision)、速度传感器、全球定位系统(Global Positioning System，GPS)接收器磁传感器、激光传感器、超声波传感器、或摄像装置(例如，行车记录仪或其他车载摄像头)中的一种或多种。由此，量测可以包括但不限于：基于激光雷达获得的距离(目标与自身之间的距离)、位置(目标的坐标)等；基于摄像装置获得的目标图像、距离等；基于磁传感器获得的磁场强度；基于GPS获得的自身坐标；等等，不作穷举。
示例性的，图1示出了本申请所提供的数据关联方法的一种应用场景的示意图。在图1所示的场景中，车辆110、车辆120在道路上行驶，此外，道路旁还有行人130。在该场景中，以车辆110为本申请所提供数据关联方法的执行主体所属车辆为例，进行说明。此时，车辆120与行人130即为车辆110进行多目标跟踪的目标。
具体的，如图1所示，车辆110中搭载有控制器111与传感器112，传感器112可以采集到与车辆120、行人130相关的数据，并向控制器111发送采集到的数据(或经过预处理的数据，对此过程无特别限制)。由此，控制器111可以基于接收到的数据，获得多个量测。本申请对量测、目标的数据获取过程不展开讨论。
如此，控制器111需要对车辆120、行人130分别与各个量测进行关联，如此，控制器111可以基于关联后的数据，更新车辆120、行人130的状态，即实现了对车辆120和行人130的多目标跟踪。
可以理解，图1所示场景中所包含的目标的数量和类型仅仅是一种举例，本申请实施例并不限制于此。例如，还可以包括更多的目标或量测，为简明描述，不在附图中一一描述。
示例性的，图2示出了图1所示场景中的一种数据关联关系的示意图。如图2所示，当前场景中包括2个目标：车辆120与行人130。为便于说明，假设控制器111获取到的量测为：量测A和量测B。
其中，量测A和量测B可以为同类型数据，也可以为不同类型的数据。例如，量测A与量测B都是基于激光雷达获取到距离；或者，又例如，量测A是基于激光雷达获取到的距离，而量测B是基于磁传感器获得的磁场强度。不作穷举。
此外，图2中还示出了车辆120的波门1与行人130的波门2。其中，波门，是指以被跟踪目标的预测位置为中心，用来确定目标的观测值可能出现范围的一块区域。
理论上，若一个量测落入某个目标的波门内，它就可能是针对这个目标的量测，则可能被用来更新跟踪该目标的状态。例如，如图2所示，量测B落入了波门2中，则量测B有很大可能是针对行人130的量测，则控制器111可以利用量测B来更新行人130的状态。
但是，在多目标跟踪场景中，可能存在多个目标的波门交叠的情况。这种情况一般是由于目标之间的距离较近导致的。例如，图2所示场景中，车辆120与行人130之间的距离较为接近，波门1和波门2存在交叠区域3。本申请对于波门大小、目标之间的距离、目标距离与波门交叠之间的关系，均无特别限制。
当存在波门交叠的情况时，就可能会存在一个量测落在了多个目标的波门内的情况。例如，图2中的量测A落入了波门1，也落入了波门2。这种情况下，无法简单的基于量测所处位置与目标的波门之间的关系，进行关联。例如，若量测A是针对车辆120的量测，但量测A也落入了波门2，则利用量测A对行人130的状态进行更新，则会导致目标状态更新错误。
由此，在多目标跟踪场景中，可以采用联合概率数据关联(Joint ProbabilisticData Association，JPDA)算法，计算目标与量测之间的关联概率。后续为便于说明，将利用JPDA算法计算得到的概率简称为JPDA关联概率或JPDA概率。
JPDA算法是在概率数据关联(Probabilistic Data Association，PDA)算法基础上提出的。PDA算法是一种全邻算法，PDA算法假设落在波门内的量测来源于该目标或者由虚警产生。
示例性的，PDA算法可以满足如下公式：
Figure BDA0002956319710000081
其中，Ptj表示第t个目标与第j个量测之间的PDA关联概率，ej表示第j个量测的第一中间函数，ei表示第i个量测的第一中间函数，i的取值为1～mk，k表示时刻，mk表示k时刻时量测的总数目；b表示第二中间函数。
其中，第一中间函数ej为i＝j时的第一中间函数ei。以第一中间函数ej为例，第一中间函数ej满足如下公式：
Figure BDA0002956319710000082
第二中间函数b满足如下公式：
Figure BDA0002956319710000083
其中，S(k)表示k时刻的新息协方差，vtj(k)表示第t个目标与第j个量测在k时刻的新息，PD表示目标的实际检测概率，PG表示量测落入目标波门内的概率，λ表示环境中的杂波密度。
其中，vtj(k)表示新息，也即，在k时刻，第j个量测对第t个目标的残差。而信息协方差S(k)还可以满足如下公式：S(k)＝H(k)P(k|k-1)HT(k)+R(k)，其中，H(k)表示量测矩阵，HT(k)为H(k)的转置矩阵，P(k|k-1)为量测在k时刻与k-1时刻之间的预测协方差矩阵，R(k)为k时刻的量测噪声协方差矩阵。
为便于说明，将PDA算法计算得到的关联概率简称为：PDA关联概率，或PDA概率，后续涉及该概念时不再重复说明。
基于前述表达式可知，PDA算法可以在杂波环境下对单目标进行跟踪，且误跟踪率较小，计算量较小。但也基于前述假设，PDA算法并未考虑量测同时落入多个目标的波门内的情况。由此，PDA算法一般仅应用于单目标跟踪。
相比之下，JPDA算法则可以适用于多目标跟踪。在JPDA算法中，对于落入不同目标的波门重叠区域的量测，需要考虑各量测的目标来源情况，以及，计算目标和量测之间的概率时，考虑不同目标的竞争关系，并以权重(或称为：权值、权重值、权重参数等)来表征这种竞争关系。换言之，JPDA算法考虑了各个量测的目标来源情况，计算关联概率是考虑了多个目标对量测的竞争，因此在目标密集环境下能够较好的实现多目标跟踪。
示例性的，图3示出了另一种数据关联关系的示意图。如图3所示，31表示被跟踪目标，32表示跟踪目标的波门，33表示通过雷达(Radar)获得的量测，34表示通过激光雷达(Lidar)获得的量测，35表示通过视觉传感器(Vision)获得的量测。
在图3所示的多目标跟踪场景中，可以通过JPDA算法计算各个31分别与各量测33、量测34、量测35之间的JPDA关联概率。在该过程中，针对其中落在多个波门内的量测，需要考虑多个波门的目标对该量测的竞争关系。
但是，也正是由于考虑各目标对量测的竞争关系，JPDA算法的计算量巨大，尤其是随着目标和/或量测的增长，JPDA算法的计算量也剧烈增长，计算效率较慢。
示例性的，在JPDA算法中，涉及确认矩阵，确认矩阵需要通过当前时刻的所有量测来确定，并且，确认矩阵可拆分为与目标、量测相关的互联矩阵。图4示出了确认矩阵可拆分的互联矩阵的个数的示意图。如图4所示，随着目标和/或量测的增长，互联矩阵的个数呈指数增长。如此，在多目标跟踪场景中，尤其是密集量测的多目标跟踪场景中，JPDA算法的计算量巨大，且工程实现非常困难。
针对JPDA算法存在计算量大，影响计算效率的问题，现有技术中还可以通过JPDA算法的简化算法来计算目标与量测之间的关联概率，但这些方法在不同程度上存在误跟踪率较高的问题。
示例性的，可以通过经验JPDA(Cheap JPDA)算法来计算目标与量测之间的关联概率。经验JPDA算法可以通过如下公式计算得到：
Figure BDA0002956319710000091
其中，Ptj″表示利用经验JPDA计算得到的第t个目标与第j个量测之间的JPDA关联概率，Gtj表示第t个目标与第j个量测互相关联的有效似然函数，St为第t个目标的所有有效似然函数(Gtj)之和，也就是
Figure BDA0002956319710000092
Sj表示第j个量测的所有有效似然函数(Gtj)之和，也就是
Figure BDA0002956319710000093
B为取决于杂波密度的常数。其中，Gtj＝N[vj(k)]，k的取值为1～t。其中，vj表示新息，也就是，量测状态值与估计状态值之间的差值。后续对新息作具体说明。
在前述经验JPDA算法中，对出现在一个目标波门内的量测作重加权，对同时出现在多个目标波门内的量测作轻加权。算法直接简单，易于工程实现，并且实时性很好。但是，在经验JPDA算法中，有可能对错误的量测作出太高的加权，导致目标与量测之间的关联概率的准确率下降，进而，在高密度目标环境中，导致误跟踪率较高。
示例性的，可以通过次最优JPDA(Suboptimal joint probabilistic dataassociation)算法来计算目标与量测之间的关联概率。
具体而言，次最优JPDA算法可以满足如下公式：
Figure BDA0002956319710000094
其中，Htj表示利用次最优JPDA计算得到的第t个目标与第j个量测之间的JPDA关联概率，或者，亦可称为：部分联合事件概率。Gtj表示第t个目标与第j个量测互相关联的有效似然函数。LOTt1表示与目标t1的波门重叠，且波门重叠区域有公共量测的所有目标t′的集合。
Figure BDA0002956319710000095
其中，Lt1是目标t1的波门内所有量测的集合，Lt′目标t′的波门内所有量测的集合。
次最优JPDA算法是利用部分联合事件的概率，来重新分配共享量测的关联概率，以达到近似JPDA关联概率的效果。但是，相较于JPDA算法，次最优JPDA算法的复杂度有所降低，但误跟踪率较高。
示例性的，还可以通过深度优先搜索算法来计算目标与量测之间的关联概率。
具体而言，深度优先搜索算法将数据关联看成一个组合问题，利用组合问题中的深度优先搜索模型快速的遍历产生假设矩阵并计算互联概率，以此来实现加速JPDA计算的目的。但是，这种算法也存在运算量随目标、量测的增长而呈指数增长的问题，计算量膨胀问题严重。
综上，在现有的多目标跟踪场景中，JPDA算法与深度优先搜索算法存在严重的计算量膨胀问题，运算量巨大也导致计算效率拖慢跟踪效率的问题；而经验JPDA算法与次最优JPDA算法的计算量有所降低，但在不同程度上增大了误跟踪率。
本申请实施例提供一种数据关联方法。该数据关联方法可以适用于多目标跟踪场景，也可以适用于单目标跟踪场景。为便于说明，现以一个目标(记为：第一目标)为例，对本申请实施例提供的多目标跟踪方法进行示例说明。可以理解，在多目标场景中，只需要按照如下方式对各目标分别进行处理即可，候选示意说明。
示例性的，图5示出了本申请实施例提供的一种数据关联方法的流程示意图。如图5所示，该方法可以包括如下步骤：
S502，获取第一目标对应的量测集合，量测集合包含N个量测，N大于等于1的正整数。
具体而言，量测集合中的任意一个量测，都落在第一目标的波门内。换言之，第一目标对应的量测集合，是指落在第一目标的波门内的所有量测的集合。
为便于说明，以下结合图6所示场景，对图5所示方法进行说明。如图6所示，在该场景中包含3个目标，分别为：T1、T2和T3；以及，当前存在3个量测，分别为：M1、M2和M3。其中，M1落在T1波门、T2波门和T3波门的重叠区域；M2落在T2波门内，M3落在T3波门内。
例如，在图6所示场景中，若将T1作为第一目标，则第一目标对应的量测集合包含1个量测也即：M1。若将T2作为第一目标，则第一目标对应的量测集合包括2个量测分别为：M1、M2。若将T3作为第一目标，则第一目标对应的量测集合包括2个量测分别为：M1、M3。后续为便于说明，以T2作为第一目标作举例说明。
S504，获取N个量测中的每个量测与第一目标的PDA关联概率。
在该步骤中，利用PDA算法，分别计算N个量测中的每个量测与第一目标的PDA关联概率。PDA算法如前，这里以及后续均不再重复说明。
在图6所示实施例中，第一目标为T2，则分别计算T2与M1之间的PDA关联概率(可记为：P21)、T2与M2之间的PDA关联概率(可记为：P22)即可。
S506，获取N个量测中的每个量测与除第一目标外的竞争目标的PDA关联概率。
当第一量测在除第一目标外的其他目标的波门内时，确定其他目标为第一量测相关的竞争目标，第一量测属于N个量测。
对任意的一个第一量测而言，其对应的目标可以为多个，除第一目标之外的竞争目标可以为一个或多个。例如，在图6所示场景中，M1作为量测集合中的一个第一量测，同时落在T1、T2与T3的波门内，此时，量测M1对应的目标包括：T1、T2与T3，那么，除T2之外的竞争目标为：T1和T3。则在该步骤中，利用PDA算法，分别计算M1与T1之间的PDA关联概率(可记为：P11)、M1与T3之间的PDA关联概率(可记为：P31)。
此外，在多目标跟踪场景中，可以有一个或多个第一量测同时落在多个目标(包括第一目标)的波门内。这种情况下，可以利用PDA算法，获取各第一量测与其对应的除第一目标之外的其他竞争目标之间的PDA关联概率。
举例说明。图7示出了另一种数据关联场景，在该场景中包含3个目标，分别为：T4、T5和T6；以及，当前存在3个量测，分别为：M4、M5和M6。其中，M4落在T4波门与T5波门的重叠区域；M5落在T4波门与T6波门的重叠区域，M6落在T6波门内。
将T4作为第一目标进行数据关联时，T4的量测集合中包含两个量测：M4与M5。这种情况下，相对于M4，T4的竞争目标为T5；相对于M5，T4的竞争目标为T6。如此，在执行该步骤时，利用PDA算法，计算M4与T5之间的PDA关联概率，以及，计算M5与T6之间的PDA关联概率。
此外，如图5所示，S504、S506需要在S502之后执行，但S504与S506可以同时或先后执行，对此无特别限制。
S508，获取无量测来源于第一目标的PDA关联概率。
其中，无量测来源于第一目标的PDA关联概率，即not having a measurementoriginated by it(target)，也就是，当前的所有量测都不是来源于第一目标(或，所有量测都与第一目标无关联)。例如，在图6所示场景中，该步骤用于计算M1、M2与M3均与T2无关的PDA关联概率。
为便于说明，可将其记为Pt0，也即，无量测来源于第t个第一目标的PDA关联概率。后续详述Pt0的计算方式。
如图5所示，S508在具体实现时，与S502、S504、S506无逻辑上的先后关系，可以任意次序执行。例如，可以与S502、S504、S506中的一个同时执行，或在其中两个步骤之间顺序执行，或可以在S502之前顺序执行，或在S506之后顺序执行，不作穷举。
S510，基于N个量测中的每个量测与第一目标的PDA关联概率，每个量测与除第一目标外的竞争目标的PDA关联概率和无量测来源于第一目标的PDA关联概率，确定转换系数。
其中，转换系数用于实现PDA关联概率与第一JPDA关联概率之间的转换。
本申请实施例中，在前述S504～S508的处理结果的基础上，考虑第一目标的量测集合中的各个量测的目标来源情况，从而，对量测所关联的目标的数目进行限制，来形成转换系数。
换言之，转换系数实际用于对量测所关联的目标的数目进行限制。具体而言，转换系数实际限制了：任意一个量测不可能与多个(包括2个及以上)目标相关联。换言之，一个量测最多与一个目标相关联。以图6举例说明。在图6所示场景中，虽然M1落在T1、T2与T3的波门中，但M1最多与T1、T2或T3中的一个目标相关联。
具体而言，在多目标场景中，当在波门交叠区域存在共同量测(一个或多个)的多个目标时，多个目标对共同量测存在直接竞争，这种直接竞争关系也会直接影响目标与量测之间的关联概率。反之，当波门的交叠区域无共同量测的多个目标时，多个目标之间并无针对共同量测的直接竞争关系，多个目标之间可能存在间接竞争关系，但这种间接竞争关系对目标与量测之间的关联概率影响很小或无影响。基于此，本申请实施例在PDA关联概率的基础上，仅考虑目标之间的直接竞争关系对关联概率的影响，对量测所关联的目标的数目进行限制，进而实现PDA关联概率与第一JPDA关联概率之间的转换。
后续详述转换系数的确定方式。
S512，根据每个量测与第一目标的PDA关联概率，每个量测与除第一目标外的竞争目标的PDA关联概率和转换系数，获取N个量测中每个量测与第一目标的第一JPDA关联概率。
在执行该步骤时，利用确定的转换系数，分别对N个量测中的每个量测与第一目标之间的PDA关联概率进行转换，得到N个量测中的每个量测与第一目标之间的第一JPDA关联概率即可。
综上，本申请所提供的技术方案中，通过PDA算法计算第一目标与其量测集合内的各量测之间的PDA关联概率，并由此计算转换系数，以对量测所能关联的目标的最大数目进行限制，如此，考虑目标之间对共同量测的直接竞争，对目标与量测之间的关联概率的影响。从而，可以由PDA关联概率计算得到第一JPDA关联概率，相较于JPDA算法，本申请所提供的技术方案，能够显著降低目标关联过程的计算量，提高处理效率，并有利于降低由于目标跟踪不及时而导致的安全风险。
在图5所示实施例的基础上，现对本申请作进一步说明。
S502中确定第一目标的量测集合时，只需要基于量测所处的位置与各目标的波门进行确定即可。也即，当量测所处位置位于某一目标的波门内时，即可将该量测加入该目标的量测集合中。
本申请实施例中，S504与S506可以按照前述PDA算法进行计算，即可得到N个量测中每个量测与第一目标的PDA关联概率、N个量测中每个量测与除第一目标之外的竞争目标的PDA关联概率。也就是，任意一个量测与其对应的第一目标(或竞争目标)之间的PDA关联概率可以满足如下公式：
Figure BDA0002956319710000121
其中，Ptj表示第t个目标与第j个量测之间的PDA关联概率，ej表示第j个量测的第一中间函数，ei表示第i个量测的第一中间函数，i的取值为1～mk，k表示时刻，mk表示k时刻时量测的总数目；b表示第二中间函数。
以下，为便于说明，利用Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，利用Pt′j表示第一目标的第t′个竞争目标与第j个量测之间的PDA关联概率。
而执行S508时，无量测来源于第一目标的PDA关联概率可以满足如下公式：
Figure BDA0002956319710000122
其中，Pt0表示无量测来源于第t个第一目标的PDA关联概率，ej表示第j个量测的第一中间函数，ei表示第i个量测的第一中间函数，i的取值为1～mk，k表示时刻，ej与新息协方差S(k)、新息vtj(k)相关，b表示第二中间函数，b与新息协方差S(k)、真实目标的检测概率PD、传感器量测落入波门内的概率PG、环境中的杂波密度λ相关。如前，
其中，第一中间函数ej、第二中间函数b的取值与目标相关，其具体满足的公示亦可参考前文，不再重复。后续亦不再重复PDA关联概率的算法。
基于前述计算得到的Ptj、Pt′j与Pt0，在具体计算转换系数时，可以按照如下方法实现：
根据每个量测与第一目标的PDA关联概率Ptj，每个量测与除第一目标外的竞争目标的PDA关联概率Pt′j，获取每个量测唯一关联于第一目标的唯一关联概率，然后，获取N个量测中每个量测唯一关联于第一目标的唯一关联概率、无量测来源于第一目标的PDA关联概率Pt0之和的倒数，得到转换系数。
在前述处理过程中，量测唯一关联于第一目标的唯一关联概率，是指量测唯一与第一目标关联，且与其他目标(竞争目标)无关联的概率。这可以通过Ptj和Pt′j来计算得到。
示例性的，对于N个量测中的第一量测，首先，可以基于第一量测与竞争目标的Pt′j，计算第一量测与该竞争目标无关的PDA关联概率。具体而言，第一量测与该竞争目标无关的PDA关联概率，可以表示为：1-Pt′j。
例如，在图6所示实施例中，可以基于M1与T1之间的PDA关联概率(记为P11)，计算M1与T1无关的PDA关联概率，也即：1-P11。同理，可以基于M1与T3之间的PDA关联概率(记为P31)，计算M1与T3无关的PDA关联概率，也即：1-P31。
以及，考虑到第一量测可能对应于多个除第一目标之外的竞争目标，那么，获取第一量测与第一量测相关的竞争目标无关的PDA关联概率(各个1-Pt′j)、第一量测与第一目标的PDA关联概率(Ptj)之间的乘积，即可得到第一量测唯一关联于第一目标的唯一关联概率。也就是说，第一量测唯一关联于第一目标的唯一关联概率可以表示为：
Figure BDA0002956319710000131
例如，在图6所示实施例中，M1唯一关联于T2(第一目标)的唯一关联概率可以表示为：P21×(1-P31)×(1-P11)。
此时，需要说明的是，对于Jt中的任意一个量测，以第j个量测为例，有可能存在第t个第一目标相对于第j个量测无竞争目标的情况。例如，图6所示实施例中，T2相对于M2而言，M2仅落在T2的波门内，与其他目标(T1、T3)无关，此时，T2相对于M2无竞争目标。
以公式语言进行描述，当第t个第一目标相对于第j个量测无竞争目标时，满足若t′∈Lj且t′≠t为空。此时，针对第j个量测的
Figure BDA0002956319710000132
这种情况下，第一量测唯一关联于第一目标的唯一关联概率可以表示为：Ptj。
按照前述方法对N个量测中的每个量测分别进行处理，得到N个量测中每个量测唯一关联于第一目标的唯一关联概率。在此基础上，可以获取N个量测中每个量测唯一关联于第一目标的唯一关联概率与Pt0之和，并取其加和值的倒数，即可得到转换系数。
此时，转换系数满足如下公式：
Figure BDA0002956319710000133
其中，Kt表示第t个第一目标的转换系数，Jt表示第t个第一目标对应的量测集合，Jt中包含N个量测，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，j∈Jt，j的取值为1～N，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合，Pt0表示无量测来源于第t个第一目标的PDA关联概率。如前，Kt是第t个第一目标的转换系数，利用Kt，可以将第一目标与N个量测中的每个量测之间的PDA关联概率，转换为第一JPDA关联概率。
可以理解，不同的第一目标，其转换系数不同，对各第一目标相关的PDA关联概率进行转换时，需要确定该第一目标的转换系数。
仍以图6所示实施例为例。
在实现目标与量测之间的数据关联时，可以将T2作为第一目标，按照前述方式确定T2的转换系数K2，然后，利用K2对T2与M2之间的PDA关联概率(P22)、T2与M1之间的PDA关联概率(P21)分别进行转换，得到T2与M2之间的第一JPDA关联概率(P22′)、T2与M1之间的第一JPDA关联概率(P21′)。
以及，在实现目标与量测之间的数据关联时，可以将T3作为第一目标，按照前述方式确定T3的转换系数K3，然后，利用K3对T3与M3之间的PDA关联概率(P33)、T3与M1之间的PDA关联概率(P31)分别进行转换，得到T3与M3之间的第一JPDA关联概率(P33′)、T3与M1之间的第一JPDA关联概率(P31′)。
以及，在实现目标与量测之间的数据关联时，可以将T1作为第一目标，按照前述方式确定T1的转换系数K1，然后，利用K1对T1与M1之间的PDA关联概率(P11)进行转换，得到T1与M1之间的第一JPDA关联概率(P11′)。
后续过程中，即可基于P22′、P21′、P31′、P33′与P11′，实现目标与量测之间的数据关联。后续具体说明。
此外，示例性的一种场景中，对于第t个第一目标而言，其波门内可以由多个量测，当其波门内的任意一个量测都没有竞争目标时，其波门内的任意一个量测唯一关联于第个第一目标的唯一关联概率可以表示为：
Figure BDA0002956319710000141
这种情况下，
Figure BDA0002956319710000142
基于前述确定的第一目标的转换系数，现对S512中利用转换系数实现PDA关联概率与第一JPDA关联概率转换的方式进行说明。
具体而言，在执行S512时，可以获取根据每个量测与第一目标的PDA关联概率、每个量测与除第一目标外的竞争目标的PDA关联概率与转换系数之间的乘积，得到N个量测中每个量测与第一目标的第一JPDA关联概率。
换言之，第t个第一目标与第j个量测之间的第一JPDA关联概率，可以满足如下公式：
Figure BDA0002956319710000143
其中，Ptj′表示第t个第一目标与第j个量测之间的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合。
在计算第一JPDA关联概率时，还涉及到Lj。具体而言，第j个量测落在与第j个量测相关的目标的波门内。换言之，Lj为第j个量测所在位置所属的波门对应的目标集合。那么，Lj中包括：第一目标，以及，除第一目标之外的竞争目标。例如，在图6所示的实施例中，第一目标为T2，对于M1而言，与M1相关的所有目标的集合L1为：T1、T2和T3。此外，也存在无竞争目标的情况。例如，图6所示实施例中，对于M2而言，与M2相关的所有目标的集合L2为：T2，此时，集合L2中无竞争目标。
在利用Kt实现Ptj到Ptj′的转换时，除考虑Ptj外，还考虑各量测的目标来源情况(也即：(1-Pt′j)。如此，计算得到的第一JPDA关联概率也具备更高的精确度。
以图6中利用第一目标T2的转换系数K2，获取T2与M1之间的第一JPDA关联概率(P21′)、T2与M2之间的第一JPDA关联概率(P22′)的场景为例。
当获取T2与M1之间的第一JPDA关联概率(P21′)时，与M1相关的所有目标的集合L1为：T1、T2和T3，则需要考虑M1唯一来源于T2的PDA关联概率，并获取M1唯一来源于T2的PDA关联概率之积，即可得到M1与T2之间的第一JPDA关联概率。具体而言，P′21＝K2×P21×(1-P11)×(1-P31)。
当获取T2与M2之间的第一JPDA关联概率(P22′)时，则与M2相关的所有目标的集合L2为：T2，此时，只需要利用K2处理P22，即可得到P22′。具体而言，P′22＝K2×P22。
此外，一种特殊的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，对任意一个量测而言，满足
Figure BDA0002956319710000144
则Kt＝1。此时，PDA关联概率与第一JPDA关联概率相同，也即，Ptj′＝Ptj。
采用本申请实施例提供的前述方法，可以在多目标跟踪场景中，确定每个目标的转换系数，进而，利用该转换系数处理各目标与其波门内的各量测之间的PDA关联概率，即可得到各目标与其波门内的各量测之间的第一JPDA关联概率。
本申请的另一种实施例中，利用第一目标的转换系数对第一目标与量测之间的PDA关联概率进行转换之外，还可以获取无量测来源于第一目标的PDA关联概率Pt0与转换系数Kt之积，得到无量测来源于第一目标的第一JPDA关联概率Pt0′。
换言之，无量测来源于第一目标的第一JPDA关联概率，可以满足如下公式：
Pt0′＝Kt×Pt0
其中，Pt0′为无量测来源于第t个第一目标的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Pt0为无量测来源于第t个第一目标的PDA关联概率。
此外，在前述描述的特殊的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，对任意一个量测而言，满足
Figure BDA0002956319710000151
则Kt＝1。此时，满足Pt0′＝Kt×Pt0＝1×Pt0＝Pt0。
由此，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，可以按照本方案依次计算该第t个第一目标的转换系数Kt，并进而计算其第一JPDA关联概率(Ptj′和Pt0′)。或者，也可以直接计算与该第t个第一目标的PDA关联概率，并将其确定为第一JPDA关联概率即可，也即：Ptj′＝Ptj以及Pt0′＝Pt0。
以图6所示的场景为例，无量测来源于T2的第一JPDA关联概率P20′＝K2×Pt0。
为便于理解本方案，还可以参考图8所示的数据关联方法的流程示意图。如图8所示，该方法可以包括如下步骤：
S802，获取每个第一目标对应的量测集合。
S804，获取每个量测对应的所有目标的集合。
在实际实现场景中，S802与S804可以任意次序执行，不作穷举或限制。以及，部分实现场景中，该步骤也可以省略。
S806，计算每个第一目标与其量测集合中的每个量测之间的PDA关联概率。
S808，选取未处理的一个第一目标。
S810，计算第一目标的转换系数。
S812，基于各PDA关联概率与转化系数，计算第一目标与其量测集合中的每个量测之间的第一JPDA关联概率。
S814，基于无量测来源于第一目标的PDA关联概率与转化系数，计算无量测来源于第一目标的第一JPDA关联概率。
S816，判断当前目标是否为最后一个第一目标；若是，结束；若否，执行S808。
如此，通过如图8所示的处理流程，可以获取到当前多目标跟踪场景中，每个目标分别与其量测集合中的各量测之间的第一JPDA关联概率，以及，无量测关联于各第一目标的第一JPDA关联概率。
本申请实施例所提供的技术方案，利用计算量较少的PDA算法计算PDA关联概率，并在此基础上，计算转换系数，并用转换系数对PDA关联概率进行转换，得到精确度较高的第一JPDA关联概率。相较于现有技术中的JPDA算法，本申请实施例所提供的方案能够有效降低计算量，并且，相较于现有技术中的JPDA简化算法，本申请实施例所提供的方案能够提高JPDA关联概率的精度，更有利于得到准确的目标跟踪结果。
基于前述计算到的各第一JPDA关联概率，可以实现多目标关联，以及，还可以实现对目标的状态更新。
示例性的一种实施例中，可以将获取与第j个量测相关的所有第一JPDA关联概率，并获取其中的最大值，并将第一JPDA关联概率最大值对应的一个目标，确定为第j个量测的关联目标，以及，第j个量测来源于该目标。如此，可以实现目标与量测之间的数据关联。
示例性的另一种实施例中，在多目标跟踪场景中，还可以基于N个量测中每个量测与第一目标的第一JPDA关联概率、N个量测，更新第一目标的运动状态。
示例性的，可以利用卡尔曼更新算法，更新第一目标的运动状态。
具体而言，更新第一目标的运动状态，可以按照如下方式实现：获取N个量测中每个量测的新息，然后，基于N个量测中每个量测与第一目标的第一JPDA关联概率与每个量测的新息，获取第一目标的组合新息，进而，基于组合新息，更新第一目标的运动状态。
如前，新息为量测的状态值与估计状态值之间的差值，由此，可以计算第一目标的N个量测中的每个量测的新息，记为vtj。基于此，在计算第一目标的组合新息(记为vt)时，可以分别获取N个量测中每个量测与第一目标的第一JPDA关联概率(Ptj′)与其新息(vtj)之积，并N个量测各自对应的乘积求和，得到第一目标的组合新息。
示例性的，在k时刻，第t个第一目标的组合新息可以满足如下公式：
Figure BDA0002956319710000161
其中，vt(k)表示第t个第一目标在k时刻时的组合新息，Ptj′表示第t个第一目标与第j个量测的第一JPDA关联概率，vtj(k)表示第t个第一目标与第j个量测在k时刻的新息。
基于此，可以基于vt(k)，对第一目标在k时刻的目标状态进行预估计。此时，第一目标在k时刻的状态估计值可以满足如下公式：
X(k|k)＝X(k|k-1)+K(k)vt(k)
其中，X(k|k)表示第t个第一目标在k时刻的状态估计值，X(k|k-1)表示第t个第一目标在k-1时刻到k时刻的状态预测值，K(k)表示k时刻的卡尔曼增益，vt(k)表示第t个第一目标在k时刻时的组合新息。
在前述对第一目标进行状态更新的场景中，所涉及到的第一目标的运动状态可以包括但不限于：位移、坐标或速度中的一种或多种。
本申请实施例实际适用于多目标跟踪场景。前述为便于表述，以一个第一目标为例进行说明，但实际场景中，可以分别按照前述方案对多目标跟踪场景中的每个目标，都分别进行前述处理。
示例性的，现以图6所示场景为例，对本申请所提供的数据关联方法应用于多目标跟踪场景时的实现方式进行梳理。
如图6所示的场景中包含3个目标，分别为：T1、T2和T3；以及，当前存在3个量测，分别为：M1、M2和M3。其中，M1落在T1波门、T2波门和T3波门的重叠区域；M2落在T2波门内，M3落在T3波门内。
其中，T1、T2和T3为预设的跟踪目标，其可以表现为汽车、行人或其他交通参与者。而M1、M2和M3则表示来自于量测装置(例如传感器等)的量测，量测装置如前，可以为雷达、激光雷达、速度传感器等，对其无特殊限制。
在该场景中，可以将T1作为第一目标，并获取第一目标的量测集合(记为J1)，J1中包含落在T1波门内的所有量测。如图6所示，J1中包含有：M1。类似的，将T2作为第一目标，第一目标的量测集合(记为J2)，J2中包含有：M1与M2。类似的，将T3作为第一目标，第一目标的量测集合(记为J3)，J2中包含有：M1与M3。
类似的，对于每个量测，也可以获取其对应的所有目标的集合Lj。具体而言，M1对应的目标的集合(记为L1)包含：T1、T2与T3；M2对应的目标的集合(记为L2)包含：T2；M3对应的目标的集合(记为L3)包含：T3。
基于前述处理，对于当前场景中的任意一个第一目标，可以计算第一目标与其量测集合中的每个量测之间的PDA关联概率。也就是，对于T1而言，利用PDA算法计算T1与M1之间的PDA关联概率(P11)；对于T2而言，则利用PDA算法，分别计算T2与M1之间的PDA关联概率(P21)、T2与M2之间的PDA关联概率(P22)；对于T3而言，则利用PDA算法，分别计算T3与M1之间的PDA关联概率(P31)、T3与M3之间的PDA关联概率(P33)。
除此之外，还分别计算无量测关联于每个第一目标的PDA关联概率。也就是，分别计算无量测来自于T1的PDA关联概率(P10)、无量测来自于T2的PDA关联概率(P20)、无量测来自于T3的PDA关联概率(P30)。
在此基础上，分别计算每个第一目标的转换系数。详细处理过程不作赘述，具体而言，T1的转换系数(即K1)可以满足：K1＝1/[P11×(1-P21)×(1-P31)+P10]；T2的转换系数(即K2)可以满足：K2＝1/[P21×(1-P11)×(1-P31)+P22+P20]；T3的转换系数(即K3)可以满足：K3＝1/[P31×(1-P11)×(1-P21)+P33+P30]。
如此，可以据此计算T1与M1之间的第一JPDA关联概率(即P11′)，且P11′满足：P′11＝K1×P11×(1-P21)×(1-P31)。
也可以据此计算T2与M1之间的第一JPDA关联概率(即P21′)，且P21′满足：P′21＝K2×P21×(1-P11)×(1-P31)；并据此计算T2与M2之间的第一JPDA关联概率(即P22′)，且P22′满足：P′22＝K2×P22。
也可以据此计算T3与M1之间的第一JPDA关联概率(即P31′)，且P31′满足：P′31＝K3×P31×(1-P11)×(1-P21)；并据此计算T3与M3之间的第一JPDA关联概率(即P33′)，且P33′满足：P′33＝K3×P33。
也可以据此计算无量测来自于T1的第一JPDA关联概率(即P10′)，且P10′满足：P′10＝K1×P10。也可据此计算无量测来自于T2的第一JPDA关联概率(即P20′)，且P20′满足：P′20＝K2×P20。也可据此计算无量测来自于T3的第一JPDA关联概率(即P30′)，且P30′满足：P′30＝K3×P30。
如此，即获取到了各第一目标与各量测之间的第一JPDA关联概率，以及，无量测来源于各第一目标的第一JPDA关联概率。
在此基础上，还可以进一步利用前述方式，进行卡尔曼更新，不重复说明。
需要说明的是，前述以图6为示意性的实施例中，针对T1、T2和T3这三个目标，可以依次将T1、T2和T3中的一个作为第一目标，并进行前述处理；或者，还可以如前述实施例一样，同时对其进行计算处理，本申请实施例对此无特别限制。
可以理解的是，上述实施例中的部分或全部步骤或操作仅是示例，本申请实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。
可以理解的是，以上各个实施例中，由电子设备实现的操作或者步骤，也可以由可用于电子设备中的部件(例如芯片或者电路)实现。
图9给出了一种电子设备的结构示意图。该电子设备可用于实现上述任意一种方法实施例中描述数据关联方法，具体参见上述方法实施例中的说明。
本申请实施例中，该电子设备900包括：至少一个处理器910和存储器920；其中，所述存储器920存储计算机执行指令，所述至少一个处理器910执行所述存储器920存储的计算机执行指令，使得所述至少一个处理器910执行前述任意一种方法实施例中描述数据关联方法。
如图9所示，所述电子设备900可以包括一个或多个处理器910，所述处理器910也可以称为处理单元，可以实现一定的控制功能。所述处理器910可以是通用处理器或者专用处理器等。
在一种可选地设计中，处理器910也可以存有指令，所述指令可以被所述处理器910运行，使得所述电子设备900执行上述方法实施例中描述的数据关联方法。
在又一种可能的设计中，电子设备900可以包括电路，所述电路可以实现前述方法实施例中发送或接收或者通信的功能。
可选地，所述电子设备900中还可以包括一个或多个存储器920，其上存有指令或者中间数据，所述指令可在所述处理器910上被运行，使得所述电子设备900执行上述方法实施例中描述的方法。可选地，所述存储器920中还可以存储有其他相关数据。可选地，处理器910中也可以存储指令和/或数据。所述处理器910和存储器920可以单独设置，也可以集成在一起。
可选地，所述电子设备900还可以包括收发器930。收发器930还可以称为收发单元、收发机、收发电路、或者收发器等，用于实现电子设备的收发功能。
如图9所示，处理器910、存储器920与收发器930可以通过总线连接。
当该电子设备900用于实现对应于图5所示实施例中的数据关联方法时，例如，可以是收发器接收来自于量测装置的量测数据。收发器还可以进一步完成其他相应的通信功能。而处理器用于完成相应的确定或者控制操作，可选的，还可以在存储器中存储相应的指令。各个部件的具体的处理方式可以参考前述实施例的相关描述。
本申请中描述的处理器和收发器可实现在集成电路(integrated circuit，IC)、模拟IC、射频集成电路RFIC、混合信号IC、专用集成电路(application specificintegrated circuit，ASIC)、印刷电路板(printed circuit board，PCB)、电子设备等上。该处理器和收发器也可以用各种1C工艺技术来制造，例如互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor，NMOS)、P型金属氧化物半导体(positive channel metal oxidesemiconductor,PMOS)、双极结型晶体管(Bipolar Junction Transistor，BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
可选的，电子设备可以是独立的设备或者可以是较大设备的一部分。例如所述设备可以是：(1)独立的集成电路IC，或芯片，或，芯片系统或子系统；(2)具有一个或多个IC的集合，可选地，该IC集合也可以包括用于存储数据和/或指令的存储部件；(3)ASIC，例如调制解调器(MSM)；(4)可嵌入在其他设备内的模块；(5)接收机、终端、蜂窝电话、无线设备、手持机、移动单元，网络设备等等；(6)其他等等。
图10为本申请实施例提供的一种数据关联装置的结构示意图。如图10所示，该数据关联装置1000包括：获取模块1010、第一计算模块1020、第三计算模块1030与第四计算模块1040；其中，获取模块1010用于获取第一目标对应的量测集合，量测集合包含N个量测，N大于等于1的正整数；第一计算模块1020用于获取N个量测中的每个量测与第一目标的PDA关联概率，以及，用于获取无量测来源于第一目标的PDA关联概率，以及，还用于获取N个量测中的每个量测与除第一目标外的竞争目标的PDA关联概率；第二计算模块1030，用于基于N个量测中的每个量测与第一目标的PDA关联概率，每个量测与除第一目标外的竞争目标的PDA关联概率和无量测来源于第一目标的PDA关联概率，确定转换系数；第三计算模块1040，用于根据每个量测与第一目标的PDA关联概率，每个量测与除第一目标外的竞争目标的PDA关联概率和转换系数，获取N个量测中每个量测与第一目标的第一JPDA关联概率。
在图10中，进一步的，N个量测中的每个量测均在第一目标的波门内；当第一量测在除第一目标外的其他目标的波门内时，确定其他目标为第一量测相关的竞争目标，第一量测属于N个量测。
一种可能的实施例中，第二计算模块1030，具体用于：根据每个量测与第一目标的PDA关联概率，每个量测与除第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于第一目标的唯一关联概率；获取N个量测中每个量测唯一关联于第一目标的唯一关联概率、无量测来源于第一目标的PDA关联概率之和的倒数，得到转换系数。
进一步地，第二计算模块1030，具体用于：基于第一量测与第一量测相关的竞争目标的PDA关联概率，获取第一量测与第一量测相关的竞争目标无关的PDA关联概率；其中，第一量测属于N个量测；获取第一量测与第一量测相关的竞争目标无关的PDA关联概率、第一量测与第一目标的PDA关联概率之间的乘积，得到第一量测唯一关联于第一目标的唯一关联概率。
进一步地，转换系数满足如下公式：
Figure BDA0002956319710000191
其中，Kt表示第t个第一目标的转换系数，Jt表示第t个第一目标对应的量测集合，Jt中包含N个量测，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，j∈Jt，j的取值为1～N，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合，Pt0表示无量测来源于第t个第一目标的PDA关联概率。
其中，若t′∈Lj且t′≠t为空，也即，当第t个第一目标相对于第j个量测无竞争目标时，针对第j个量测，
Figure BDA0002956319710000192
在一种可能的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，Kt＝1。
另一种可能的实施例中，第三计算模块1040，具体用于：
获取根据每个量测与第一目标的PDA关联概率、每个量测与除第一目标外的竞争目标的PDA关联概率与转换系数之间的乘积，得到N个量测中每个量测与第一目标的第一JPDA关联概率。
进一步地，N个量测中每个量测与第一目标的第一JPDA关联概率，满足如下公式：
Figure BDA0002956319710000193
其中，Ptj′表示第t个第一目标与第j个量测之间的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合。
其中，若t′∈Lj且t′≠t为空，也即，当第t个第一目标相对于第j个量测无竞争目标时，针对第j个量测，
Figure BDA0002956319710000194
在一种可能的场景中，当第t个第一目标相对于Jt中的任意一个量测都没有竞争目标时，Kt＝1。此时，PDA关联概率与第一JPDA关联概率相同，也即，Ptj′＝Ptj。
一种可能的实施例中，第三计算模块1040，还用于：获取无量测来源于第一目标的PDA关联概率与转换系数之积，得到无量测来源于第一目标的第一JPDA关联概率。
进一步地，无量测来源于第一目标的第一JPDA关联概率，满足如下公式：
Pt0′＝Kt×Pt0
其中，Pt0′为无量测来源于第t个第一目标的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Pt0为无量测来源于第t个第一目标的PDA关联概率。
在一种可能的场景中，第t个第一目标相对于Jt中的任意一个量测都没有竞争目标，此时，Kt＝1，Pt0＝Pt0′。
另一种可能的实施例中，电子设备1000还可以包括更新模块(图10未示出)，该更新模块用于：基于N个量测中每个量测与第一目标的第一JPDA关联概率、N个量测，更新第一目标的运动状态。
进一步地，更新模块，具体用于：获取N个量测中每个量测的新息；基于N个量测中每个量测与第一目标的第一JPDA关联概率与每个量测的新息，获取第一目标的组合新息；基于组合新息，更新第一目标的运动状态。
进一步地，第一目标的运动状态包括：位移、坐标或速度中的一种或多种。
图10所示实施例的数据关联装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述，可选的，该数据关联装置可以是终端、服务器、可移动平台的控制器(或处理器)，也可以是终端、服务器、可移动平台的控制器(或处理器)的部件(例如芯片或者电路)。
应理解以上图10所示数据关联装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块以软件通过处理元件调用的形式实现，部分模块通过硬件的形式实现。例如，第三计算模块可以为单独设立的处理元件，也可以集成在数据关联装置，例如电子设备的某一个芯片中实现，此外，也可以以程序的形式存储于数据关联装置的存储器中，由数据关联装置的某一个处理元件调用并执行以上各个模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个微处理器(digital singnal processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块通过处理元件调度程序的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central ProcessingUnit，CPU)或其它可以调用程序的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
本申请实施例还提供了一种数据关联系统。示例性的，图11示出了一种数据关联系统的示意图。如图11所示，该数据关联系统1100包括：
传感器1110，用于采集目标的量测；
电子设备1120，用于执行前述任意一种实施例所述的数据关联方法。
如前所述，传感器1110可以包括但不限于：雷达(Radar)、激光雷达(Lidar)、视觉传感器(Vision)、速度传感器、全球定位系统(Global Positioning System，GPS)接收器磁传感器、激光传感器、超声波传感器中的一种或多种。
示例性的一种实施例中，前述数据关联系统1100可以搭载于可移动设备中，该可移动设备包括：车辆、无人机或地面机器人中的一种或多种。可参见前文所述，不再重复。
示例性的，图12还示出了另一种数据关联系统的示意图。如图12所示，该数据关联系统1200包括：感知子系统1210、目标管理模块1220、目标关联模块1230、目标状态更新模块1240。
其中，感知子系统1210包括一种或多种量测工具，用于采集量测数据，并向目标管理模块1220发送量测数据。
目标管理模块1220则可以基于接收到的量测数据，确定目标列表与量测列表。其中，目标列表为量测数据中包含的所有目标(人、车辆、自行车、其他交通参与者等)，而量测列表则包含量测数据中包含的所有量测。
目标关联模块1230则用于执行本申请实施例的前述任意一种实施例所述的数据关联方法。也就是，目标关联模块1230用于计算各目标(分别将其作为第一目标)与各量测之间的第一JPDA关联概率，以及，无量测来源于各目标的第一JPDA关联概率。
目标状态更新模块1240则基于目标关联模块1230输出的各第一JPDA关联概率，实现对各目标的状态更新。
目标状态更新模块1240还可以将更新后的目标状态输出至目标管理模块1220，以便于目标管理模块1220可以基于该更新数据，实现对下一时刻的量测列表、目标列表的数据更新。如此，数据关联系统1200可以按照本方案，实现对各目标的实时更新和跟踪。
图12所示的数据关联系统1200，可以具体为自动驾驶系统，或自动驾驶系统中的感知融合系统。在该数据关联系统1200中，感知子系统1210、目标管理模块1220、目标关联模块1230、目标状态更新模块1240可以分开设置，也可以集成在一起。单独就目标关联模块1230而言，目标关联模块1230可以为计算机，嵌入式处理器，专用计算芯片，可编程器件(如现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)等)等。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述实施例所述的通信方法。
此外，本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，当其在计算机上运行时，使得计算机执行上述实施例所述的通信方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid StateDisk)等。

Claims (28)

1.一种数据关联方法，其特征在于，包括：
获取第一目标对应的量测集合，所述量测集合包含N个量测，N大于等于1的正整数；
获取N个量测中的每个量测与所述第一目标的PDA关联概率；
获取N个量测中的每个量测与除所述第一目标外的竞争目标的PDA关联概率；
获取无量测来源于所述第一目标的PDA关联概率；
基于所述N个量测中的每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和无量测来源于所述第一目标的PDA关联概率，确定转换系数；
根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和所述转换系数，获取所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
2.根据权利要求1所述的方法，其特征在于，N个量测中的每个量测均在所述第一目标的波门内；
当第一量测在除所述第一目标外的其他目标的波门内时，确定所述其他目标为所述第一量测相关的竞争目标，所述第一量测属于所述N个量测。
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述N个量测中的每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和无量测来源于所述第一目标的PDA关联概率，确定转换系数，包括：
根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于所述第一目标的唯一关联概率；
获取N个量测中每个量测唯一关联于所述第一目标的唯一关联概率、无量测来源于所述第一目标的PDA关联概率之和的倒数，得到所述转换系数。
4.根据权利要求3所述的方法，其特征在于，所述根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于所述第一目标的唯一关联概率，包括：
基于第一量测与所述第一量测相关的竞争目标的PDA关联概率，获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率；其中，所述第一量测属于所述N个量测；
获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率、所述第一量测与所述第一目标的PDA关联概率之间的乘积，得到所述第一量测唯一关联于所述第一目标的唯一关联概率。
5.根据权利要求3或4所述的方法，其特征在于，所述转换系数满足如下公式：
Figure FDA0002956319700000011
其中，Kt表示第t个第一目标的转换系数，Jt表示第t个第一目标对应的量测集合，Jt中包含N个量测，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，j∈Jt，j的取值为1～N，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合，Pt0表示无量测来源于第t个第一目标的PDA关联概率。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和所述转换系数，获取所述N个量测中每个量测与所述第一目标的第一JPDA关联概率，包括：
获取根据每个量测与所述第一目标的PDA关联概率、每个量测与除所述第一目标外的竞争目标的PDA关联概率与所述转换系数之间的乘积，得到所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
7.根据权利要求6所述的方法，其特征在于，所述N个量测中每个量测与所述第一目标的第一JPDA关联概率，满足如下公式：
Figure FDA0002956319700000021
其中，Ptj′表示第t个第一目标与第j个量测之间的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括；
获取无量测来源于所述第一目标的PDA关联概率与所述转换系数之积，得到无量测来源于所述第一目标的第一JPDA关联概率。
9.根据权利要求8所述的方法，其特征在于，所述无量测来源于所述第一目标的第一JPDA关联概率，满足如下公式：
Pt0′＝Kt×Pt0
其中，Pt0′为无量测来源于第t个第一目标的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Pt0为无量测来源于第t个第一目标的PDA关联概率。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述方法还包括：
基于所述N个量测中每个量测与所述第一目标的第一JPDA关联概率、所述N个量测，更新所述第一目标的运动状态。
11.根据权利要求10所述的方法，其特征在于，所述基于所述N个量测中每个量测与所述第一目标的第一JPDA关联概率、所述N个量测，更新所述第一目标的运动状态，包括：
获取N个量测中每个量测的新息；
基于N个量测中每个量测与所述第一目标的第一JPDA关联概率与每个量测的新息，获取所述第一目标的组合新息；
基于所述组合新息，更新所述第一目标的运动状态。
12.根据权利要求10或11所述的方法，其特征在于，所述第一目标的运动状态包括：位移、坐标或速度中的一种或多种。
13.一种数据关联装置，其特征在于，包括：
获取模块，用于获取第一目标对应的量测集合，所述量测集合包含N个量测，N大于等于1的正整数；
第一计算模块，用于获取N个量测中的每个量测与所述第一目标的PDA关联概率；
所述第一计算模块，还用于获取无量测来源于所述第一目标的PDA关联概率；
所述第一计算模块，还用于获取N个量测中的每个量测与除所述第一目标外的竞争目标的PDA关联概率；
第二计算模块，用于基于所述N个量测中的每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和无量测来源于所述第一目标的PDA关联概率，确定转换系数；
第三计算模块，用于根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率和所述转换系数，获取所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
14.根据权利要求13所述的装置，其特征在于，N个量测中的每个量测均在所述第一目标的波门内；
当第一量测在除所述第一目标外的其他目标的波门内时，确定所述其他目标为所述第一量测相关的竞争目标，所述第一量测属于所述N个量测。
15.根据权利要求13或14所述的装置，其特征在于，所述第二计算模块，具体用于：
根据每个量测与所述第一目标的PDA关联概率，每个量测与除所述第一目标外的竞争目标的PDA关联概率，获取每个量测唯一关联于所述第一目标的唯一关联概率；
获取N个量测中每个量测唯一关联于所述第一目标的唯一关联概率、无量测来源于所述第一目标的PDA关联概率之和的倒数，得到所述转换系数。
16.根据权利要求15所述的装置，其特征在于，所述第二计算模块，具体用于：
基于第一量测与所述第一量测相关的竞争目标的PDA关联概率，获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率；其中，所述第一量测属于所述N个量测；
获取所述第一量测与所述第一量测相关的竞争目标无关的PDA关联概率、所述第一量测与所述第一目标的PDA关联概率之间的乘积，得到所述第一量测唯一关联于所述第一目标的唯一关联概率。
17.根据权利要求15或16所述的装置，其特征在于，所述转换系数满足如下公式：
Figure FDA0002956319700000031
其中，Kt表示第t个第一目标的转换系数，Jt表示第t个第一目标对应的量测集合，Jt中包含N个量测，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，j∈Jt，j的取值为1～N，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合，Pt0表示无量测来源于第t个第一目标的PDA关联概率。
18.根据权利要求13-17任一项所述的装置，其特征在于，所述第三计算模块，具体用于：
获取根据每个量测与所述第一目标的PDA关联概率、每个量测与除所述第一目标外的竞争目标的PDA关联概率与所述转换系数之间的乘积，得到所述N个量测中每个量测与所述第一目标的第一JPDA关联概率。
19.根据权利要求18所述的装置，其特征在于，所述N个量测中每个量测与所述第一目标的第一JPDA关联概率，满足如下公式：
Figure FDA0002956319700000032
其中，Ptj′表示第t个第一目标与第j个量测之间的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Ptj表示第t个第一目标与第j个量测之间的PDA关联概率，Pt′j表示第t′个竞争目标与第j个量测之间的PDA关联概率，t′∈Lj且t′≠t，Lj为第j个量测相关的所有目标的集合。
20.根据权利要求13-19任一项所述的装置，其特征在于，所述第三计算模块，还用于：
获取无量测来源于所述第一目标的PDA关联概率与所述转换系数之积，得到无量测来源于所述第一目标的第一JPDA关联概率。
21.根据权利要求20所述的装置，其特征在于，所述无量测来源于所述第一目标的第一JPDA关联概率，满足如下公式：
Pt0′＝Kt×Pt0
其中，Pt0′为无量测来源于第t个第一目标的第一JPDA关联概率，Kt表示第t个第一目标的转换系数，Pt0为无量测来源于第t个第一目标的PDA关联概率。
22.根据权利要求13-21任一项所述的装置，其特征在于，所述装置还包括更新模块，所述更新模块用于：
基于所述N个量测中每个量测与所述第一目标的第一JPDA关联概率、所述N个量测，更新所述第一目标的运动状态。
23.根据权利要求22所述的装置，其特征在于，所述更新模块，具体用于：
获取N个量测中每个量测的新息；
基于N个量测中每个量测与所述第一目标的第一JPDA关联概率与每个量测的新息，获取所述第一目标的组合新息；
基于所述组合新息，更新所述第一目标的运动状态。
24.根据权利要求22或23所述的装置，其特征在于，所述第一目标的运动状态包括：位移、坐标或速度中的一种或多种。
25.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-12任一项所述的方法。
26.一种数据关联系统，其特征在于，包括：
传感器，用于采集目标的量测；
电子设备，用于执行如权利要求1-12任一项所述的数据关联方法。
27.根据权利要求26所述的系统，其特征在于，所述数据关联系统搭载于可移动设备；
所述可移动设备包括：车辆、无人机或地面机器人中的一种或多种。
28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机实现如权利要求1-12任一项所述的方法。
CN202080004823.5A 2020-04-29 2020-04-29 数据关联方法与装置 Active CN112654979B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/087759 WO2021217491A1 (zh) 2020-04-29 2020-04-29 数据关联方法与装置

Publications (2)

Publication Number Publication Date
CN112654979A true CN112654979A (zh) 2021-04-13
CN112654979B CN112654979B (zh) 2021-12-17

Family

ID=75368417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080004823.5A Active CN112654979B (zh) 2020-04-29 2020-04-29 数据关联方法与装置

Country Status (2)

Country Link
CN (1) CN112654979B (zh)
WO (1) WO2021217491A1 (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345577A (zh) * 2013-06-27 2013-10-09 江南大学 变分贝叶斯概率假设密度多目标跟踪方法
CN103472445A (zh) * 2013-09-18 2013-12-25 电子科技大学 一种针对多目标场景的检测跟踪一体化方法
CN104155651A (zh) * 2014-08-30 2014-11-19 电子科技大学 一种用于极化雷达目标跟踪的概率数据关联方法
CN104237879A (zh) * 2014-09-09 2014-12-24 中国电子科技集团公司第二十八研究所 一种雷达系统中的多目标跟踪方法
CN106022340A (zh) * 2016-05-17 2016-10-12 南京理工大学 一种改进的高斯混合势概率假设密度滤波方法
CN106199583A (zh) * 2016-06-30 2016-12-07 大连楼兰科技股份有限公司 多目标数据匹配与跟踪的方法及系统
CN106407677A (zh) * 2016-09-09 2017-02-15 南京理工大学 一种测量数据丢失情况下的多目标跟踪方法
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
US20170060810A1 (en) * 2012-12-13 2017-03-02 Eagle Harbor Holdings, LLC. System and method for the operation of an automotive vehicle system with modeled sensors
US20190182627A1 (en) * 2017-12-07 2019-06-13 SCRRD, Inc. High accuracy tracking and interaction for low observable devices
CN110032710A (zh) * 2019-02-27 2019-07-19 中国人民解放军空军工程大学 一种改进的jpda航迹关联算法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101913214B1 (ko) * 2017-01-03 2018-12-28 국방과학연구소 가림환경에서의 표적 형상정보를 활용한 표적 추적 방법
CN109002835B (zh) * 2018-06-19 2021-08-31 西安电子科技大学 一种基于最大熵模糊聚类的粒子滤波数据关联方法
CN109298413A (zh) * 2018-09-01 2019-02-01 哈尔滨工程大学 一种针对性解决复杂电磁环境下的多目标跟踪数据关联问题的方法
CN109782270B (zh) * 2018-12-29 2022-06-21 中国电子科技集团公司第二十研究所 一种多传感器多目标跟踪条件下的数据关联方法
CN110244294A (zh) * 2019-06-24 2019-09-17 中国人民解放军空军工程大学航空机务士官学校 一种多传感器的量测数据的关联方法
CN111007495B (zh) * 2019-12-10 2023-06-13 西安电子科技大学 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170060810A1 (en) * 2012-12-13 2017-03-02 Eagle Harbor Holdings, LLC. System and method for the operation of an automotive vehicle system with modeled sensors
CN103345577A (zh) * 2013-06-27 2013-10-09 江南大学 变分贝叶斯概率假设密度多目标跟踪方法
CN103472445A (zh) * 2013-09-18 2013-12-25 电子科技大学 一种针对多目标场景的检测跟踪一体化方法
CN104155651A (zh) * 2014-08-30 2014-11-19 电子科技大学 一种用于极化雷达目标跟踪的概率数据关联方法
CN104237879A (zh) * 2014-09-09 2014-12-24 中国电子科技集团公司第二十八研究所 一种雷达系统中的多目标跟踪方法
CN106022340A (zh) * 2016-05-17 2016-10-12 南京理工大学 一种改进的高斯混合势概率假设密度滤波方法
CN106199583A (zh) * 2016-06-30 2016-12-07 大连楼兰科技股份有限公司 多目标数据匹配与跟踪的方法及系统
CN106407677A (zh) * 2016-09-09 2017-02-15 南京理工大学 一种测量数据丢失情况下的多目标跟踪方法
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
US20190182627A1 (en) * 2017-12-07 2019-06-13 SCRRD, Inc. High accuracy tracking and interaction for low observable devices
US10587987B2 (en) * 2017-12-07 2020-03-10 SCRRD, Inc. High accuracy tracking and interaction for low observable devices
CN110032710A (zh) * 2019-02-27 2019-07-19 中国人民解放军空军工程大学 一种改进的jpda航迹关联算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
FLORIAN MEYER ET AL.: "Data Association for Tracking Extended Targets", 《2019 IEEE MILITARY COMMUNICATIONS CONFERENCE》 *
HENK A. P. BLOM ET AL.: "Probabilistic Data Association Avoiding Track Coalescence", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 *
SRIRAM KRISHNASWAMY ET AL.: "A Window-based Tensor Decomposition Approach to Data-Association for Multi Target Tracking", 《2019 AMERICAN CONTROL CONFERENCE》 *
万琴 等: "改进联合概率数据关联的视频多目标快速跟踪", 《控制理论与应用》 *
吴佳芯: "多目标跟踪的数据关联算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王鹏宇: "基于联合概率数据关联的车用多传感器目标跟踪融合算法", 《吉林大学学报（工学版）》 *

Also Published As

Publication number Publication date
WO2021217491A1 (zh) 2021-11-04
CN112654979B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US20160183057A1 (en) Method and system for hybrid location detection
KR101058296B1 (ko) 모바일 디바이스에 대한 실시간 위치 추적 방법 및 시스템
KR101556711B1 (ko) 도달 시간 기초의 무선 위치결정 시스템
US8824325B2 (en) Positioning technique for wireless communication system
US20220210622A1 (en) Communication system and base station
Hauschildt et al. Improving indoor position estimation by combining active TDOA ultrasound and passive thermal infrared localization
JP4116898B2 (ja) 目標追尾装置
US20220049961A1 (en) Method and system for radar-based odometry
Kordi et al. A review on wireless emerging IoT indoor localization
Sung et al. Accurate indoor positioning for UWB-based personal devices using deep learning
CN112859033A (zh) 目标探测的方法、装置及相关设备
Le Enhanced indoor localization based BLE using Gaussian process regression and improved weighted kNN
Morawska et al. Transfer learning-based UWB indoor localization using MHT-MDC and clusterization-based sparse fingerprinting
Mehrabian et al. Sensor fusion for indoor positioning system through improved RSSI and PDR methods
Varma et al. Indoor localization for IoT applications: Review, challenges and manual site survey approach
CN112654979B (zh) 数据关联方法与装置
EP4160269A1 (en) Systems and methods for onboard analysis of sensor data for sensor fusion
Prashar et al. Three-Dimensional Distance-Error-Correction-Based Hop Localization Algorithm for IoT Devices.
CN112799079B (zh) 一种数据关联方法及装置
Amer et al. RSS-based indoor positioning utilizing firefly algorithm in wireless sensor networks
JP7294323B2 (ja) 動体管理装置、動体管理システム、動体管理方法、及びコンピュータプログラム
Woznica et al. RF indoor positioning system supported by wireless computer vision sensors
Quack et al. Infrastructure-based tracking of road users in urban intersections for partially available, variable-delay sensor data
Santoro et al. A tag-less ultrawide-band passive tracking system
KR20230000064A (ko) 측위 장치 및 방법

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