CN112799079B - 一种数据关联方法及装置 - Google Patents
一种数据关联方法及装置 Download PDFInfo
- Publication number
- CN112799079B CN112799079B CN201911019381.7A CN201911019381A CN112799079B CN 112799079 B CN112799079 B CN 112799079B CN 201911019381 A CN201911019381 A CN 201911019381A CN 112799079 B CN112799079 B CN 112799079B
- Authority
- CN
- China
- Prior art keywords
- measurement data
- velocity
- association
- hypothesis
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005259 measurement Methods 0.000 claims abstract description 774
- 230000006870 function Effects 0.000 claims description 222
- 238000009499 grossing Methods 0.000 claims description 37
- 238000001914 filtration Methods 0.000 claims description 35
- 238000007476 Maximum Likelihood Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 description 326
- 239000013598 vector Substances 0.000 description 126
- 238000009826 distribution Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 14
- 230000002596 correlated effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
-
- 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
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
-
- 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
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/50—Systems of measurement, based on relative movement of the target
- G01S15/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S15/586—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
-
- 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
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- 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
Abstract
本申请实施例公开了一种数据关联方法,属于传感器技术领域。该方法包括:获取多个测量数据,该多个测量数据中的每个测量数据包含位置测量数据以及速度测量数据;根据该多个测量数据中的至少两个测量数据包含的位置测量数据,确定该至少两个测量数据的关联假设对应的速度估计值;根据关联假设对应的速度估计值和该至少两个测量数据中的速度测量数据,确定关联假设对应的度量值;根据该多个测量数据的至少一个关联假设对应的度量值,确定该多个测量数据的关联关系。可见,本申请的方案可以应用于自动驾驶或者智能驾驶或者跟踪或者导航或者定位等领域,提升了确定该多个测量数据中的关联关系的准确性。
Description
技术领域
本申请涉及传感器技术领域,尤其涉及一种数据关联方法及装置。
背景技术
在先进驾驶辅助系统(advanced driver assistant system,ADAS)或者自动驾驶(autonomous driving,AD)系统中通常配置多种传感器,例如雷达、声纳、超声波传感器、视觉传感器如摄像头等,用于感知周边环境及目标信息。上述传感器的平台可以是车载、舰载、机载或者星载系统等。这些传感器配置于传感器平台上,可提供移动设备周围的相对参考系运动的目标或相对参考系静止的目标的测量数据,所述参考系可以是大地或者相对于大地的惯性坐标系等。例如,相对参考系运动的目标可以为车辆和行人等。相对参考系静止的目标可以为障碍物、护栏、路沿、灯杆、周围的树木和建筑物等。测量数据可包括目标相对于传感器的距离、目标相对于传感器的方位角、目标相对于传感器的俯仰角、目标相对于传感器的径向速度和目标相对于传感器的散射截面积中的一种或多种。
利用上述传感器提供的测量数据,可以实现对周边环境及物体的分类、识别以及跟踪等功能。其中,跟踪功能用于确定周围环境中目标的数目以及目标的状态矢量。目标的状态矢量通常包括位置矢量和速度矢量等信息。在传感器得到的每一帧数据中往往存在多个目标的测量数据,在不同的帧之间,需要确定不同帧的哪些测量数据来自同一目标。即需要对不同帧中的测量数据进行数据关联。在现有的实际应用中,通常将数据关联问题划分为两个阶段,分别为航迹维持阶段和航迹起始阶段。
其中,在航迹维持阶段已经建立了目标的航迹。也就是说,目标的状态矢量已经得到,特别是目标的位置矢量和速度矢量已经得到。因此,可以根据本帧的状态矢量预测目标在下一帧的状态矢量。根据目标在下一帧的状态矢量从而也可以预测目标在下一帧的测量矢量。如图1所示,其中X1,t和X2,t分别为目标1和目标2在本帧的状态矢量,和/>分别为预测的两个目标在下一帧的测量矢量,/>j=1,2,3为下一帧传感器测得的三个测量数据。根据/>和/>就可确定/>中哪些数据来自目标1,哪些来自目标2。
其中,在航迹起始阶段,目标的航迹尚未建立。目标的状态矢量,特别是目标的速度矢量尚未得到。因此,无法完整预测目标在下一帧的状态矢量,从而也就无法完整预测目标在下一帧的测量矢量,进而也就无法根据预测的目标在下一帧的测量矢量对下一帧传感器测得的测量数据进行数据关联。为此,在现有技术中,通常为目标在第一帧的状态矢量预设一个速度矢量,根据预设的速度矢量来预测目标在下一帧的状态矢量。然而预设的速度矢量可能不准确,导致最终无法准确地确定出关联的测量数据。
发明内容
本申请实施例提供了一种数据关联方法及装置,有利于准确地确定出关联的测量数据。
第一方面,本申请实施例提供了一种数据关联方法,该方法包括:获取多个测量数据,该多个测量数据中的每个测量数据包含位置测量数据以及速度测量数据;根据该多个测量数据中的至少两个测量数据包含的位置测量数据,确定该至少两个测量数据的关联假设对应的速度估计值;根据关联假设对应的速度估计值和该至少两个测量数据中的速度测量数据,确定关联假设对应的度量值;根据该多个测量数据的至少一个关联假设对应的度量值,确定该多个测量数据的关联关系;其中,该多个测量数据的至少一个关联假设中的每个关联假设对应多个测量数据中的该至少两个测量数据。基于第一方面所描述的方法,能够通过传感器自身测量的多个测量数据来确定至少一个关联假设对应的度量值,进而根据该至少一个关联假设对应的度量值确定该多个测量数据中的关联关系。避免了利用误差过大的先验速度值来确定多个测量数据中的关联关系。提升了确定该多个测量数据中的关联关系的准确性。
作为一种可选的实施方式,该至少两个测量数据来自至少两个时刻;或者,该至少两个测量数据来自至少两个传感器。
作为一种可选的实施方式,速度估计值包括速度平滑估计值、速度滤波估计值和速度预测估计值中的一种或多种。例如,该多个测量数据来自时刻tk-1和tk两个时刻,关联假设对应的速度估计值可以包括速度平滑估计值和/或速度滤波估计值。再如,该多个测量数据来自时刻tk-1、tk和tk+1三个时刻,关联假设对应的速度估计值可以是速度平滑估计值和/或速度滤波估计值和/或速度预测估计值。基于该可选的实施方式,根据速度平滑估计值、速度滤波估计值和速度预测估计值中的一种或多种,能够更加准确地确定多个测量数据中的关联关系。
作为一种可选的实施方式,根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值的具体实施方式为:根据关联假设对应的速度投影分量的估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值;其中,速度投影分量的估计值包括径向速度的估计值和/或横向速度的估计值和/或纵向速度的估计值,径向速度的估计值根据速度估计值得到,横向速度的估计值根据速度估计值得到,纵向速度的估计值根据速度估计值得到。基于该可选的实施方式,能够根据关联假设对应的速度估计值确定关联假设对应的速度投影分量的估计值,并根据关联假设对应的速度投影分量的估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值。有利于更加准确地确定多个测量数据中的关联关系。
作为一种可选的实施方式,根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值的具体实施方式为:根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据,确定关联假设是否为有效的关联假设;对于有效的关联假设,确定该关联假设对应的度量值。基于该实施方式,能够筛选掉无效的关联假设,有利于减少后续的计算量。
作为一种可选的实施方式,关联假设有效是指根据关联假设对应的速度估计值和该至少两个测量数据中的速度测量数据确定的距离值小于或等于预设阈值。基于该实施方式,能够准确地确定有效的关联假设。可选的,对于有效的关联假设,可将该距离值确定为关联假设对应的度量值。
作为一种可选的实施方式,关联假设有效是指根据该关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据确定的似然函数值或者对数似然函数值小于或等于预设阈值。基于该实施方式,能够准确地确定有效的关联假设。可选的,对于有效的关联假设,可将该似然函数值或者对数似然函数值确定为关联假设对应的度量值。
作为一种可选的实施方式,关联假设对应的度量值是根据速度测量数据和速度估计值得到的似然函数值或者对数似然函数值或者距离值。基于该实施方式,有利于准确地多个测量数据中的关联关系。
可选的,度量值为似然函数值或对数似然函数值,根据速度估计值以及速度测量数据的概率密度函数,可以得到关联假设对应的似然函数值或对数似然函数值。该概率密度函数可以是高斯分布概率密度函数或者均匀分布密度函数或者指数分布密度函数或者泊松分布密度函数等。
作为一种可选的实施方式,根据该多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实施方式为:根据该多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或全局最近邻关联假设;根据最大似然关联假设或全局最近邻关联假设确定多个测量数据的关联关系。基于该实施方式,有利于准确地确定多个测量数据中的关联关系。
作为一种可选的实施方式,根据该多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实施方式为:根据该多个测量数据的至少一个关联假设对应的度量值,基于第一约束规则,确定该多个测量数据的关联关系,其中,该第一约束规则为一个测量数据来自一个目标,一个目标产生一个或多个测量数据。基于该实施方式,有利于准确地确定多个测量数据中的关联关系。
第二方面,提供了一种数据关联装置,可执行上述第一方面和第一方面的可选的实施方式中任意一项的方法。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元。该单元可以是软件和/或硬件。基于同一发明构思,该数据关联装置解决问题的原理以及有益效果可以参见上述第一方面和第一方面的可选的实施方式中任意一项的方法以及有益效果,重复之处不再赘述。
第三方面,提供了一种数据关联装置,该数据关联装置包括处理器以及存储器,处理器和存储器相连。其中,所述存储器用于存储程序,该处理器调用存储在该存储器中的程序以实现上述第一方面和第一方面的可选的实施方式中任意一项的方法,该数据关联装置解决问题的实施方式以及有益效果可以参见上述第一方面和第一方面的可选的实施方式中任意一项的方法以及有益效果,重复之处不再赘述。
第四方面,提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面和第一方面的可选的实施方式中任意一项的方法。
第五方面,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,还可以包括存储器和/或通信接口,用于实现上述第一方面所述的方法和第一方面的可选的实施方式中任意一项的方法。其中,存储器用于存储程序或指令,通信接口用于为处理器提供信息或数据的输入输出功能。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第六方面,提供了一种计算机存储介质,该计算机存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面和第一方面的可选的实施方式中任意一项的方法。
第七方面,提供了一种系统,该系统包括至少一个传感器和数据关联装置,该数据关联装置用于实现上述第一方面和第一方面的可选的实施方式中任意一项的方法。
附图说明
图1是现有的一种数据关联的示意图;
图2是本申请实施例提供的一种系统架构的示意图;
图3是本申请实施例提供的一种测量数据的示意图;
图4是本申请实施例提供的一种测量数据的示意图;
图5是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是本申请实施例提供的一种数据关联方法的流程示意图;
图7是本申请实施例提供的一种数据关联方法的流程示意图;
图8是本申请实施例提供的一种数据关联装置的结构示意图;
图9是本申请实施例提供的一种数据关联装置的结构示意图。
具体实施方式
下面结合附图对本申请具体实施例作进一步的详细描述。
本申请实施例提供了一种数据关联方法及装置,有利于准确地确定出关联的测量数据。
为了能够更好地理解本申请实施例,下面对本申请实施例可应用的系统架构进行说明。
图2是本申请实施例提供的一种系统架构的示意图。如图2所示,该系统架构中包括传感器平台。传感器平台中配置有至少一个传感器。该系统架构中还包括数据关联装置。其中,该数据关联装置可以部署于传感器平台中,即该数据关联装置可以与传感器平台集成于一体。或者,该数据关联装置可以部署于传感器平台之外,该数据关联装置与传感器平台通过无线网络进行通信。传感器可以部署于数据关联装置的内部或外部。图2以数据关联装置部署于传感器平台中,传感器部署于数据关联装置的外部为例。
其中,传感器平台可以为可移动的设备。例如,传感器平台可以为车载平台,如汽车、摩托车或者自行车等。或者,传感器平台可以为舰载平台,如船只、轮船、汽艇等。或者,传感器平台可以为车载平台可以是机载平台,如无人机、直升机或者喷气式飞机、气球等。或者,传感器平台可以为星载平台,如卫星等。
其中,传感器平台中的至少一个传感器可以包括雷达传感器,例如,毫米波雷达或者激光雷达。或者,所述传感器可以是声纳或者超声波传感器。或者,该传感器也可以是具有测量频移能力的测向传感器器,该测向传感器通过测量接收信号相对已知频率的频移得到径向速度信息。或者,该传感器也可以是视觉传感器或者成像传感器,如摄像头或者摄像机或者成像雷达如激光雷达、合成孔径雷达等。视觉或者成像传感器可以通过目标在图像平面的尺度变化得到目标的运动速度矢量或者分量,例如纵向速度分量或者径向速度分量或者距离率测量数据。进一步可选的,所述至少一个传感器还可以包含至少一个摄像装置。
该些传感器可以对周围的目标(如相对参考系静止的目标或相对参考系运动的目标、障碍物、建筑物等)进行测量,得到周围目标的测量数据。该测量数据包括位置测量数据和速度测量数据。例如,以雷达为例,雷达提供的测量数据可以包括目标相对于传感器的距离r,目标相对于传感器的方位角θ,目标相对于传感器的俯仰角以及目标相对于传感器的径向速度/>中的一种或多种。如图3所示,图3以雷达提供的测量数据包括距离r、方位角θ和径向速度/>为例。其中,目标相对于传感器的距离r,目标相对于传感器的方位角θ和目标相对于传感器的俯仰角/>属于位置测量数据,目标相对于传感器的径向速度/>属于速度测量数据。
再如,以相机或者摄像头为例,相机或者摄像头提供的测量数据可以包括目标相对于传感器的纵向距离或者纵向位置x,目标相对于传感器的横向距离或者横向位置y,目标相对于传感器的纵向速度或者距离率vx,以及目标相对于传感器的横向速度或者距离率vy中的一种或多种。如图4所示,图4以相机或者摄像头提供的测量数据包括纵向位置x、横向位置y和纵向速度vx和横向速度vy为例。其中,目标相对于传感器的纵向距离或者纵向位置x、目标相对于传感器的横向距离或者横向位置y属于位置测量数据,目标相对于传感器的纵向速度vx或者横向速度vy属于速度测量数据。具体地,所述纵向速度vx或者横向速度vy可以基于光流法利用相机的图像平面和水平平面的关系得到;此外,纵向速度或者横向速度也可以基于目标在图像平面的尺度变化以及利用相机的图像平面和水平平面的关系得到,此处不赘述。
需要进一步指出的是,此处传感器的物理构成可以是一个或者多个物理传感器。例如,该一个或者多个物理传感器的中各个物理传感器可以分别测量位置测量数据和速度测量数据,也可以是从该一个或者多个物理传感器的测量数据中推导出位置测量数据和速度测量数据,此处不做限定。
本申请应用的系统可以为传感器系统或者融合感知系统或者集成上述系统的规划/控制系统,如辅助驾驶或者自动驾驶系统等。
下面进一步对本申请所提供的数据关联方法及装置进行介绍。
请参见图5,图5是本申请实施例提供的一种数据关联方法的流程示意图。该方法的执行主体可以是传感器系统或者融合感知系统或者集成上述系统的规划/控制系统,如辅助驾驶或者自动驾驶系统等。或者,该方法的执行主体也可以是软件或者硬件(如数据关联装置)。不同的执行步骤可以集中式也可以分布式实现。该方法的执行主体还可以为芯片系统,该芯片系统包含至少一个处理器,以及通信接口或者存储器。其中,该存储器用于存储程序或指令,该通信接口用于为处理器提供信息或数据的输入输出功能。如图5所示,该数据关联方法包括如下步骤501~步骤504。其中:
501、获取多个测量数据,该多个测量数据中的每个测量数据包含位置测量数据以及速度测量数据。该获取步骤可以理解为本地获取或者接收。
具体的,该多个测量数据为经过本地传感器检测得到的测量数据,也可以是通过数据链路从远端传感器接收的测量数据。
其中,该多个测量数据包括至少两个时刻的测量数据,每个时刻的测量数据均可包括一个或多个测量数据。例如,该多个测量数据可以包括至少两帧的测量数据。其中,不同帧的测量数据来自不同的时刻,同一帧的测量数据来自同一时刻。每一帧的测量数据可以看作是传感器对周围环境物体或者目标的一次“快照”。以雷达或者声纳传感器为例,该传感器可以周期性或者非周期性地发射信号并从接收到的回波信号中得到测量数据。例如,该发射信号可以是线性调频信号,通过回波信号的时延可以得到目标的距离信息,通过多个回波信号之间的相位差可以得到该目标相对于传感器的径向速度测量值,通过传感器的多个发射和/或接收天线阵列几何,可以得到目标相对于传感器的角度测量值。此外,该传感器也可以是无源的传感器,通过被动接收一定时间内的信号,得到目标相对于传感器的角度测量值。此外,也可以测量接收信号的频率相对于参考频率的偏移从而得到目标的径向速度测量值。传感器可以以固定时间长度为周期来对周围目标进行周期性测量,也可以按照指定的时间窗对指定的区域进行触发性测量。无论周期性测量还是触发性测量,该传感器都可以得到多帧的测量数据,每一帧测量数据均可包括多个测量数据。
例如,以步骤501中的多个测量数据包括两个时刻的测量数据为例。步骤501中的多个测量数据包括传感器在时刻tk-1测量得到的测量数据Zi,k-1,i=1,2,...,Nk-1以及包括传感器在时刻tk测量得到的测量数据Zi,k,i=1,2,...,Nk。其中,Nk-1和Nk分别为传感器在时刻tk-1和时刻tk得到的测量数据的数量。再如,以步骤501中的多个测量数据包括三个时刻的测量数据为例。步骤501中的多个测量数据包括该多个测量数据可以包括传感器分别在时刻tk-1、时刻tk和时刻tk+1得到的测量数据Zi,k-1,i=1,2,...,Nk-1、测量数据Zi,k,i=1,2..,Nk以及测量数据Zi,k+1,i=1,2,...,Nk+1。
可选的,步骤501中的多个测量数据来自至少两个传感器。
进一步可选的,步骤501中的多个测量数据中不同的时刻的测量数据来自不同的传感器。例如,步骤501中的多个测量数据包括传感器s1在时刻tk-1测量得到的测量数据以及包括传感器s2在时刻tk测量得到的测量数据/>其中,/>和/>分别为传感器s1在时刻tk-1得到的测量数据的数量和传感器s2在时刻tk得到的测量数据的数量。再如,步骤501中的多个测量数据包括传感器s1在时刻tk-1测量得到的测量数据/>以及包括传感器s2在时刻tk测量得到的测量数据/>以及包括传感器s3在时刻tk+1测量得到的测量数据其中,/>和/>分别为传感器s1在时刻tk-1得到的测量数据的数量、传感器s2在时刻tk得到的测量数据的数量和传感器s3在时刻tk+1得到的测量数据的数量。
或者,同一个时刻的测量数据也可以来自不同的传感器。例如,步骤501中的多个测量数据包括时刻tk-1的测量数据和时刻tk的测量数据。其中,时刻tk-1的测量数据可以包括传感器s1在时刻tk-1测量得到的测量数据以及传感器s2在时刻tk-1测量得到的测量数据/>其中,/>和/>分别为传感器s1在时刻tk-1得到的测量数据的数量和传感器s2在时刻tk-1得到的测量数据的数量。时刻tk的测量数据包括传感器s3在时刻tk测量得到的测量数据/>以及传感器s4在时刻tk测量得到的测量数据/>其中,/>和/>分别为传感器s3在时刻tk得到的测量数据的数量和传感器s4在时刻tk得到的测量数据的数量。其中,传感器s3和传感器s4与传感器s1和传感器s2可以是相同或者不同的传感器。
其中,位置测量数据可以包括目标相对于传感器的距离r、目标相对于传感器的方位角θ和俯仰角等中的一种或多种;或者,位置测量数据可以包括目标相对于传感器的直角坐标位置x,y和z中的一种或多种。速度测量数据可以包括目标相对于传感器的径向速度目标的纵向速度分量/>横向速度分量/>和/或目标速度矢量在特定方向的投影分量等。或者,位置测量数据和速度测量数据还可以是传感器测量得到的其他数据,本申请实施例不做限定。
502、根据所述多个测量数据中的至少两个测量数据包含的位置测量数据,确定该至少两个测量数据的关联假设对应的速度估计值。
503、根据关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定关联假设对应的度量值。其中,关于度量值的解释可以参见下文。
这里需要说明的是,步骤502和503也可以合并为一个步骤,即根据所述多个测量数据中的至少两个测量数据包含的位置测量数据和速度测量数据,确定关联假设对应的速度估计值。这里的步骤502和503是为了更加清楚的阐述方法流程而进行了区分和说明。
根据上述多个测量数据,可确定至少一个关联假设对应的度量值。根据该至少一个关联假设对应的度量值从上述多个测量数据中确定数据关联关系。其中,确定一个关联假设对应的度量值的方式具体为:根据该多个测量数据中的至少两个测量数据包含的位置测量数据,确定该至少两个测量数据的关联假设对应的速度估计值。根据该关联假设对应的速度估计值和该至少两个测量数据中的速度测量数据,确定该关联假设对应的度量值。确定其他关联假设对应的度量值同理。
其中,可以从获取的多个测量数据中确定一个或多个关联假设。关联假设是指假设的数据关联。每个关联假设对应至少两个测量数据。关联假设对应的至少两个测量数据假设具有关联关系。该至少两个测量数据来自至少两个时刻。也就是说,每一个关联假设对应的测量数据来自至少两个时刻。
举例来说,步骤501中的多个测量数据,可以包括两个时刻内的测量数据,其中一个关联假设对应两个测量数据,这两个测量数据分别来自两个时刻。步骤501中的多个测量数据包括传感器在时刻tk-1测量得到的Nk-1个测量数据和在时刻tk测量得到的Nk个测量数据。
具体地,时刻tk-1的Nk-1个测量数据的索引集合可以为M1={1,2,…,Nk-1},时刻tk的Nk个测量数据的索引集合可以为M2={1,2,…,Nk}。关联假设的集合为A,A可以为所有可能的测量数据的关联假设的集合,也就是A=M1×M2={(i1,i2)|i1∈M1,i2∈M2},关联假设的集合A也可以是M1×M2的子集,其中M1×M2表示集合M1和M2的直积。其中,i1为在时刻tk-1的测量数据的索引或标号,i2为时刻tk的测量数据的索引或标号。
对于关联假设集合A中的关联假设,可以根据关联假设对应的位置测量数据,得到关联假设对应的速度估计值。例如,如果M1包括测量数据1和测量数据2的索引。M2包括测量数据3和测量数据4的索引。对于上述测量数据,可以存在4个关联假设,分别为测量数据1和测量数据3之间的关联假设1,测量数据1和测量数据4之间的关联假设2,测量数据2和测量数据3之间的关联假设3和测量数据3和测量数据4之间的关联假设4。其中,每个关联假设对应来自不同时刻的两个测量数据。根据测量数据1包括的位置测量数据和测量数据3包括的位置测量数据,确定关联假设1对应的速度估计值;根据测量数据1包括的位置测量数据和测量数据4包括的位置测量数据,确定关联假设2对应的速度估计值;根据测量数据2包括的位置测量数据和测量数据3包括的位置测量数据,确定关联假设3对应的速度估计值;根据测量数据3包括的位置测量数据和测量数据4包括的位置测量数据,确定关联假设4对应的速度估计值。
进一步地,根据关联假设1对应的速度估计值、测量数据1和测量数据3中的速度测量数据,确定关联假设1对应的度量值;类似地,可以根据关联假设2对应的速度估计值、测量数据1和测量数据4中的速度测量数据,确定关联假设2对应的度量值;根据关联假设3对应的速度估计值、测量数据2和测量数据3中的速度测量数据,确定关联假设3对应的度量值;根据关联假设4对应的速度估计值、测量数据2和测量数据4中的速度测量数据,确定关联假设4对应的度量值。
根据上述关联假设1~关联假设4分别对应的度量值,从集合A中确定相关联的测量数据。
或者,也可只确定部分关联假设对应的度量值。例如,只确定关联假设1~关联假设3分别对应的度量值。根据关联假设1~关联假设3分别对应的度量值从关联假设1~关联假设4中确定相关联的测量数据。
再举例来说,步骤501中的多个测量数据,可以包括三个时刻的测量数据。一个关联假设对应三个测量数据,这三个测量数据分别来自三个时刻。步骤501中的多个测量数据包括时刻tk-1的Nk-1个测量数据,时刻tk的Nk个测量数据,以及时刻tk+1的Nk+1个测量数据。具体地,时刻tk-1的Nk-1个测量数据的索引集合可以为M1={1,2,…,Nk-1},时刻tk的Nk个测量数据的索引集合可以为M2={1,2,…,Nk},时刻tk+1的Nk+1个测量数据的索引集合可以为M3={1,2,…,Nk+1}。关联假设的集合为A,A可以是所有可能的测量数据的关联假设的集合,也就是A=M1×M2×M3={(i1,i2,i3)|i1∈M1,i2∈M2,i3∈M3}。关联假设集合A也可以是M1×M2×M3的子集,其中,M1×M2×M3表示集合M1、M2和M3的直积。其中,i1为在时刻tk-1测得的测量数据的索引或标号,i2为在时刻tk测得的测量数据的索引或标号,i3为在时刻tk+1测得的测量数据的索引或标号。
对于关联假设集合A中的关联假设,可以根据关联假设对应的位置测量数据,得到关联假设对应的速度估计值。例如,M1包括测量数据1和测量数据2的索引,M2包括测量数据3和测量数据4的索引。M3包括测量数据5和测量数据6的索引。对于上述测量数据,可以有8个关联假设,分别为测量数据1、测量数据3和测量数据5之间的关联假设1。测量数据1、测量数据3和测量数据6之间的关联假设2。测量数据1、测量数据4和测量数据5之间的关联假设3。测量数据1、测量数据4和测量数据6之间的关联假设4。测量数据2、测量数据3和测量数据5之间的关联假设5。测量数据2、测量数据3和测量数据6之间的关联假设6。测量数据2、测量数据4和测量数据5之间的关联假设7。测量数据2、测量数据4和测量数据6之间的关联假设8。
同理,可确定全部或部分关联假设对应的度量值,再根据全部或部分关联假设对应的度量值从关联假设1~关联假设8中确定相关联的测量数据。
其中,每一个关联假设对应的至少两个测量数据还可以来自不同传感器。可选的,每一个关联假设对应的至少两个测量数据来自不同的时刻,并且还可以是来自不同传感器的。例如,上述时刻tk-1的Nk-1个测量数据来自传感器s1,时刻tk的Nk个测量数据来自传感器s2,时刻tk+1的Nk+1个测量数据来自传感器s3。或者,每一个关联假设对应的同一个时刻的测量数据也可来自不同的传感器。例如,上述时刻tk-1的Nk-1个测量数据中的Nk-1,s1个测量数据来自传感器s1,Nk-1,s2个测量数据来自传感器s2,其中Nk-1,s1+Nk-1,s1=Nk-1。
作为一种可选的实施方式,所述速度估计值可以为速度矢量的估计值;例如,速度估计值可以包括速度矢量的各个分量的估计值;速度估计值也可以包括速度矢量在一个或者多个方向的投影分量的估计值;所述多个方向可以相互垂直的方向。
作为一种可选的实施方式,所述速度测量数据可以是速度矢量的函数的测量值,或者是速度矢量在特定方向的投影的测量值,例如径向速度测量值或者速度矢量的分量的测量值等。
作为一种可选的实施方式,关联假设对应的速度估计值可以包括速度平滑估计值、速度滤波估计值和速度预测估计值中的一种或多种。
作为一种实现方式,所述多个测量数据来自时刻tk-1和tk两个时刻,关联假设对应的速度估计值可以包括速度平滑估计值和/或速度滤波估计值,例如,速度平滑估计值可以是根据时刻tk-1和tk的测量数据得到的目标在时刻tk-1的速度估计值。再如,速度滤波估计值可以是根据时刻tk-1和tk的测量数据得到的目标在时刻tk的速度估计值。
作为另一种实现方式,所述多个测量数据来自时刻tk-1、tk和tk+1三个时刻,关联假设对应的速度估计值可以是速度平滑估计值和/或速度滤波估计值和/或速度预测估计值。速度平滑估计值可以是根据时刻tk-1和tk的测量数据,得到的目标在时刻tk-1的速度估计值。或者,速度平滑估计值可以是根据时刻tk-1和tk+1的测量数据,得到的目标在时刻tk-1的速度估计值。或者,速度平滑估计值可以是根据时刻tk和tk+1的测量数据,得到的目标在时刻tk的速度估计值。速度滤波估计值可以是根据时刻tk-1和tk的测量数据,得到的目标在时刻tk的速度估计值;或者是根据时刻tk-1、tk和tk+1的测量数据,得到的目标在时刻tk+1的速度估计值;速度预测估计值可以是根据时刻tk-1和tk的测量数据,得到的目标在时刻tk+1的速度估计值。
作为一种可选的实施方式,速度平滑估计值包括速度矢量各个分量的平滑估计值,例如可以为速度矢量在各个坐标轴的分量的平滑估计值。或者,速度平滑估计值也可以为速度投影分量的平滑估计值。速度投影分量包括径向速度和/或横向速度和/或纵向速度。速度滤波估计值包括速度矢量各个分量的滤波估计值,例如可以为速度矢量在各个坐标轴的分量的滤波估计值。或者,速度滤波估计值也可以为速度投影分量的滤波估计值。速度预测估计值包括速度矢量各个分量的预测估计值,例如,可以为速度矢量在各个坐标轴的分量的预测估计值。或者,速度预测估计值也可以为速度投影分量的预测估计值。
所述获取的多个测量数据可以来自时刻tk-1和tk两个时刻,此时如何确定关联假设对应的速度估计值具体可参见下图6所对应的实施例中的描述,在此不赘述。所述获取的多个测量数据可以来自时刻tk-1、tk和tk+1三个时刻,此时如何确定关联假设对应的速度估计值,具体可参见下图7所对应的实施例中的描述,在此不赘述。
作为一种可选的实施方式,关联假设对应的速度估计值可以包括速度矢量各个分量的平滑估计值或者滤波估计值或者预测估计值,根据速度估计值可以得到速度投影分量的平滑估计值或者滤波估计值或者预测估计值。例如,根据速度估计值可以得到径向速度的平滑估计值、横向速度的平滑估计值、径向速度的滤波估计值、横向速度的滤波估计值、径向速度的预测估计值和横向速度的预测估计值中的至少一种。根据径向速度的平滑估计值、横向速度的平滑估计值、径向速度的滤波估计值、横向速度的滤波估计值、径向速度的预测估计值和横向速度的预测估计值中的至少一种,以及该关联假设对应的来自时刻tk-1的径向速度测量值、该关联假设对应的来自时刻tk的径向速度测量值、该关联假设对应的来自时刻tk+1的径向速度测量值、该关联假设对应的来自时刻tk-1的横向速度测量值、该关联假设中来自时刻tk的横向速度测量值、该关联假设对应的来自时刻tk+1的横向速度测量值中的至少一种,确定该关联假设对应的度量值。
作为一种可选的实施方式,关联假设对应的度量值可以是似然函数(likelihoodfunction)值或者对数似然函数(log-likelihood function)值或者距离值。该距离值可以为马氏距离(mahalanobis distance)或者为欧氏距离(euclideandistance)。可选的,具体可以根据关联假设对应的速度估计值以及径向速度测量值的概率密度函数得到关联假设对应的度量值。该概率密度函数可以是高斯分布(gaussian distribution)概率密度函数或者均匀分布密度函数或者指数分布密度函数或者泊松分布(poisson distribution)密度函数等。
所述获取的多个测量数据可以来自时刻tk-1和tk两个时刻,如何根据关联假设对应的速度估计值确定关联假设对应的度量值可参见下图6中对应的描述。所述获取的多个测量数据可以来自时刻tk-1、tk和tk+1三个时刻,如何根据关联假设对应的速度估计值确定关联假设对应的度量值可参见下图7中对应的描述。
作为一种可选的实施方式,根据关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据,确定关联假设对应的度量值的具体实施方式为:根据关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据,确定关联假设是否为有效的关联假设;对于有效的关联假设,确定关联假设对应的度量值。基于该实施方式,能够筛选掉无效的关联假设,有利于减少后续的计算量。
可选的,对于无效的关联假设可以从上述关联假设的集合A中删除,从而保证关联假设集合A中包括的关联假设均为有效的关联假设。数据关联装置就可根据关联假设集合A中的关联假设对应的度量值,来确定测量数据的关联关系。
例如,可以根据关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据确定距离值;该距离值可以为马氏距离或欧氏距离。如果该距离度量值小于或等于预设阈值,则该关联假设为有效的关联假设。反之,则该关联假设为无效的关联假设。也就是说,关联假设有效是指根据该关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据确定的距离值小于或等于预设阈值。作为一种实现方式,对于上述有效的关联假设,可将该距离值确定为关联假设对应的度量值。
再如,可以根据关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据确定似然函数值或者对数似然函数值;如果该似然函数值或者对数似然函数值小于或等于预设阈值,则该关联假设为有效的关联假设。反之,则该关联假设为无效的关联假设。也就是说,关联假设有效是指根据该关联假设对应的速度估计值和至少两个测量数据中的至少一个速度测量数据确定的似然函数值或者对数似然函数值小于或等于预设阈值。作为一种实现方式,对于上述有效的关联假设,可将该似然函数值或者对数似然函数值值作为为关联假设对应的度量值。
或者,还可通过其他方式确定关联假设是否为有效的关联假设,本申请实施例不做限定。对于有效的关联假设,可以继续执行确定关联假设对应的度量值的步骤。
所述获取的多个测量数据可以来自时刻tk-1和tk两个时刻,确定有效的关联假设的具体实现方式可参见下图6中对应的描述。所述获取的多个测量数据可以来自时刻tk-1、tk和tk+1三个时刻,确定有效的关联假设的具体实现方式可参见下图7中对应的描述。
504、根据该多个测量数据的至少一个关联假设对应的度量值,确定该多个测量数据的关联关系。其中,该多个测量数据的至少一个关联假设中的每个关联假设对应多个测量数据中的至少两个测量数据。
其中,测量数据具有关联关系是指测量数据来自同一目标。例如,时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据具有关联关系,则表示时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据来自同一目标。
作为一种可选的实施方式,可以根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实现方式为:根据多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或全局最近邻关联假设;根据最大似然关联假设或全局最近邻关联假设确定多个测量数据的关联关系。该最大似然关联假设为与多个测量数据对应的似然函数值最大的关联假设。该全局最近邻关联假设为与多个测量数据对应的全局距离最小的关联假设。其中全局距离可以根据马氏距离或者欧氏距离等定义,此处不做限定。可选地,与多个测量数据对应的全局距离可以是多个测量数据对应的多个关联假设的距离之和,其中所述每个关联假设与多个测量数据包含的至少两个测量数据相对应。可选的,最大似然关联假设可根据最大权匹配问题和广义分配问题得到。全局最近邻关联假设可根据广义分配问题得到。基于最大似然关联假设或全局最近邻关联假设,能够准确地确定出多个测量数据的关联关系。最大权匹配问题和广义分配问题为现有组合优化或者最优化理论和算法中的经典问题,可以有不同的形式。此处的具体形式见下文描述。
作为一种可选的实施方式,可以根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实现方式为:根据多个测量数据的至少一个关联假设对应的度量值,基于第一约束规则,确定多个测量数据的关联关系,可选的,该第一约束规则为一个测量数据来自一个目标,一个目标产生一个或多个测量数据。可选的,第一约束规则具体可以为一个测量数据来自一个真实目标或虚假目标,该虚假目标可以是传感器产生的虚警或者杂波等。每个真实目标可以产生一个或多个测量数据,或者漏检。基于第一约束规则,能够更加准确地确定出多个测量数据的关联关系。
所述获取的多个测量数据可以来自时刻tk-1和tk两个时刻,如何根据至少一个关联假设对应的度量值确定多个测量数据的关联关系可参见下图6中对应的描述。所述获取的多个测量数据来自时刻tk-1、tk和tk+1三个时刻,如何根据至少一个关联假设对应的度量值确定多个测量数据的关联关系可参见下图7中对应的描述。
可见,通过实施图5所描述的方法,通过传感器自身测量的多个测量数据来确定至少一个关联假设对应的度量值,进而根据该至少一个关联假设对应的度量值确定该多个测量数据中的关联关系。避免了利用误差过大的先验速度值来确定多个测量数据中的关联关系。提升了确定该多个测量数据中的关联关系的准确性。
请参见图6,图6是本申请实施例提供的一种数据关联方法的流程示意图。该方法的执行主体可以是传感器系统或者融合感知系统或者集成上述系统的规划/控制系统,如辅助驾驶或者自动驾驶系统等。或者,该方法的执行主体也可以是软件或者硬件(如数据关联装置)。不同的执行步骤可以集中式也可以分布式实现。该方法的执行主体还可以为芯片系统,该芯片系统包含至少一个处理器,以及通信接口或者存储器。其中,该存储器用于存储程序或指令,该通信接口用于为处理器提供信息或数据的输入输出功能。如图6所示,该数据关联方法包括如下步骤601~步骤604。其中:
601、获取多个测量数据。
其中,该多个测量数据包括两个时刻的测量数据。
602、根据该多个测量数据中的两个测量数据包含的位置测量数据,确定该两个测量数据的关联假设对应的速度估计值。
603、根据关联假设对应的速度估计值和该两个测量数据中的速度测量数据,确定关联假设对应的度量值。
这里需要说明的是,步骤602和603也可以合并为一个步骤,即根据该多个测量数据中的两个测量数据包含的位置测量数据和速度测量数据,确定关联假设对应的度量值。本申请602和603步骤的划分是为了阐述方便,并不具体限定实际的实现是分两步执行还是按照单个步骤执行。
其中,可从获取的多个测量数据中确定一个或多个关联假设。每个关联假设对应两个测量数据。该两个测量数据来自两个时刻。也就是说,每一个关联假设对应的测量数据来自两个时刻。
例如,步骤601中的多个测量数据包括传感器在时刻tk-1测量得到的Nk-1个测量数据和在时刻tk测量得到的Nk个测量数据。时刻tk-1的Nk-1个测量数据的索引集合可以为M1={1,2,…,Nk-1},时刻tk的Nk个测量数据的索引集合可以为M2={1,2,…,Nk}。关联假设的集合为A,A可以为所有可能的测量数据的关联假设的集合,也就是A=M1×M2={(i1,i2)|i1∈M1,i2∈M2},关联假设的集合A也可以是M1×M2的子集,其中M1×M2表示集合M1和M2的直积。其中,i1为在时刻tk-1的测量数据的索引或标号,i2为时刻tk的测量数据的索引或标号。以关联假设的集合为集合A为例。可以确定集合A中各个关联假设对应的速度估计值。根据确定的速度估计值确定该所有或部分关联假设对应的度量值,再根据该所有或部分关联假设对应的度量值从集合A中确定关联的测量数据。
可选的,关联假设对应的两个测量数据中包含的位置测量数据,可以为极坐标或者球坐标或者直角坐标位置测量数据,可选的,极坐标或者球坐标位置测量数据可以转换为直角坐标的位置测量数据;根据直角坐标的位置测量数据可以确定该关联假设对应的速度估计值。其中,直角坐标的位置和直角坐标的速度可以是二维或三维或三维以上的矢量。
一、直角坐标的位置测量数据为二维矢量。
以关联假设为关联假设(i1,i2)为例。根据时刻tk-1的第i1个极坐标的位置测量数据可以得到直角坐标的位置矢量根据时刻tk的第i2个极坐标的位置测量数据可以得到直角坐标的位置矢量/>其中,/>和/>均为X轴的位置分量。/>和/>均为Y轴的位置分量。
例如,雷达或者声纳或者超声波传感器测得的极坐标位置的位置测量数据包括目标相对于传感器的距离rm,目标相对于传感器的方位角θm。具体的,
其中,和/>分别为目标相对于传感器的距离和方位角的测量误差,r和θ分别为目标相对于传感器的距离和方位角的真实值。
直角坐标的位置测量数据可以根据以下公式从极坐标的位置测量数据得到
xm=rm·cosθm (3)
ym=rm·sinθm (4)
其中,(xm,ym)为直角坐标的位置矢量。
或者,直角坐标的位置测量数据也可以根据以下公式从极坐标的位置测量数据得到
其中,为目标相对应传感器的方位角的测量误差的方差。
根据时刻tk-1的直角坐标位置矢量以及时刻tk的直角坐标位置矢量/>可以利用最小二乘法或者两点求差法得到关联假设对应的速度估计值。关联假设对应的速度估计值包括速度平滑估计值/>和/或速度滤波估计值/>所述速度平滑估计值是根据时刻tk-1和时刻tk的测量数据得到的时刻tk-1的速度估计值。所述速度滤波估计值是根据时刻tk-1和时刻tk的测量数据得到的时刻tk的速度估计值。例如,可以是
其中,T=tk-tk-1为两帧之间时间间隔。和/>是X轴的速度分量,和/>是Y轴的速度分量。
根据上述关联假设对应的速度估计值,可以得到速度投影分量的估计值。速度投影分量的估计值包括平滑估计值和/或滤波估计值。速度投影分量可以为径向速度和/或横向速度和/或纵向速度等。根据速度投影分量的估计值和速度测量数据,确定关联假设对应的度量值。其中,速度测量数据为速度投影分量的测量值。或者,可不通过上述速度估计值来确定速度投影分量的估计值,可通过其他方式来确定速度投影分量的估计值。
或者,根据上述关联假设对应的速度估计值可得到速度函数的估计值。速度函数的估计值包括平滑估计值和/或滤波估计值。再根据速度函数的估计值和速度测量数据,确定关联假设对应的度量值。或者,直接根据上述关联假设对应的速度估计值和在X轴和Y轴的速度测量值确定关联假设对应的度量值。
以下对如何根据上述速度估计值确定速度投影分量的估计值,以及如何根据速度投影分量的估计值确定关联假设对应的度量值进行详细说明。
(一)速度投影分量的估计值为径向速度的平滑估计值。
具体的,根据关联假设对应的速度估计值得到径向速度的平滑估计值,根据径向速度的平滑估计值和径向速度测量值得到关联假设的度量值。
可以根据关联假设对应的速度平滑估计值得到径向速度的平滑估计值/>作为一种实现方式,可以根据径向速度与状态矢量关系,从速度平滑估计值得到径向速度的平滑估计值。例如,
其中,为状态矢量的平滑估计值。/>至少包括速度平滑估计值 还可包括根据时刻tk-1得到的位置测量数据确定的直角坐标的位置分量/>其中,/>
根据上述径向速度的平滑估计值和关联假设对应的时刻tk-1的径向速度测量值/>可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或者距离值。所述距离值可以为马氏距离或者为欧氏距离。
作为一种可选的实施方式,所述度量值可以为似然函数值或对数似然函数值,根据径向速度的平滑估计值以及径向速度测量值的概率密度函数,可以得到关联假设对应的似然函数值或对数似然函数值。该概率密度函数可以是高斯分布概率密度函数或者均匀分布密度函数或者指数分布密度函数或者泊松分布密度函数等。
例如,时刻tk-1的第i1个测量数据中的径向速度测量值为径向速度测量值的概率密度函数为高斯分布概率密度函数,关联假设对应的似然函数可以为
其中,和/>如前所述。/>为高斯分布概率密度函数,其中均值为0,/>为/>和/>的差值的协方差。其中,
其中,为径向速度测量值/>与径向速度平滑估计值/>的差值,即
协方差可以根据不同的方法确定。例如,可以根据扩展Kalman滤波(EKF)或者一阶或者多阶泰勒(Taylor)展开式或者粒子(Particle)滤波或者无损Kalman滤波(UKF)或者其它方法得到。例如,可以基于扩展Kalman滤波(EKF)或者一阶或者多阶泰勒(Taylor)进行展开,协方差矩阵/>为
其中,Pk-1|k为状态矢量的平滑估计值的协方差矩阵,为第i1个径向速度测量值的方差。H为雅克比(Jacobi)矩阵,H可以根据径向速度与状态矢量的关系得到。
例如,径向速度与状态矢量的关系的围绕状态矢量X0的一阶泰勒展开式为
其中,o(X-X0)表示X-X0的高阶项。H为函数h(X)对应的雅克比(Jacobi)矩阵,它是X0的函数。具体的,X0可以是状态矢量在时刻tk-1的平滑估计值 其中,sn-4表示n-4维的矢量,包括位置和速度之外的状态变量,n≥4;当n=4时,状态矢量仅包含位置和速度矢量。H可以表示为
H=[h1 h2 h3 h4 0n-4] (13)
其中,0n-4表示n-4维的由0元素构成的矢量。以X0为包括状态矢量在时刻tk-1的平滑估计值/>为例,
其中,
其中,协方差矩阵Pk-1|k可以为以下形式
其中,Pk-1|k中的各个元素分别为状态矢量各个对应元素之间的协方差。H除前4列之外全为0。因此,只需要计算Pk-1|k的前4行和前4列的元素即可以得到以关联假设中关联的第k-1帧第i1个测量数据和第k帧第i2个测量数据为例,上述元素可以分别为
其中,和/>分别为位置分量/>的误差的方差、位置分量和位置分量/>的误差的协方差和位置分量/>的误差的方差;/>和/>分别为位置分量/>的误差的方差、位置分量/>和/>位置分量的误差的协方差和位置分量/>的误差的方差。根据极坐标测量误差,得到直角坐标的位置分量的误差的协方差为现有技术,此处不赘述。/>
作为一种可选的实施方式,关联假设对应的度量值可以为马氏距离,可以根据径向速度的平滑估计值和径向速度测量值得到的该关联假设对应的马氏距离。例如关联假设对应的马氏距离可以为
其中,为马氏距离。/>和/>如前所述。
作为一种可选的实施方式,关联假设对应的度量值可以为欧氏距离,根据径向速度的平滑估计值和径向速度测量值可以得到关联假设对应的欧氏距离。例如,关联假设对应的欧式式离可以为
其中,为欧氏距离。/>和/>如前所述。
作为一种可选的实施方式,根据径向速度的平滑估计值和关联假设对应的时刻tk-1的径向速度测量值确定该关联假设对应的度量值,其具体实施方式为:根据径向速度的平滑估计值和关联假设对应的时刻tk-1的径向速度测量值,确定关联假设是否为有效的关联假设。对于有效的关联假设,确定该关联假设对应的度量值。
作为一种可选的实现方式,如果关联假设对应的径向速度的平滑估计值和关联假设对应的时刻tk的径向速度测量值之间的距离值小于或等于预设阈值,则该关联假设为有效关联假设。
例如,有效的关联假设可以为满足以下式(17)不等式的关联假设:
其中,为马氏距离,dM,Threshold为预设阈值,是一个非负数门限值,例如,dM,Threshold=1.5或3或16等。/>和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该马氏距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,有效的关联假设可以为满足以下式(18)不等式的关联假设:
其中,为欧氏距离,dE,Threshold为预设阈值,是一个非负数门限值,例如,dE,Threshold=1.5或2或3等。/>和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该欧式距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,还可根据径向速度的平滑估计值和关联假设对应的时刻tk-1的径向速度测量值确定似然函数值或对数似然函数值。如果似然函数值或对数似然函数值小于或等于预设值,则确定该关联假设有效。
作为一种可选的实现方式,对于有效的关联假设,可以将该似然函数值或对数似然函数值确定为该关联假设对应的度量值。也可以利用其它距离作为关联假设对应的度量值。
(二)速度投影分量的估计值为径向速度的滤波估计值。
具体的,根据关联假设对应的速度估计值得到径向速度的滤波估计值,根据径向速度的滤波估计值和径向速度测量值得到关联假设的度量值。
可以根据关联假设对应的速度滤波估计值得到关联假设对应的径向速度的滤波估计值/>作为一种实现方式,可以根据径向速度与状态矢量关系,从速度滤波估计值得到径向速度的滤波估计值。例如,
其中,为状态矢量的滤波估计值。/>至少包括速度滤波分量还可包括根据时刻tk的位置测量数据确定的直角坐标的位置分量其中,/>
根据上述径向速度的滤波估计值和关联假设对应的时刻tk的径向速度测量值,可以确定该关联假设对应的度量值。其中,所述度量值可以为似然函数值或对数似然函数值或距离值。该距离值可以为马氏距离或者为欧氏距离。
作为一种可选的实施方式,所述度量值为似然函数值或对数似然函数值,根据径向速度的滤波估计值以及径向速度测量值的概率密度函数,可以得到关联假设对应的似然函数值或者对数似然函数值。该概率密度函数可以是高斯分布概率密度函数或者均匀分布密度函数或者指数分布密度函数或者泊松分布密度函数等。
例如,传感器在时刻tk测得的第i2个测量数据中的径向速度测量值为径向速度测量值/>的概率密度函数为高斯分布概率密度函数,则关联假设对应的似然函数为
其中,为高斯分布概率密度函数,其中均值为0,/>为与/>的差值的协方差。其中,
其中,为径向速度测量值/>与径向速度的滤波估计值/>的差值,即
协方差可以根据不同的方法确定。例如,可以根据扩展Kalman滤波(EKF)或者一阶或者多阶泰勒(Taylor)展开式或者粒子(Particle)滤波或者无损Kalman滤波(UKF)或者其它方法得到。例如,可以基于扩展Kalman滤波(EKF)或者一阶或者多阶泰勒(Taylor)进行展开,协方差矩阵/>为
其中,Pk|k为状态矢量的滤波估计值的协方差矩阵,为第i2个径向速度测量值的方差。H为雅克比(Jacobi)矩阵,H可以根据径向速度与状态矢量的关系得到。
例如,径向速度与状态矢量的关系的围绕状态矢量X0的一阶泰勒展开式为
其中,o(X-X0)表示X-X0的高阶项。H为函数h(X)对应的雅克比(Jacobi)矩阵,它是X0的函数。具体的,X0可以是包括根据到时刻tk为止的测量数据得到的状态矢量在时刻tk的滤波估计值其中,sn-4表示n-4维的矢量,包括位置和速度之外的状态变量,n≥4;当n=4时,状态矢量仅包含位置和速度矢量。H可以表示为
H=[h1 h2 h3 h4 0n-4] (25)
其中,0n-4表示n-4维的由0元素构成的矢量。以X0为包括根据到时刻tk为止的测量数据得到的状态矢量在时刻tk的滤波估计值/>为例,
其中,
其中,协方差矩阵Pk|k可以为以下形式
其中,Pk|k中的各个元素分别为状态矢量各个对应元素之间的协方差。H除前4列之外全为0。因此,只需要计算Pk|k的前4行和前4列的元素即可以得到以关联假设中关联的在时刻tk-1测得的第i1个测量数据和在时刻tk测得的第i2个测量数据为例,上述元素可以分别为
其中,和/>分别为位置分量/>的误差的方差、位置分量/>和位置分量/>的误差的协方差和位置分量/>的误差的方差;/>和/>分别为位置分量/>的误差的方差、位置分量/>和/>位置分量的误差的协方差和位置分量/>的误差的方差。根据极坐标测量误差,得到直角坐标的位置分量的误差的协方差为现有技术,此处不赘述。
作为一种可选的实施方式,所述关联假设对应的度量值为马氏距离,可以根据径向速度的滤波估计值和关联假设对应的时刻tk的径向速度测量值/>得到的该关联假设对应的马氏距离。具体的,所述马氏距离可以为
其中,为马氏距离。
作为一种可选的实施方式,所述关联假设对应的度量值可以为欧氏距离,可以根据径向速度的滤波估计值和关联假设对应的时刻tk的径向速度测量值/>得到的关联假设对应的欧氏距离。具体所述关联假设的欧氏距离可以为
其中,为欧氏距离。
作为一种可选的实施方式,根据径向速度的滤波估计值和关联假设对应的时刻tk-1的径向速度测量值确定该关联假设对应的度量值之前,可以根据径向速度的滤波估计值和关联假设对应的时刻tk-1的径向速度测量值,确定有效关联假设,对有效关联假设确定对应的度量值。
作为一种可选的实现方式,如果关联假设对应的径向速度的滤波估计值和关联假设对应的时刻tk的径向速度测量值之间的距离值小于或等于预设阈值,则可以确定该关联假设为有效关联假设。或者,还可通过其他方式确定关联假设是否为有效的关联假设,本申请实施例不做限定。
例如,有效的关联假设可以为满足以下式(29)不等式的关联假设。
其中,dM,Threshold为预设阈值,是一个非负数门限值,例如,dM,Threshold=1.5或3或16等。为马氏距离。/>和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该马氏距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,有效的关联假设可以为满足以下式(30)不等式的关联假设:
其中,dEThreshold为预设阈值,是一个非负数门限值,例如,dEThreshold=1.5或2或3等。为欧氏距离。/>和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该欧式距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,还可根据径向速度的滤波估计值和关联假设对应的时刻tk的径向速度测量值确定似然函数值或对数似然函数值。如果似然函数值或对数似然函数值小于或等于预设值,则确定该关联假设有效。
作为一种可选的实现方式,对于有效的关联假设,可以将该似然函数值或对数似然函数值确定为该关联假设对应的度量值。也可以利用其它距离作为关联假设对应的度量值。
(三)速度投影分量的估计值为横向速度的平滑估计值、纵向速度的平滑估计值或速度矢量在特定方向的投影分量的平滑估计值。
可以根据关联假设对应的速度平滑估计值得到速度投影分量的平滑估计值/>作为一种实现方式,可以根据速度投影分量与状态矢量关系,从速度平滑估计值得到速度投影分量的平滑估计值。
例如,所述速度投影分量可以是纵向速度,纵向速度的平滑估计值为
再如,所述速度投影分量可以是横向速度,横向速度的平滑估计值为
再如,所述速度投影分量可以是速度矢量在特定方向的投影分量,所述特定方向的速度投影分量的平滑估计值为
其中,θ为所述特定方向与速度矢量的夹角。
根据上述速度投影分量的平滑估计值和关联假设对应的时刻tk-1的速度投影分量的测量值/>可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或者距离值。所述距离值可以为马氏距离或者为欧氏距离。
作为一种可选的实施方式,所述度量值可以为似然函数值或对数似然函数值,根据径向速度的平滑估计值以及径向速度测量值的概率密度函数,可以得到关联假设对应的似然函数值或对数似然函数值。该概率密度函数可以是高斯分布概率密度函数或者均匀分布密度函数或者指数分布密度函数或者泊松分布密度函数等。
例如,时刻tk-1的第i1个测量数据中的速度投影分量的测量值速度投影分量的测量值/>的概率密度函数为高斯分布概率密度函数,关联假设对应的似然函数可以为
其中,为时刻tk-1的第i1个测量数据中的速度投影分量的测量值,/>为根据在时刻tk-1的第i1个测量数据和时刻tk的第i2个测量数据确定的速度投影分量的平滑估计值,/>为高斯分布概率密度函数,其中均值为0,/>为与/>的差值的协方差。其中,
其中,为速度投影分量的测量值/>与速度投影分量的平滑估计值的差值,即
协方差可以根据不同的方法确定。例如,可以根据Kalman滤波(KF)或者扩展Kalman滤波(EKF)或者一阶或者多阶泰勒(Taylor)展开式或者粒子(Particle)滤波或者无损Kalman滤波(UKF)或者其它方法得到。例如,协方差矩阵/>为
其中,Pk-1k为状态矢量的平滑估计值的协方差矩阵,为第i1个速度投影分量测量值的方差。H可以根据速度投影分量与状态矢量的关系得到。
例如,状态矢量在时刻tk-1的平滑估计值为可以表示为
其中,sn-4表示n-4维的矢量,包括位置和速度之外的状态变量,n≥4;当n=4时,状态矢量仅包含位置和速度矢量。
所述速度投影分量可以为纵向速度分量,H可以表示为
H=[0 0 1 0 0n-4] (36)
所述速度投影分量可以为横向速度分量,H可以表示为
H=[0 0 0 1 0n-4] (37)
所述速度投影分量可以为特定的方向的速度投影分量,H可以表示为
H=[0 0 cosθ sinθ 0n-4] (38)
其中,协方差矩阵Pk-1k,如前所述。
作为一种可选的实施方式,关联假设对应的度量值可以为马氏距离,可以根据速度投影分量的平滑估计值和速度投影分量的测量值得到的该关联假设对应的马氏距离。例如关联假设对应的马氏距离可以为
其中,为马氏距离。/>和/>如前所述。
作为一种可选的实施方式,关联假设对应的度量值可以为欧氏距离,根据速度投影分量的平滑估计值和速度投影分量测量值可以得到关联假设对应的欧氏距离。例如,关联假设对应的欧氏距离可以为
其中,为欧氏距离。/>和/>如前所述。/>
作为一种可选的实施方式,根据速度投影分量的平滑估计值和关联假设对应的时刻tk-1的速度投影分量的测量值确定该关联假设对应的度量值,其具体实施方式为:根据速度投影分量的平滑估计值和关联假设对应的时刻tk-1的速度投影分量测量值,确定关联假设是否为有效的关联假设。对于有效的关联假设,确定该关联假设对应的度量值。
作为一种可选的实现方式,如果关联假设对应的速度投影分量的平滑估计值和关联假设对应的时刻tk的速度投影分量测量值之间的距离值小于或等于预设阈值,则该关联假设为有效关联假设。
例如,有效的关联假设可以为满足以下不等式(41)的关联假设:
其中,为马氏距离,dM,Threshold为预设阈值,是一个非负数门限值,例如,dM,Threshold=1.5或3或16等。/>和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该马氏距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,有效的关联假设可以为满足以下不等式(42)的关联假设:
其中,为欧氏距离,dE,Threshold为预设阈值,是一个非负数门限值,例如,
dE,Threshold=1.5或2或3等。和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该欧式距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,还可根据速度投影分量的平滑估计值和关联假设对应的时刻tk-1的速度投影分量的测量值确定似然函数值或对数似然函数值。如果似然函数值或对数似然函数值小于或等于预设值,则确定该关联假设有效。
作为一种可选的实现方式,对于有效的关联假设,可以将该似然函数值或对数似然函数值确定为该关联假设对应的度量值。也可以利用其它距离作为关联假设对应的度量值。
(四)速度投影分量的估计值为横向速度的滤波估计值、纵向速度的滤波估计值或速度矢量在特定方向的投影分量的滤波估计值。
可以根据关联假设对应的速度滤波估计值得到速度投影分量的滤波估计值/>作为一种实现方式,可以根据速度投影分量与状态矢量关系,从速度滤波估计值得到速度投影分量的滤波估计值。
例如,所述速度投影分量可以是纵向速度,纵向速度的滤波估计值为
/>
再如,所述速度投影分量可以是横向速度,横向速度的滤波估计值为
再如,所述速度投影分量可以是速度矢量在特定方向的投影分量,所述特定方向的速度投影分量的滤波估计值为
其中,为速度滤波估计值,θ为所述特定方向与速度矢量的夹角。
根据上述速度投影分量的滤波估计值和关联假设对应的时刻tk的速度投影分量的测量值/>可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或者距离值。所述距离值可以为马氏距离或者为欧氏距离。
作为一种可选的实施方式,所述度量值可以为似然函数值或对数似然函数值,根据径向速度的平滑估计值以及径向速度测量值的概率密度函数,可以得到关联假设对应的似然函数值或对数似然函数值。该概率密度函数可以是高斯分布概率密度函数或者均匀分布密度函数或者指数分布密度函数或者泊松分布密度函数等。
例如,时刻tk的第i2个测量数据中的速度投影分量的测量值速度投影分量的测量值/>的概率密度函数为高斯分布概率密度函数,关联假设对应的似然函数可以为
其中,为传感器在时刻tk测得的第i2个测量数据中的速度投影分量的测量值,/>为根据在时刻tk-1的第i1个测量数据和时刻tk的第i2个测量数据确定的速度投影分量的滤波估计值,/>为高斯分布概率密度函数,其中均值为0,/>为/>与/>的差值的协方差。其中,
其中,为速度投影分量的测量值/>与速度投影分量的滤波估计值/>的差值,即
协方差可以根据不同的方法确定。例如,可以根据Kalman滤波(KF)或者扩展Kalman滤波(EKF)或者一阶或者多阶泰勒(Taylor)展开式或者粒子(Particle)滤波或者无损Kalman滤波(UKF)或者其它方法得到。例如,协方差矩阵/>为
其中,Pk|k为状态矢量的滤波估计值的协方差矩阵,为第i2个速度投影分量测量值的方差。H可以根据速度投影分量与状态矢量的关系得到。
例如,状态矢量在时刻tk的滤波估计值可以表示为
/>
其中,sn-4表示n-4维的矢量,包括位置和速度之外的状态变量,n≥4;当n=4时,状态矢量仅包含位置和速度矢量。
所述速度投影分量可以为纵向速度分量,H可以表示为
H=[0 0 1 0 0n-4] (48)
所述速度投影分量可以为横向速度分量,H可以表示为
H=[0 0 0 1 0n-4] (49)
所述速度投影分量可以为特定的方向的速度投影分量,H可以表示为
H=[0 0 cosθ sinθ 0n-4] (50)
其中,协方差矩阵Pk|k,如前所述。
作为一种可选的实施方式,关联假设对应的度量值可以为马氏距离,可以根据速度投影分量的滤波估计值和速度投影分量的测量值得到的该关联假设对应的马氏距离。例如关联假设对应的马氏距离可以为
其中,为马氏距离。/>和/>如前所述。
作为一种可选的实施方式,关联假设对应的度量值可以为欧氏距离,根据速度投影分量的滤波估计值和速度投影分量测量值可以得到关联假设对应的欧氏距离。例如,关联假设对应的欧氏距离可以为
其中,为欧氏距离。/>和/>如前所述。
作为一种可选的实施方式,根据速度投影分量的滤波估计值和关联假设对应的时刻tk的速度投影分量的测量值确定该关联假设对应的度量值,其具体实施方式为:根据速度投影分量的滤波估计值和关联假设对应的时刻tk的速度投影分量测量值,确定关联假设是否为有效的关联假设。对于有效的关联假设,确定关联假设对应的度量值。
作为一种可选的实现方式,如果关联假设对应的速度投影分量的滤波估计值和关联假设对应的时刻tk的速度投影分量测量值之间的距离值小于或等于预设阈值,则该关联假设为有效关联假设。
具体的,有效的关联假设可以为满足以下不等式(53)的关联假设:
其中,为马氏距离,dM,Threshold为预设阈值,是一个非负数门限值,例如,dM,Threshold=1.5或3或16等。/>和/>如前所述。
作为一种可选的实现方式,对于有效的关联假设,可以将该马氏距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,有效的关联假设可以为满足以下不等式(54)的关联假设:
其中,为欧氏距离,dE,Threshold为预设阈值,是一个非负数门限值,例如,dE,Threshold=1.5或2或3等。
作为一种可选的实现方式,对于有效的关联假设,可以将该欧式距离确定为该关联假设对应的度量值,也可以利用其它距离或者似然函数或对数似然函数或者其等价形式作为关联假设对应的度量值。
再如,还可根据速度投影分量的滤波估计值和关联假设对应的时刻tk的速度投影分量的测量值确定似然函数值或对数似然函数值。如果似然函数值或对数似然函数值小于或等于预设值,则确定该关联假设有效。
作为一种可选的实现方式,对于有效的关联假设,可以将该似然函数值或对数似然函数值确定为该关联假设对应的度量值。也可以利用其它距离作为关联假设对应的度量值。
(五)速度投影分量的估计值包括径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中的至少两个。
根据关联假设对应的速度估计值得到径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中的至少两个。根据所述至少两个估计值和对应的测量值得到关联假设的度量值。
如果关联假设对应的速度投影分量的估计值为A和B。其中,A为径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中的任意一个。B为径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中除A之外的任意一个。根据A确定第一度量值。根据B确定第二度量值。根据速度估计值确定度量值的方式可上述方式(一)~(四)中的描述,在此不赘述。如果第一度量值和第二度量值为似然函数值或对数似然函数值,关联假设对应的度量值为第一度量值和第二度量值的乘积。如果第一度量值和第二度量值为距离值,关联假设对应的度量值为第一度量值和第二度量值之和。
举例来说,以关联假设对应的速度投影分量的估计值包括径向速度的平滑估计值和径向速度的滤波估计值为例。确定关联假设对应的径向速度的平滑估计值和径向速度的滤波估计值之后,根据径向速度的平滑估计值、关联假设对应的在时刻tk-1得到的径向速度测量值、径向速度的滤波估计值和关联假设对应的在时刻tk得到的径向速度测量值确定关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或距离值。该距离值可以为马氏距离或者为欧氏距离。
例如,关联假设对应的度量值可以为似然函数值,关联假设对应的似然函数值可以为
/>
其中,为关联假设对应的似然函数值,/>和/>如前所述。
再如,关联假设对应的度量值可以为马氏距离,关联假设对应的马氏距离可以为
其中,为关联假设对应的马氏距离。/>和如前所述。
再如,关联假设对应的度量值可以为欧氏距离,关联假设对应的欧氏距离可以为
其中,为关联假设对应的欧氏距离。/>和如前所述。
可选的,可根据径向速度的平滑估计值、关联假设对应的在时刻tk-1得到的径向速度测量值、径向速度的滤波估计值和关联假设对应的在时刻tk得到的径向速度测量值确定距离值;该距离值可以为马氏距离或欧氏距离。如果该距离值小于或等于预设阈值,则该关联假设为有效的关联假设。对有效的关联假设,确定该关联假设对应的度量值。
例如,有效的关联假设可以为满足以下式(58)和式(59)不等式的关联假设:
其中,和/>如前所述。
或者,有效的关联假设可以为满足以下式(60)不等式的关联假设:
其中,i=1,2,3为非负数门限值,例如,/>或3或16等。
或者,有效的关联假设可以为满足以下式(61)和式(62)不等式的关联假设:
其中,和/>如前所述。
或者,有效的关联假设可以为满足以下式(63)不等式的关联假设:
其中,i=1,2,3为非负数门限值,例如,/>或2或3或16等。
如果关联假设对应的速度估计值为A、B和C。其中,A为径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中的任意一个。B为径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中除A之外的任意一个。C为径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中除A和B之外的任意一个。根据A确定第一度量值。根据B确定第二度量值。根据C确定第三度量值。根据速度估计值确定度量值的方式可上述方式(一)~(四)中的描述,在此不赘述。如果第一度量值、第二度量值和第三度量值为似然函数值或对数似然函数值,关联假设对应的度量值为第一度量值、第二度量值和第三度量值这三者的乘积。如果第一度量值、第二度量值和第三度量值为距离值,关联假设对应的度量值为第一度量值、第二度量值和第三度量值三者之和。具体原理与上述关联假设对应的速度估计值为A和B时确定关联假设对应的度量值的原理相同,在此不赘述。
关联假设对应的速度估计值为径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中的三个以上时同理,在此不赘述。
二、直角坐标的位置矢量为三维矢量。
以关联假设为关联假设(i1,i2)为例。可将时刻tk-1的第i1个球坐标位置测量数据转换为直角坐标位置分量并将在时刻tk的第i2个球坐标位置测量数据转换为直角坐标位置分量/>其中,/>和/>均为X轴的位置分量。/>和/>均为Y轴的位置分量。/>和/>均为Z轴的位置分量。
例如,雷达或者声纳或者超声波传感器测得的球坐标位置的位置测量数据包括目标相对于传感器的距离rm,目标相对于传感器的方位角θm,目标相对于传感器的俯仰角具体的,
其中,和/>分别为目标相对于传感器的距离的测量误差、目标相对于传感器的方位角的测量误差和目标相对于传感器的俯仰角的测量误差,r、θ和/>分别为目标相对于传感器的距离的真实值、目标相对于传感器的方位角的真实值和目标相对于传感器的俯仰角的真实值。
球坐标的位置测量数据到直角坐标的位置分量的转换可以为
其中,(xm,ym,zm)为直角坐标的位置分量。
或者,球坐标的位置测量数据到直角坐标的位置分量的转换也可以为
/>
其中,和/>分别为目标相对应传感器的方位角和俯仰角的测量误差的方差。
根据时刻tk-1的直角坐标位置分量以及时刻tk的直角坐标位置分量/>可以利用最小二乘法或者两点求差法得到关联假设对应的速度估计值。关联假设对应的速度估计值包括速度平滑估计值/>和/或速度滤波估计值/>此处所述速度平滑分量是指根据时刻tk-1和tk的测量数据得到的时刻tk-1的速度分量。所述速度滤波分量是指根据时刻tk-1和tk的测量数据得到的时刻tk的速度分量。即
根据关联假设对应的速度估计值,可以得到速度投影分量的估计值。速度投影分量的估计值包括平滑估计值和/或滤波估计值。速度投影分量可以为径向速度和/或横向速度和/或纵向速度等。根据速度投影分量的估计值和速度测量数据,可以确定关联假设对应的度量值。其中,速度测量数据为速度投影分量的测量值。或者,可不通过上述速度估计值来确定速度投影分量的估计值,可通过其他方式来确定速度投影分量的估计值。
或者,根据关联假设对应的速度估计值可得到速度函数的估计值。速度函数的估计值包括平滑估计值和/或滤波估计值。再根据速度函数的估计值和速度测量数据,确定关联假设对应的度量值。或者,直接根据关联假设对应的速度估计值和在X轴和Y轴的速度测量值确定关联假设对应的度量值。
以下对如何根据上述速度估计值确定速度投影分量的估计值,以及如何根据速度投影分量的估计值确定关联假设对应的度量值进行详细说明。
(一)速度投影分量的估计值为径向速度的平滑估计值。
根据速度平滑估计值得到径向速度的平滑估计值可以是根据径向速度的平滑估计值与状态矢量的平滑估计值的关系得到。例如,
其中,为状态矢量的平滑估计值。/>至少包括速度平滑估计值/> 还可包括根据时刻tk-1得到的位置测量数据确定的直角坐标的位置分量/>其中,/>
根据上述径向速度的平滑估计值和关联假设对应的时刻tk-1的径向速度测量值/>可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或距离值。该距离值可以为马氏距离或者为欧氏距离。根据径向速度的平滑估计值/>和关联假设对应的在时刻tk-1得到的径向速度测量值/>确定该关联假设对应的度量值的实现原理与直角坐标的位置分量二维时原理相同,在此不再赘述。
(二)速度投影分量的估计值为径向速度的滤波估计值。
可选的,根据速度滤波估计值得到关联假设对应的径向速度的滤波估计值/>可以是根据径向速度的滤波估计值与状态矢量的滤波估计值的关系得到。例如,
其中,为状态矢量的滤波估计值。/>至少包括速度滤波估计值/> 还可包括根据时刻tk得到的位置测量数据确定的直角坐标的位置分量 其中,/>
根据上述径向速度的滤波估计值和关联假设对应的时刻tk的径向速度测量值可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或距离值。该距离值可以为马氏距离或者为欧氏距离。根据径向速度的滤波估计值和关联假设对应的在时刻tk得到的径向速度测量值/>确定该关联假设对应的度量值的实现原理与直角坐标的位置分量为二维时原理相同,在此不再赘述。
(三)速度投影分量的估计值为横向速度的平滑估计值、纵向速度的平滑估计值或速度矢量在特定方向的投影分量的平滑估计值。
可以根据速度平滑估计值得到速度投影分量的平滑估计值/>作为一种实现方式,可以根据速度投影分量与状态矢量关系,从速度平滑估计值得到速度投影分量的平滑估计值。
例如,所述速度投影分量可以是纵向速度,纵向速度的平滑估计值为
再如,所述速度投影分量可以是横向速度,横向速度的平滑估计值为
再如,所述速度投影分量可以是速度矢量在特定方向的投影分量,所述特定方向的速度投影分量的平滑估计值为
其中,为速度平滑估计值,/>为所述特定方向与速度矢量的夹角。/>
根据速度投影分量的平滑估计值和关联假设对应的时刻tk-1的速度投影分量的测量值/>可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或距离值。该距离值可以为马氏距离或者为欧氏距离。根据速度投影分量的平滑估计值/>和关联假设对应的在时刻tk得到的速度投影分量的测量值/>确定该关联假设对应的度量值的实现原理与直角坐标的位置分量为二维时原理相同,在此不再赘述。
(四)速度投影分量的估计值为横向速度的滤波估计值、纵向速度的滤波估计值或速度矢量在特定方向的投影分量的滤波估计值。
可以根据关联假设对应的速度滤波估计值得到速度投影分量的滤波估计值/>作为一种实现方式,可以根据速度投影分量与状态矢量关系,从速度滤波估计值得到速度投影分量的滤波估计值。
例如,所述速度投影分量可以是纵向速度,纵向速度的滤波估计值为
再如,所述速度投影分量可以是横向速度,横向速度的滤波估计值为
再如,所述速度投影分量可以是速度矢量在特定方向的投影分量,所述特定方向的速度投影分量的滤波估计值为
其中,为速度滤波估计值,/>为所述特定方向与速度矢量的夹角。
根据速度投影分量的滤波估计值和关联假设对应的在时刻tk得到的速度投影分量的测量值/>可以确定该关联假设对应的度量值。其中,该度量值可以为似然函数值或对数似然函数值或距离值。该距离值可以为马氏距离或者为欧氏距离。根据速度投影分量的平滑估计值/>和关联假设对应的在时刻tk得到的速度投影分量的测量值/>确定该关联假设对应的度量值的实现原理与直角坐标的位置分量为二维时原理相同,在此不再赘述。
(五)速度投影分量的估计值包括径向速度的平滑估计值、径向速度的滤波估计值、横向速度的平滑估计值、横向速度的滤波估计值、速度矢量特定方向的投影分量的平滑估计值和速度矢量特定方向的投影分量的滤波估计值中的至少两个。
方式五的实现原理与上述直角坐标的位置分量二维时原理相同,在此不再赘述。
604、根据该多个测量数据的至少一个关联假设对应的度量值,确定该多个测量数据的关联关系。其中,该多个测量数据的至少一个关联假设中的每个关联假设对应多个测量数据中的两个测量数据。
作为一种可选的实施方式,基于上述关联假设的度量值,确定数据关联可以是基于该关联假设的度量值,根据测量数据的第一约束规则,确定数据关联。其中,第一约束规则可以为一个测量数据来自一个目标,一个目标产生一个或多个测量数据。可选的,第一约束规则具体可以为一个测量数据来自一个真实目标或虚假目标,该虚假目标可以是传感器产生的虚警或者杂波等。每个真实目标可以产生一个或多个测量数据,或者漏检(missingdetection)。基于第一约束规则,能够更加准确地确定出多个测量数据的关联关系。
以下以传感器在时刻tk-1和时刻tk分别得到n1和n2个测量数据,每个测量数据来自最多一个真实目标,每个真实目标在每个时刻最多产生一个测量数据,关联假设对应的度量值为似然函数值或似然函数的对数值或距离值为例,说明确定数据关联的过程。
数据关联装置获取传感器在时刻tk-1测量得到的n1个测量数据,以及包括传感器在时刻tk测量得到的n2个测量数据。该n1个测量数据的索引集合为M1={1,2,....,n1},该n2个测量数据的索引集合为M2={1,2,....,n2}。关联假设的集合为A,A包含所有可能的测量数据的关联,也就是A=M1×M2={(i1,i2)|i1∈M1,i2∈M2}。或者,A包括有效的关联假设(i1,i2),关于有效的关联假设可参见上述对应的描述,在此不赘述。A包括有效的关联假设(i1,i2)时,此时A为M1×M2的子集。
数据关联装置从集合A中选择似然函数值(或对数似然函数值)最大的(或距离值最小)的关联假设作为第一个真实的关联,即时刻tk-1的第/>个测量数据与时刻tk的第/>个测量数据相关联,此时认为二者来自同一个真实目标。从A删除所有的/>和(i1,/>即令/>从M1删除/>即令从M2删除/>即令/>
不失一般性,重复上述类似过程,可以从A中选择似然函数值(或者对数似然函数值)最大(或者距离值最小)的关联作为第l个真实的关联,即时刻tk-1的第/>个测量数据与时刻tk的第/>个测量数据相关联,此时认为二者来自一个真实目标;令从M1删除/>即令/>从M2删除/>即令/>其中,l≤min{n1,n2}。重复上述过程直到A或者M1或者M2为空集。
上述过程得到的关联为真实的数据关联。如果最终M1或者M2非空集,则确定其中剩余的测量数据为虚警或者杂波或者新目标。
作为一种可选的实施方式,根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实施方式为:根据多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设;根据最大似然关联假设确定多个测量数据的关联关系。
例如,用表示时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据相关联,即二者来自一个真实目标;用/>表示时刻tk-1的第i1个测量数据不与时刻tk的第i2个测量数据相关联,即二者并不来自一个真实目标。用/>表示时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据的关联假设的对数似然函数值,则最大似然关联假设可以通过求解以下式(76),利用最大权匹配问题得到。/>
其中,为最大匹配问题的目标函数,式(77)和(78)分别为测量数据来自最多一个目标或者真实目标最多产生一个测量数据的约束条件。使得关联假设的似然函数最大与使得上述函数f2(X)最大等价。
上述最大加权匹配问题可以基于匈牙利(Hungarian)算法或者最短增广路算法得到其最优解X*,其中,X*的元素如果非零,则时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据相关联,即二者来自同一个真实目标。匈牙利(Hungarian)算法或者最短增广路算法为现有技术,或者可以从现有技术得到,此处不进一步赘述。
作为一种可选的实施方式,根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实施方式为:根据多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或者全局最近邻关联假设;根据最大似然关联假设或者全局最近邻关联假设确定多个测量数据的关联关系。
例如,用表示时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据的关联假设的对数似然函数值或者距离值。最大似然关联假设或者全局最近邻关联假设可以通过求解以下利用广义分配问题得到
其中,为广义分配问题的目标函数,式(80)和(81)分别为测量数据来自最多一个目标或者真实目标最多产生一个测量数据的约束条件。最大似然关联假设或者全局最近邻关联假设与使得上述函数g2(X)最小等价。
上述广义分配问题,可以基于匈牙利(Hungarian)算法或者最短增广路算法得到其最优解X*,其中,X*的元素如果非零,则时刻tk-1的第i1个测量数据与时刻tk的第i2个测量数据相关联,即二者来自同一个真实目标。匈牙利(Hungarian)算法或者最短增广路算法为现有技术,或者可以从现有技术得到,此处不进一步赘述。
作为一种可选的实施方式,以关联假设的度量值为似然函数值(或者其等价形式如对数似然函数值)或者距离值为例,可以确定m个最佳的数据关联,其中,m为正整数。
具体地,可以通过上述最大权匹配或者广义分配问题的最优解得到第一个最佳的数据关联,根据其最优解将上述问题划分为多个子问题并得到其最优解,将上述问题的最优解按目标函数值排序,得到第二个最佳解,并按第二个最佳解将对应的问题划分为个子问题并得到其最优解,并将得到的上述问题的最优解按目标函数值排序。依次类推,直到得到m个最佳解。上述m个最佳解将对应m个最佳的数据关联。基于最大权匹配或者广义分配问题的最优解划分并得到多个子问题的最佳解,可以利用现有的数学规划或者优化算法得到,此处不进一步赘述。
可见,通过实施图6所描述的方法,可通过传感器自身测量的两帧测量数据来确定至少一个关联假设对应的度量值,进而根据该至少一个关联假设对应的度量值确定该两帧测量数据中的关联关系。避免了利用误差过大的先验速度值来确定两帧测量数据中的关联关系。提升了确定该两帧测量数据中的关联关系的准确性。
请参见图7,图7是本申请实施例提供的一种数据关联方法的流程示意图。该方法的执行主体可以是传感器系统或者融合感知系统或者集成上述系统的规划/控制系统,如辅助驾驶或者自动驾驶系统等。或者,该方法的执行主体也可以是软件或者硬件(如数据关联装置)。不同的执行步骤可以集中式也可以分布式实现。该方法的执行主体还可以为芯片系统,该芯片系统包含至少一个处理器,以及通信接口或者存储器。其中,该存储器用于存储程序或指令,该通信接口用于为处理器提供信息或数据的输入输出功能。如图7所示,该数据关联方法包括如下步骤701~步骤704。下面以步骤701~步骤704的执行主语为为例进行说明。其中:
701、获取多个测量数据。
其中,该多个测量数据包括三个时刻的测量数据。
702、根据该多个测量数据中的三个测量数据包含的位置测量数据,确定该三个测量数据的关联假设对应的速度估计值。
703、根据关联假设对应的速度估计值和该三个测量数据中的速度测量数据,确定关联假设对应的度量值。
其中,可从获取的多个测量数据中确定一个或多个关联假设。每个关联假设对应三个测量数据。该三个测量数据来自三个时刻。也就是说,每一个关联假设对应的测量数据来自三个时刻。
其中,步骤701中的多个测量数据包括时刻tk-1的Nk-1个测量数据,时刻tk的Nk个测量数据,以及时刻tk+1的Nk+1个测量数据。具体地,时刻tk-1的Nk-1个测量数据的索引集合可以为M1={1,2,…,Nk-1},时刻tk的Nk个测量数据的索引集合可以为M2={1,2,…,Nk},时刻tk+1的Nk+1个测量数据的索引集合可以为M3={1,2,…,Nk+1}。关联假设的集合为A,A可以是所有可能的测量数据的关联假设的集合,也就是A=M1×M2×M3={(i1,i2,i3)|i1∈M1,i2∈M2,i3∈M3}。其中,i1为在时刻tk-1测得的测量数据的索引或标号,i2为在时刻tk测得的测量数据的索引或标号,i3为在时刻tk+1测得的测量数据的索引或标号。会确定关联假设的集合A中所有或部分关联假设对应的速度估计值。再根据确定的速度估计值确定该所有或部分关联假设对应的度量值,从集合A中确定关联的测量数据。
可选的,关联假设对应的三个测量数据中包含的位置测量数据,可以为极坐标或者球坐标或者直角坐标位置测量数据。可选的,极坐标或者球坐标位置测量数据可以转换为直角坐标的位置测量数据;根据直角坐标的位置测量数据可以确定该关联假设对应的速度估计值。其中,直角坐标的位置和直角坐标的速度可以是二维或三维或三维以上的矢量。
一、直角坐标的位置分量为二维分量。
以关联假设为关联假设(i1,i2,i3)为例。可将在时刻tk-1测得的第i1个极坐标的位置测量数据转换为直角坐标的位置分量并将在时刻tk测得的第i2个极坐标的位置测量数据转换为直角坐标的位置分量/>并将在时刻tk+1测得的第i3个极坐标的位置测量数据转换为直角坐标的位置分量/>其中,和/>均为X轴的位置分量。/>和/>均为Y轴的位置分量。
如何将极坐标的位置测量数据转换为二维的直角坐标的位置分量的实现原理可参见图5所对应的实施例中将极坐标的位置测量数据转换为二维的直角坐标的位置分量的实现原理,在此不赘述。
根据时刻tk-1的直角坐标位置分量时刻tk的直角坐标位置分量 和时刻tk+1的直角坐标位置分量/>可以利用最小二乘法或者两点求差法得到关联假设对应的速度估计值。关联假设对应的速度估计值包括速度平滑估计值/>或速度平滑估计值/>和/或速度滤波估计值/>和/或速度预测估计值/>此处所述速度平滑估计值是指根据时刻tk-1和tk的测量数据得到的时刻tk-1的速度估计值;此处所述速度滤波估计值是指根据时刻tk-1和tk的测量数据得到时刻tk的速度估计值。此处所述速度预测估计值是指根据时刻tk-1和tk的测量数据得到时刻tk+1的速度估计值。例如,
其中,和/>为X轴的速度分量,/> 和/>为Y轴的速度分量。T=tk-tk-1为两帧之间时间间隔。
根据关联假设对应的速度估计值,可以得到速度投影分量的估计值。速度投影分量的估计值包括平滑估计值和/或滤波估计值和/预测估计值。速度投影分量可以为径向速度和/或横向速度和/或纵向速度等。再根据速度投影分量的估计值和速度测量数据,确定关联假设对应的度量值。其中,速度测量数据为速度投影分量的测量值。或者,可不通过上述速度估计值来确定速度投影分量的估计值,可通过其他方式来确定速度投影分量的估计值。
确定速度投影分量的预测估计值的原理与确定速度投影分量的平滑估计值和滤波估计值的原理相同,在此不赘述。根据速度投影分量的估计值和速度测量数据,确定关联假设对应的度量值可参加上图6对应的实施例的描述,在此不赘述。
二、直角坐标的位置分量为三维分量。
以关联假设为关联假设(i1,i2,i3)为例。可将在时刻tk-1的第i1个球坐标位置测量数据转换为直角坐标位置分量并将在时刻tk的第i2个球坐标位置测量数据转换为直角坐标位置分量/>并将时刻tk+1的第i3个球坐标位置测量数据转换为直角坐标位置分量/>其中,/>和均为X轴的位置分量。/>和/>均为Y轴的位置分量,/>和均为Z轴的位置分量。
如何将球坐标的位置测量数据转换为三维的直角坐标的位置分量的实现原理可参见图6所对应的实施例中将球坐标的位置测量数据转换为三维的直角坐标的位置分量的实现原理,在此不赘述。
根据时刻tk-1的直角坐标位置分量时刻tk的直角坐标位置分量/>和时刻tk+1直角坐标位置分量/>可以根据最小二乘法或者两点求差法得到关联假设对应的速度估计值。关联假设对应的速度估计值包括速度平滑估计值/>或速度平滑估计值/> 和/或速度滤波估计值/>和/或速度预测估计值/>此处所述速度平滑估计值是指根据时刻tk-1和tk的测量数据得到的时刻tk-1的速度估计值,所述速度滤波估计值是指根据时刻tk-1和tk的测量数据得到的时刻tk的速度估计值,所述速度预测估计值是指根据时刻tk-1和tk的测量数据得到的时刻tk+1的速度估计值。例如,
其中,T=tk-tk-1为两帧之间时间间隔。
根据关联假设对应的速度估计值,可以得到速度投影分量的估计值。速度投影分量的估计值包括平滑估计值和/或滤波估计值和/预测估计值。速度投影分量可以为径向速度和/或横向速度和/或纵向速度等。根据速度投影分量的估计值和速度测量数据,可以确定关联假设对应的度量值。其中,速度测量数据为速度投影分量的测量值。或者,可不通过上述速度估计值来确定速度投影分量的估计值,可通过其他方式来确定速度投影分量的估计值。
确定速度投影分量的预测估计值的原理与确定速度投影分量的平滑估计值和滤波估计值的原理相同,在此不赘述。根据速度投影分量的估计值和速度测量数据,确定关联假设对应的度量值可参加上图6对应的实施例的描述,在此不赘述。
704、根据该多个测量数据的至少一个关联假设对应的度量值,确定该多个测量数据的关联关系。其中,该多个测量数据的至少一个关联假设中的每个关联假设对应多个测量数据中的三个测量数据。
作为一种可选的实施方式,基于上述关联假设的度量值,确定数据关联可以是基于该关联假设的度量值,根据测量数据的第一约束规则,确定数据关联。其中,第一约束规则可以为一个测量数据来自一个目标,一个目标产生一个或多个测量数据。可选的,第一约束规则具体可以为一个测量数据来自一个真实目标或虚假目标,该虚假目标可以是传感器产生的虚警或者杂波等。每个真实目标可以产生一个或多个测量数据,或者漏检。基于第一约束规则,能够更加准确地确定出多个测量数据的关联关系。
以下以时刻tk-1、时刻tk和时刻tk+1的n1、n2和n3个测量数据,每个测量数据来自最多一个真实目标,每个真实目标在每个时刻最多产生一个测量数据,关联假设对应的度量值为似然函数值或对数似然函数值或距离值为例,说明确定数据关联的过程。
获取时刻tk-1的n1个测量数据,以及包括时刻tk的n2个测量数据,以及包括时刻tk+1的n3个测量数据。该n1个测量数据的索引集合为M1={0,1,2,....,n1},该n2个测量数据的索引集合为M2={0,1,2,....,n2},该n3个测量数据的索引集合为M3={0,1,2,....,n3}。其中,索引0表示一个虚拟的测量数据,也就是目标漏检因而无测量数据的情况。关联假设的集合为A,A包含所有可能的测量数据的关联,也就是A=M1×M2×M3={(i1,i2,i3)|i1∈M1,i2∈M2,i3∈M3}。或者,A包括有效的关联假设(i1,i2,i3)。A包括有效的关联假设(i1,i2,i3)时,此时A为M1×M2×M3的子集。可选的,A中的关联假设(i1,i2,i3)的三个索引i1,i2,i3中至少有两个索引值非零,也就是不存在全0或者两个均为0的情况。
从集合A中选择似然函数值(或对数似然函数值)最大的(或距离值最小)的关联假设 作为第一个真实的关联,即时刻tk-1的第/>个测量数据、时刻tk的第/>个测量数据以及时刻tk+1的第/>个测量数据相关联,此时认为三者来自同一个真实目标。如果则从A删除所有的/>如果/>则从A删除所有的/>如果则从A删除所有的/>即令
从M1删除/>即令/>从M2删除/>即令从M3删除/>即令/>
不失一般性,重复上述类似过程,可以从A中选择似然函数值(或者对数似然函数值)最大(或者距离值最小)的关联作为第l个真实的关联,即时刻tk-1的第个测量数据、时刻tk的第/>个测量数据,以及时刻tk+1的第/>个测量数据相关联,此时认为三者来自一个真实目标。即令/>
从M1删除/>即令/>从M2删除/>即令从M3删除/>即令/>其中,l≤min{n1,n2,n3}。重复上述过程直到A或者M1或者M2或者M3为空集。
如果最终M1或者M2或者M3中具有非0索引的测量数据,则确定其中非0索引的测量数据为虚警或者杂波或者新目标。
作为一种可选的实施方式,根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实施方式为:根据多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设;根据最大似然关联假设确定多个测量数据的关联关系。该最大似然关联假设为与多个测量测量数据对应的似然函数值最大的关联假设。其中,度量值为似然函数值或者对数似然函数值或者等价形式。
例如,关联假设的度量值为似然函数值为例。用表示时刻tk-1的第i1个测量数据、时刻tk的第i2个测量数据与时刻tk+1的第i3个测量数据相关联,即三者来自一个真实目标;用/>表示这三个测量数据不相关联,即三者并不来自一个真实目标。用表示时刻tk-1的第i1个测量数据、时刻tk的第i2个测量数据和时刻tk+1的第i3个测量数据的关联假设的对数似然函数值,则最大似然关联假设可以通过求解以下式(84),利用最大权匹配问题得到。
其中,为最大匹配问题的目标函数,式(85)、(86)和(87)分别为测量数据来自最多一个目标或者真实目标最多产生一个测量数据的约束条件。使得关联假设的似然函数最大与使得上述函数f3(X)最大等价。
上述最大加权匹配问题,可以基于分支定界算法或者松弛算法得到其最优解X*,其中,X*的元素如果非零,则时刻tk-1的第i1个测量数据、时刻tk的第i2个测量数据和时刻tk+1的第i3个测量数据相关联,即三者来自同一个真实目标(如果有一个测量数据的索引为0,则表示对应时刻无数据)。分支定界算法或者松弛算法为现有技术,或者可以从现有技术得到,此处不进一步赘述。
作为一种可选的实施方式,根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系的具体实施方式为:根据多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或者全局最近邻关联假设;根据最大似然关联假设或者全局最近邻关联假设确定多个测量数据的关联关系。该全局最近邻关联假设为与多个测量数据对应的全局距离最小的关联假设。其中全局距离可以根据马氏距离或者欧氏距离等定义,此处不做限定。
例如,用表示时刻tk-1的第i1个测量数据、时刻tk的第i2个测量数据和时刻tk+1的第i3个测量数据的关联假设的负对数似然函数值或者距离值。最大似然关联假设或者全局最近邻关联假设可以通过求解以下式(88),利用广义分配问题得到
其中,为最大匹配问题的目标函数,式(89)、(90)和(91)分别为测量数据来自最多一个目标或者真实目标最多产生一个测量数据的约束条件。最大似然关联假设或者全局最近邻关联假设与使得上述函数g3(X)最小等价。
上述广义分配问题,可以基于匈牙利(Hungarian)算法或者最短增广路(ShortestAugmentationPath)算法得到其最优解X*,其中,X*的元素如果非零,则时刻tk-1的第i1个测量数据、时刻tk的第i2个测量数据和时刻tk+1的第i3个测量数据相关联,即三者来自同一个真实目标(如果有一个测量数据的索引为0,则表示对应时刻无数据)。匈牙利(Hungarian)算法或者最短增广路算法为现有技术,或者可以从现有技术得到,此处不进一步赘述。
作为一种可选的实施方式,以关联假设的度量值为似然函数值(或者其等价形式如对数似然函数值)或者距离值为例,可以通过确定m个最佳的数据关联,其中,m为正整数。
具体地,可以通过上述最大权匹配或者广义分配问题的最优解得到第一个最佳的数据关联,根据其最优解将上述问题划分为多个子问题并得到其最优解,将上述问题的最优解按目标函数值排序,得到第二个最佳解,并按第二个最佳解将对应的问题划分为个子问题并得到其最优解,并将得到的上述问题的最优解按目标函数值排序。依次类推,直到得到m个最佳解。上述m个最佳解将对应m个最佳的数据关联。基于最大权匹配或者广义分配问题的最优解划分并得到多个子问题的最佳解,可以利用现有的数学规划或者优化算法得到,此处不进一步赘述。
可见,通过实施图7所描述的方法,可通过传感器自身测量的三帧测量数据来确定至少一个关联假设对应的度量值,进而根据该至少一个关联假设对应的度量值确定该三帧测量数据中的关联关系。避免了利用误差过大的先验速度值来确定三帧测量数据中的关联关系。提升了确定该三帧测量数据中的关联关系的准确性。
本发明实施例可以根据上述方法示例对装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本发明实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
请参见图8,图8示出了本申请实施例的一种数据关联装置的结构示意图。图8所示的数据关联装置可以用于执行上述图3或图7所描述的方法实施例中数据关联装置的部分或全部功能。图8所示的数据关联装置可以包括获取单元801和确定单元802。其中:
获取单元801,用于获取多个测量数据,多个测量数据中的每个测量数据包含位置测量数据以及速度测量数据;确定单元802,用于根据多个测量数据中的至少两个测量数据包含的位置测量数据,确定至少两个测量数据的关联假设对应的速度估计值;确定单元802,还用于根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值;确定单元802,还用于根据多个测量数据的至少一个关联假设对应的度量值,确定多个测量数据的关联关系;其中,多个测量数据的至少一个关联假设中的每个关联假设对应多个测量数据中的至少两个测量数据。
作为一种可选的实施方式,至少两个测量数据来自至少两个时刻;或者,至少两个测量数据来自至少两个传感器。
作为一种可选的实施方式,速度估计值包括速度平滑估计值、速度滤波估计值和速度预测估计值中的一种或多种。
作为一种可选的实施方式,确定单元802根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值的具体实现方式为:根据关联假设对应的速度投影分量的估计值和至少两个测量数据中的速度测量数据,确定关联假设对应的度量值;其中,速度投影分量的估计值包括径向速度的估计值和/或横向速度的估计值和/或纵向速度的估计值,径向速度的估计值根据速度估计值得到,横向速度的估计值根据速度估计值得到,纵向速度的估计值根据速度估计值得到。
作为一种可选的实施方式,确定单元802具体用于根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据,确定关联假设是否为有效的关联假设;对于有效的关联假设,确定关联假设对应的度量值。
作为一种可选的实施方式,关联假设有效是指根据关联假设对应的速度估计值和至少两个测量数据中的速度测量数据确定的距离值小于或等于预设阈值。
作为一种可选的实施方式,关联假设对应的度量值是根据速度测量数据和速度估计值得到的似然函数值或者对数似然函数值或者距离值。
作为一种可选的实施方式,确定单元802具体用于:根据多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或全局最近邻关联假设;根据最大似然关联假设或全局最近邻关联假设确定多个测量数据的关联关系。
作为一种可选的实施方式,确定单元802具体用于:根据多个测量数据的至少一个关联假设对应的度量值,基于第一约束规则,确定多个测量数据的关联关系,其中,第一约束规则为一个测量数据来自一个目标,一个目标产生一个或多个测量数据。
基于同一发明构思,本申请实施例中提供的数据关联装置解决问题的原理与本申请方法实施例的原理相似,因此数据关联装置解决问题的原理可以参见方法实施例,为简洁描述,在这里不再赘述。
请参见图9,图9是本申请实施例公开的一种数据关联装置的结构示意图。如图9所示,该数据关联装置包括处理器901和存储器902。其中,处理器901和存储器902相连。
其中,处理器901可以是中央处理器(central processing unit,CPU),通用处理器,协处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(fieldprogrammable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。该处理器901也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。
其中,处理器901调用存储器902中存储的程序代码,可执行上述方法实施例中的步骤。存储器902还用于存储执行上述方法过程中的缓存数据。存储器902与处理器901相互耦合,可选的,还可以集成在一起。上述获取单元和确定单元可通过处理器901实现。
基于同一发明构思,本申请实施例中提供的数据关联装置解决问题的原理与本申请方法实施例的原理相似,因此数据关联装置解决问题的原理可以参见方法实施例,为简洁描述,在这里不再赘述。
本申请实施例还提供了一种芯片系统,该芯片系统包括处理器,用于支持数据关联装置以实现上述实施例中所涉及的功能,例如生成或处理上述方法中所涉及的数据和/或信息。可选的,所述芯片系统还包括接口电路,所述处理器通过所述接口电路获取信息或者输出信息。这里需要说明的是,所述芯片系统可以为集成电路。进一步,所述集成电路上包含至少一个晶体管和/或至少一个逻辑门。
进一步可选的,所述芯片系统还可以包括存储器,该存储器,用于保存必要的程序指令和数据。所述处理器可以调用并执行所述程序指令,以实现本申请所提供的方法。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
本发明实施例还提供了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指令,当其在处理器上运行时,上述方法实施例的方法流程得以实现。
本发明实施例还提供了一种计算机程序产品,当所述计算机程序产品在处理器上运行时,上述方法实施例的方法流程得以实现。
本发明实施例还提供了一种系统,该系统包括至少一个传感器和数据关联装置,该数据关联装置用于实现上述图5~图7所描述的方法流程。
本发明实施例还提供了一种传感器平台,该传感器平台包括至少一个传感器和数据关联装置,该数据关联装置用于实现上述图5~图7所描述的方法流程。该传感器平台可以为可移动的设备。例如,传感器平台可以为车载平台,如汽车、摩托车或者自行车等。或者,传感器平台可以为舰载平台,如船只、轮船、汽艇等。或者,传感器平台可以为车载平台可以是机载平台,如无人机、直升机或者喷气式飞机、气球等。或者,传感器平台可以为星载平台,如卫星等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
当使用软件实现本申请所提供的装置时,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,全部或部分地实现本申请实施例所述的流程或功能。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(digital subscriber line,DSL))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 state disk,SSD))等。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (19)
1.一种数据关联方法,其特征在于,所述方法包括:
获取多个测量数据,所述多个测量数据中的每个测量数据包含位置测量数据以及速度测量数据;
根据所述多个测量数据中的至少两个测量数据包含的位置测量数据,确定所述至少两个测量数据的关联假设对应的速度估计值;
根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设对应的度量值,所述关联假设对应的度量值为似然函数值或者对数似然函数值或者距离值;
根据所述多个测量数据的至少一个关联假设对应的度量值,确定所述多个测量数据的关联关系;
其中,所述多个测量数据的至少一个关联假设中的每个关联假设对应所述多个测量数据中的至少两个测量数据。
2.根据权利要求1所述的方法,其特征在于,所述至少两个测量数据来自至少两个时刻;或者,所述至少两个测量数据来自至少两个传感器。
3.根据权利要求1或2所述的方法,其特征在于,所述速度估计值包括速度平滑估计值、速度滤波估计值和速度预测估计值中的一种或多种。
4.根据权利要求3所述的方法,其特征在于,所述根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设对应的度量值,包括:
根据所述关联假设对应的速度投影分量的估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设对应的度量值;其中,所述速度投影分量的估计值包括径向速度的估计值和/或横向速度的估计值和/或纵向速度的估计值,所述径向速度的估计值根据所述速度估计值得到,所述横向速度的估计值根据所述速度估计值得到,所述纵向速度的估计值根据所述速度估计值得到。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设对应的度量值,包括:
根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设是否为有效的关联假设;
对于有效的关联假设,确定所述关联假设对应的度量值。
6.根据权利要求5所述的方法,其特征在于,所述关联假设有效是指根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据确定的距离值小于或等于预设阈值。
7.根据权利要求1或2所述的方法,其特征在于,所述根据所述多个测量数据的至少一个关联假设对应的度量值,确定所述多个测量数据的关联关系,包括:
根据所述多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或全局最近邻关联假设;
根据所述最大似然关联假设或所述全局最近邻关联假设确定所述多个测量数据的关联关系。
8.根据权利要求1或2所述的方法,其特征在于,所述根据所述多个测量数据的至少一个关联假设对应的度量值,确定所述多个测量数据的关联关系,包括:
根据所述多个测量数据的至少一个关联假设对应的度量值,基于第一约束规则,确定所述多个测量数据的关联关系,其中,所述第一约束规则为一个测量数据来自一个目标,所述一个目标产生一个或多个测量数据。
9.一种数据关联装置,其特征在于,所述数据关联装置包括:
获取单元,用于获取多个测量数据,所述多个测量数据中的每个测量数据包含位置测量数据以及速度测量数据;
确定单元,用于根据所述多个测量数据中的至少两个测量数据包含的位置测量数据,确定所述至少两个测量数据的关联假设对应的速度估计值;
所述确定单元,还用于根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设对应的度量值,所述关联假设对应的度量值为似然函数值或者对数似然函数值或者距离值;
所述确定单元,还用于根据所述多个测量数据的至少一个关联假设对应的度量值,确定所述多个测量数据的关联关系;
其中,所述多个测量数据的至少一个关联假设中的每个关联假设对应所述多个测量数据中的至少两个测量数据。
10.根据权利要求9所述的装置,其特征在于,所述至少两个测量数据来自至少两个时刻;或者,所述至少两个测量数据来自至少两个传感器。
11.根据权利要求9或10所述的装置,其特征在于,所述速度估计值包括速度平滑估计值、速度滤波估计值和速度预测估计值中的一种或多种。
12.根据权利要求11所述的装置,其特征在于,所述确定单元具体用于根据所述关联假设对应的速度投影分量的估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设对应的度量值;其中,所述速度投影分量的估计值包括径向速度的估计值和/或横向速度的估计值和/或纵向速度的估计值,所述径向速度的估计值根据所述速度估计值得到,所述横向速度的估计值根据所述速度估计值得到,所述纵向速度的估计值根据所述速度估计值得到。
13.根据权利要求9或10所述的装置,其特征在于,所述确定单元具体用于根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据,确定所述关联假设是否为有效的关联假设;以及
对于有效的关联假设,确定所述关联假设对应的度量值。
14.根据权利要求13所述的装置,其特征在于,所述关联假设有效是指根据所述关联假设对应的速度估计值和所述至少两个测量数据中的速度测量数据确定的距离值小于或等于预设阈值。
15.根据权利要求9或10所述的装置,其特征在于,所述确定单元具体用于根据所述多个测量数据的至少一个关联假设对应的度量值确定最大似然关联假设或全局最近邻关联假设;以及
根据所述最大似然关联假设或所述全局最近邻关联假设确定所述多个测量数据的关联关系。
16.根据权利要求9或10所述的装置,其特征在于,所述确定单元具体用于根据所述多个测量数据的至少一个关联假设对应的度量值,基于第一约束规则,确定所述多个测量数据的关联关系,其中,所述第一约束规则为一个测量数据来自一个目标,所述一个目标产生一个或多个测量数据。
17.一种数据关联装置,其特征在于,所述装置包括处理器和存储器;
所述存储器用于存储计算机执行指令;
所述处理器用于执行所述存储器所存储的计算机执行指令,以使所述数据关联装置执行如权利要求1~8任一项所述的方法。
18.一种计算机存储介质,其特征在于,所述计算机存储介质中存储程序或指令,所述程序或所述指令在被一个或多个处理器读取并执行时可实现权利要求1~8任一项所述的方法。
19.一种系统,其特征在于,所述系统包括传感器和数据关联装置,所述数据关联装置用于实现如所述权利要求1~8中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019381.7A CN112799079B (zh) | 2019-10-24 | 2019-10-24 | 一种数据关联方法及装置 |
PCT/CN2020/123398 WO2021078283A1 (zh) | 2019-10-24 | 2020-10-23 | 一种数据关联方法及装置 |
EP20879856.1A EP4040194A4 (en) | 2019-10-24 | 2020-10-23 | DATA ASSOCIATION METHOD AND DEVICE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019381.7A CN112799079B (zh) | 2019-10-24 | 2019-10-24 | 一种数据关联方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112799079A CN112799079A (zh) | 2021-05-14 |
CN112799079B true CN112799079B (zh) | 2024-03-26 |
Family
ID=75620407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911019381.7A Active CN112799079B (zh) | 2019-10-24 | 2019-10-24 | 一种数据关联方法及装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4040194A4 (zh) |
CN (1) | CN112799079B (zh) |
WO (1) | WO2021078283A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011145096A (ja) * | 2010-01-12 | 2011-07-28 | Mitsubishi Electric Corp | 多目標追尾装置 |
CN102749626A (zh) * | 2012-07-17 | 2012-10-24 | 奇瑞汽车股份有限公司 | 雷达传感器、汽车以及目标方位识别方法 |
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN103575279A (zh) * | 2013-11-04 | 2014-02-12 | 成都金本华科技股份有限公司 | 基于模糊信息的航迹关联方法及系统 |
CN108828527A (zh) * | 2018-06-19 | 2018-11-16 | 驭势(上海)汽车科技有限公司 | 一种多传感器数据融合方法、装置、车载设备及存储介质 |
CN108957413A (zh) * | 2018-07-20 | 2018-12-07 | 重庆长安汽车股份有限公司 | 传感器目标定位准确度测试方法 |
CN109270523A (zh) * | 2018-09-21 | 2019-01-25 | 宝沃汽车(中国)有限公司 | 多传感器数据融合方法和装置,车辆 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6710743B2 (en) * | 2001-05-04 | 2004-03-23 | Lockheed Martin Corporation | System and method for central association and tracking in passive coherent location applications |
JP4856612B2 (ja) * | 2007-10-29 | 2012-01-18 | 富士重工業株式会社 | 物体検出装置 |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN103473757B (zh) * | 2012-06-08 | 2016-05-25 | 株式会社理光 | 在视差图中的对象跟踪方法和系统 |
CN103293531B (zh) * | 2013-05-23 | 2016-01-06 | 奇瑞汽车股份有限公司 | 一种激光雷达 |
CN103885029A (zh) * | 2014-04-21 | 2014-06-25 | 苏州果壳传感科技有限公司 | 基于无线传感器网络的一种多目标无源追踪方法 |
KR20160081506A (ko) * | 2014-12-31 | 2016-07-08 | 현대모비스 주식회사 | 차량의 후측방 레이더의 얼라인먼트 보정 시스템 및 그 제어방법 |
US9739881B1 (en) * | 2016-03-24 | 2017-08-22 | RFNAV, Inc. | Low cost 3D radar imaging and 3D association method from low count linear arrays for all weather autonomous vehicle navigation |
-
2019
- 2019-10-24 CN CN201911019381.7A patent/CN112799079B/zh active Active
-
2020
- 2020-10-23 EP EP20879856.1A patent/EP4040194A4/en active Pending
- 2020-10-23 WO PCT/CN2020/123398 patent/WO2021078283A1/zh unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011145096A (ja) * | 2010-01-12 | 2011-07-28 | Mitsubishi Electric Corp | 多目標追尾装置 |
CN102749626A (zh) * | 2012-07-17 | 2012-10-24 | 奇瑞汽车股份有限公司 | 雷达传感器、汽车以及目标方位识别方法 |
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN103575279A (zh) * | 2013-11-04 | 2014-02-12 | 成都金本华科技股份有限公司 | 基于模糊信息的航迹关联方法及系统 |
CN108828527A (zh) * | 2018-06-19 | 2018-11-16 | 驭势(上海)汽车科技有限公司 | 一种多传感器数据融合方法、装置、车载设备及存储介质 |
CN108957413A (zh) * | 2018-07-20 | 2018-12-07 | 重庆长安汽车股份有限公司 | 传感器目标定位准确度测试方法 |
CN109270523A (zh) * | 2018-09-21 | 2019-01-25 | 宝沃汽车(中国)有限公司 | 多传感器数据融合方法和装置,车辆 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4040194A4 (en) | 2022-12-07 |
EP4040194A1 (en) | 2022-08-10 |
CN112799079A (zh) | 2021-05-14 |
WO2021078283A1 (zh) | 2021-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860589B (zh) | 一种多传感器多目标协同探测信息融合方法、系统 | |
US11422253B2 (en) | Method and system for positioning using tightly coupled radar, motion sensors and map information | |
US11506512B2 (en) | Method and system using tightly coupled radar positioning to improve map performance | |
CN1940591A (zh) | 使用传感器融合进行目标跟踪的系统和方法 | |
US20220107184A1 (en) | Method and system for positioning using optical sensor and motion sensors | |
CN110889808A (zh) | 一种定位的方法、装置、设备及存储介质 | |
US20220049961A1 (en) | Method and system for radar-based odometry | |
CN112313536B (zh) | 物体状态获取方法、可移动平台及存储介质 | |
CN112799079B (zh) | 一种数据关联方法及装置 | |
CN114442133A (zh) | 无人机定位方法、装置、设备及存储介质 | |
Mamchenko et al. | Algorithm for sensor data merging using analytical module for priority sensor selection | |
US20220091252A1 (en) | Motion state determining method and apparatus | |
CN114861725A (zh) | 一种目标感知跟踪的后处理方法、装置、设备及介质 | |
KR101364047B1 (ko) | 물체인식을 바탕으로 한 칼만필터를 이용한 이동체의 자기위치 추정방법 및 장치 | |
CN111123323B (zh) | 一种提高便携设备定位精度的方法 | |
CN114739415A (zh) | 基于多传感器融合的多车定位方法、装置及计算机设备 | |
CN114076946A (zh) | 一种运动估计方法及装置 | |
Calhoun et al. | Flight test evaluation of image rendering navigation for close-formation flight | |
Shalihan et al. | Moving Object Localization based on the Fusion of Ultra-WideBand and LiDAR with a Mobile Robot | |
WO2022126603A1 (en) | Localization system and method for mobile equipment | |
KR102572546B1 (ko) | 단일 주파수 수신기에서 다중 채널에서 발생하는 신호의 차이를 감지하는 장치 및 방법 | |
WO2022176409A1 (ja) | 位置推定システム、移動体、位置推定方法及び記録媒体 | |
EP4196747A1 (en) | Method and system for positioning using optical sensor and motion sensors | |
CN115993791A (zh) | 提供识别人员和手部的运动的追踪数据来控制技术系统和传感器系统的方法和设备 | |
Bartolini et al. | Visual Odometry and Trajectory Reconstruction for UAVs |
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 |