CN113791414A - 一种基于毫米波车载雷达视图的场景识别方法 - Google Patents

Abstract

本发明涉及一种基于毫米波车载雷达视图的场景识别方法，包括：S10.获取车身坐标系下雷达探测的点迹特征，同时获取本车车身信息；S20.根据本车车身信息进行本车航位推算，得到本车运动轨迹；S30.根据本车航位信息以及点迹特征对获取的点迹进行预处理并构建栅格视图；S40.根据构建的栅格视图进行道路边缘提取，并识别道路特征；S50.根据道路特征进行道路场景识别。本发明有效结合车辆行驶过程中的时间维度、空间维度的信息，使得场景元素多元化，使得分场景技术变得精准，可调可控，辅助雷达稳定的跟踪和报警，突破了面对复杂路试问题软件稳定迭代的瓶颈，提高报警率。

Description

一种基于毫米波车载雷达视图的场景识别方法

技术领域

本发明涉及雷达场景识别技术领域，特别是涉及一种基于毫米波车载雷达视图的场景识别方法。

背景技术

在辅助驾驶中，BSD雷达是重要传感器之一，其具有穿透烟雾、雨雾的能力，可全天候感知车辆周围的环境，通过获取目标的距离、速度、角度，完成对运动目标的跟踪和预警，从而实现安全驾驶。

而实际道路环境复杂，目标的匹配、跟踪、报警易受到环境中其他目标，如运动车辆、行人、障碍物、路沿等的影响，出现虚假目标以及目标跟丢、误匹配的情况，造成航迹中断、航迹漂移、虚假航迹，从而严重影响报警率。因此分场景匹配跟踪，是保证报警率的必要手段。当前雷达分场景一般根据路试反馈，添加特殊场景的优化算法，以确保该场景的正确跟踪和报警。

当前场景识别大多关注本车与目标车的相对状态，忽略了从雷达获取的道路信息及其他目标信息可以提取的场景特征，比如弯道直道特征、车道特征、双向道路、单向道路特征等，因此，在分场景处理的过程中常常由于场景表达笼统，出现场景与场景分割不明确，某一场景的优化处理牵连到其他场景，优化中容易迷失在错综复杂的逻辑网中，无法实现保证高效的算法迭代。

同时，雷达全FOV探测威力不一，存在探测盲区，因此雷达当前时刻获取的信息非常局限，由于信息不全面不能快速准确的场景识别，需利用多帧信息，有利于场景特征的提取，而单次多帧计算出现计算量过大，场景识别时延等问题，从而使得场景识别效率低下。

发明内容

本发明为克服上述现有技术中雷达对提取的场景特征进行分场景处理时，由于场景表达笼统，场景与场景分割不明确，优化时容易迷失在错综复杂的逻辑网中，且计算出现计算量过大，场景识别时延等问题，提供一种基于毫米波车载雷达视图的场景识别方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于毫米波车载雷达视图的场景识别方法，包括步骤：

S10.获取车身坐标系下雷达探测的点迹特征，同时获取本车车身信息；

S20.根据本车车身信息进行本车航位推算，得到本车运动轨迹；

S30.根据本车航位信息以及点迹特征对获取的点迹进行预处理并构建栅格视图；

S40.根据构建的栅格视图进行道路边缘提取，并识别道路特征；

S50.根据道路特征进行道路场景识别。

进一步的，作为优选技术方案，所述车身信息包括本车速度和横摆角速度，所述点迹特征包括点迹在车身坐标系下的坐标和速度信息；

步骤S20具体包括：

根据当前帧本车速度和横摆角速度计算下一帧本车航向角以及位移，进而完成本车航位推算。

进一步的，作为优选技术方案，步骤S30具体包括：

S301.将点迹特征从车身坐标系转化到绝对坐标系；

S302.根据本车航位信息将绝对坐标系下的点迹通过左右雷达进行分割；

S303.将分割的点迹构建栅格视图，得到像素化的静止目标栅格。

进一步的，作为优选技术方案，点迹分割具体包括：

根据本车航位信息获取本车运动轨迹的曲率半径以及曲率圆心；

计算绝对坐标系下点迹到曲率圆心之间的距离；

将点迹根据点迹到曲率圆心之间的距离与曲率半径之间的关系进行分割，得到道路左侧点迹和道路右侧点迹。

进一步的，作为优选技术方案，像素化的静止目标栅格的获取具体包括：

将雷达覆盖区域内分割的点迹在绝对坐标系以雷达探测精度为单元网格化，实现静止目标点迹分布像素化。

进一步的，作为优选技术方案，步骤S40具体包括：

将构建的栅格视图进行密集聚类，实现将不同类型的点迹聚为不同的一类；

将满足道路边缘特征的一类点迹进行二次多项式曲线拟合，完成道路边缘提取；

将满足路边单元特征的一类点迹识别为路边障碍物；

根据提取的道路边缘获取道路特征。

进一步的，作为优选技术方案，道路特征包括道路宽度、直道和弯道，道路特征获取具体包括：

根据提取的道路边缘获取道路边缘曲线，根据道路边缘曲线计算道路宽度，并根据道路边缘曲线判断道路是直道还是弯道。

进一步的，作为优选技术方案，步骤S40还包括：当本车航向角大于第一阈值时，对道路边缘做分段拟合处理。

进一步的，作为优选技术方案，根据道路特征进行道路场景识别具体包括：

根据道路特征和本车运动轨迹，估计本车行驶状态，根据本车行驶状态进行场景识别。

进一步的，作为优选技术方案，本车行驶状态包括直行、变道、弯道保持；

本车弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且ρ＜z；

本车出弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且r₀(t₁)-r₀(t₀)＞0；

ρ＜z且ρ(t₁)-ρ(t₀)＞0；

本车入弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且r₀(t₁)-r₀(t₀)＜0；

ρ＜z且ρ(t₁)-ρ(t₀)＜0

本车变道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

ρ＞z且r₀＜z

r₀(t₁)-r₀(t₀)＞0或者ρ(t₁)-ρ(t₀)＜0

其中：r₀表示本车运动轨迹拟合曲线曲率半径,t1表示当前时刻，t0表示前一时刻，z表示判断道路是弯道还是直道的阈值，其可设置为180-220m；ρ表示道路边缘所在曲线的曲率半径。

与现有技术相比，本发明技术方案的有益效果是：

本发明结合左右雷达的感知能力，获取本车探测范围内的道路地图，同时本车行驶过程中根据其他传感器获取的本车车速、横摆角速度等信息，来估计本车下一时刻的航向角和位移，即完成本车下一时刻的航位推算，在行驶过程中实时实现视图的扩展、记忆和历史地图的清除，提取以本车路线为参考的道路轮廓，获取除道路除轮廓外的道路信息，如直道、弯道、车道特征等，再结合本车运动轨迹，获取本车行驶场景，丰富场景内容，其有效结合车辆行驶过程中的时间维度、空间维度的信息，使得场景元素多元化，使得分场景技术变得精准，可调可控，辅助雷达稳定的跟踪和报警，突破了面对复杂路试问题软件稳定迭代的瓶颈，提高报警率。

附图说明

图1为本发明流程框图。

图2为本发明点迹预处理过程示意图。

图3为本发明道路边缘提取流程框图。

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

此外，若有“第一”、“第二”等术语仅用于描述目的，主要是用于区分不同的装置、元件或组成部分(具体的种类和构造可能相同也可能不同)，并非用于表明或暗示所指示装置、元件或组成部分的相对重要性和数量，而不能理解为指示或者暗示相对重要性。

实施例1

本实施例公开一种基于毫米波车载雷达视图的场景识别方法，如图1所示，包括：

S10.获取车身坐标系下雷达探测的点迹特征，同时获取本车车身信息。

在本步骤中，获取的车身信息包括本车速度和横摆角速度等，获取的点迹特征包括点迹在车身坐标系下的坐标和速度信息。

本步骤具体为：

S20.根据本车车身信息进行本车航位推算，得到本车运动轨迹。

本步骤具体为：

根据当前帧本车的横摆角速度以及本车速度计算下一帧本车航向角以及位移，完成本车航向角以及位移的估算，从而完成本车姿态估计，即航位推算，进而得到本车运动轨迹。

例如：

在车身坐标系下，当前帧，即T₀时刻，本车速度为v(m/s)，横摆角速度为yaw(°/s)，本车坐标为(x₀，y₀)，本车航向角为θ₀(°)，那么，下一帧，即T₁时刻航位推算公式如下：

θ₁＝θ₀+yaw*T；

x₁＝x₀+v*T*cos(θ₀)；

y₁＝y₀+v*T*sin(θ₀)；

x＝x₁-x₀，y＝y₁-y₀；

当T0时刻本车坐标(x₀，y₀)＝(0，0)时，那么下一帧本车位移(x，y)即为(x₁，y₁)。

其中，T表示帧间刷新时间，θ₁表示推算的下一帧本车航向角，(x，y)表示本车位移。

通过上述同时实现完成本车航向角以及位移的估算。

S30.根据本车航位信息以及点迹特征对获取的点迹进行预处理并构建栅格视图。

本步骤具体包括：

S301.将点迹特征从车身坐标系转化到绝对坐标系。

本步骤中需要将获得的相对车身坐标系的点迹特征转化为绝对坐标系。

例如：

(x,y)表示雷达探测到的点迹在车身坐标系下的坐标，θ为本车航向角，(x₀，y₀)为本车坐标，则点迹在绝对坐标系下的坐标为(X，Y)，其通过以下公式计算：

X＝x*cos(θ)+y*sin(θ)+x₀

Y＝x*cos(θ+90)+y*cos(θ)+y₀

S302.根据本车航位信息将绝对坐标系下的点迹通过左右雷达进行分割。

本步骤具体为：

根据本车航位信息获取本车运动轨迹的曲率半径以及曲率圆心；

计算绝对坐标系下点迹到曲率圆心之间的距离；

将点迹根据点迹到曲率圆心之间的距离与曲率半径之间的关系进行分割，得到道路左侧点迹和道路右侧点迹。

在本步骤中，以右雷达为例，右雷达可以同时探测到道路左右两侧的目标，但受限与雷达自身探测威力，右雷达检测到左侧的目标位置准确度会相对降低，因此右雷达仅保留道路右侧点迹，相应左雷达仅保留左侧的点，即保证精度，同时实现将道路左右两侧的点迹通过左右雷达分割开来；

如图2所示，对本车运动轨迹进行拟合，得到本车运动轨迹拟合曲线：

y＝ax²+bx+c

根据该拟合曲线获取本车运动轨迹的曲率半径以及曲率圆心：

其中，a，b，c表示二次曲线参数，r₀表示本车运动轨迹拟合曲线曲率半径，(x₀，y₀)表示曲率圆心。

根据点迹在绝对坐标系下的坐标计算得到点迹到曲率圆心之间的距离为r；

当r＞r₀时，当前点迹为右侧点迹，当r小于r₀时，当前点迹为左侧点迹，从而实现点迹的分割。

S303.将分割的点迹构建栅格视图，得到像素化的静止目标栅格。

本步骤具体为：

将雷达覆盖区域内分割的点迹在绝对坐标系以雷达探测精度为单元网格化，实现静止目标点迹分布像素化。

例如：雷达覆盖区域为100m，雷达探测精度为0.5m，实现将雷达覆盖区域内的点迹以0.5m为单元网格化，从而实现格栅视图的构建，同一网格内累计点迹的个数为像素值，同时表示点迹的置信度。

S40.根据构建的栅格视图进行道路边缘提取，并识别道路特征。

本步骤如图3所示，具体包括：

S401.将构建的栅格视图进行密集聚类，实现将不同类型的点迹聚为不同的一类。

在本步骤中，采用的密度聚类方法为dbscan。

S402.将满足道路边缘特征的一类点迹进行二次多项式曲线拟合，完成道路边缘提取。

例如：满足道路边缘特征包括栏杆、路沿特征的点迹，其判断标准为：点迹置信度之和大于第一预设阈值，类长度大于第二预设阈值。

其中，该第一预设阈值和第二预设阈值均根据栏杆、路沿的特征进行设置，例如，第一预设阈值设置为40-60，第二预设阈值设置为4-6m，具体设置值可根据实际情况进行调整。

将上述筛选出的点迹通过二次多项式曲线拟合成y＝ax²+bx+c的形式，完成道路边缘的提取。

S403.将满足路边单元特征的一类点迹识别为路边障碍物。

例如：满足路边单元特征包括电线杆、广告牌特征的点迹，其判断标准为：点迹置信度之和大于第三预设阈值，类长度小于第四预设阈值。

其中，该第三预设阈值和第四预设阈值均根据电线杆、广告牌的特征进行设置，例如，第三预设阈值设置为8-12，第四预设阈值设置为2.5-3.5m，具体设置值可根据实际情况进行调整。

将上述筛选出的点迹识别为路边障碍物。

当本车航向角大于第一阈值时，对道路边缘做分段拟合处理，已经拟合好的道路边缘做历史记忆保持，此类别不再更新和拟合，直到随着此道路出本车一定区域外后清除。

其中，第一阈值可设置为35°-45°，其可根据实际情况进行调整。

新的类别重复上述步骤保持更新。

S404.根据提取的道路边缘获取道路特征。

如上完成道路边缘的提取，道路特征可根据道路边缘曲线获取，其中，道路特征包括道路宽度和道路类型，例如直道和弯道。

具体为：

根据提取的道路边缘分别获取道路左边缘和右边缘所在曲线，根据道路左边缘和右边缘所在曲线的曲率半径计算道路宽度，并根据道路边缘曲线判断道路是直道还是弯道。

例如：

道路宽度为道路左边缘的曲率半径与道路右边缘的曲率半径之差。

即：道路宽度＝ρ_{道路左边缘}-ρ_{道路右边缘}

同时，设置一判断道路是弯道还是直道的阈值z，将ρ_{道路左边缘}或ρ_{道路右边缘}分别与设置的阈值z进行比较，当ρ_{道路左边缘}＜z或ρ_{道路右边缘}＜z时，则判断当前道路为弯道，否则，为直道。

其中，该阈值z可根据道路宽度和弯曲程度设置，其可设置为180-220m；：ρ表示道路边缘所在曲线的曲率半径。

S50.根据道路特征进行道路场景识别。

根据道路特征和本车运动轨迹，估计本车行驶状态，根据本车行驶状态进行场景识别。

其中，本车行驶状态包括直行、变道、弯道保持；

本车弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且ρ＜z；

本车出弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且r₀(t₁)-r₀(t₀)＞0；

ρ＜z且ρ(t₁)-ρ(t₀)＞0；

本车入弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且r₀(t₁)-r₀(t₀)＜0；

ρ＜z且ρ(t₁)-ρ(t₀)＜0

本车变道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

ρ＞z且r₀＜z

r₀(t₁)-r₀(t₀)＞0或者ρ(t₁)-ρ(t₀)＜0

其中：r₀表示本车运动轨迹拟合曲线曲率半径,t1表示当前时刻，t0表示前一时刻，z表示判断道路是弯道还是直道的阈值，其可设置为180-220m；ρ表示道路边缘所在曲线的曲率半径。

在本步骤中，可参见上述步骤S404，所采用的ρ可为ρ_{道路左边缘}，可也为ρ_{道路右边缘}，但是，在识别过程中，需要统一采用ρ_{道路左边缘或者}ρ_{道路右边缘}。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于毫米波车载雷达视图的场景识别方法，其特征在于，包括步骤：

S10.获取车身坐标系下雷达探测的点迹特征，同时获取本车车身信息；

S20.根据本车车身信息进行本车航位推算，得到本车运动轨迹；

S30.根据本车航位信息以及点迹特征对获取的点迹进行预处理并构建栅格视图；

S40.根据构建的栅格视图进行道路边缘提取，并识别道路特征；

S50.根据道路特征进行道路场景识别。

2.根据权利要求1所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，所述车身信息包括本车速度和横摆角速度，所述点迹特征包括点迹在车身坐标系下的坐标和速度信息；

步骤S20具体包括：

根据当前帧本车速度和横摆角速度计算下一帧本车航向角以及位移，进而完成本车航位推算。

3.根据权利要求1所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，步骤S30具体包括：

S301.将点迹特征从车身坐标系转化到绝对坐标系；

S302.根据本车航位信息将绝对坐标系下的点迹通过左右雷达进行分割；

S303.将分割的点迹构建栅格视图，得到像素化的静止目标栅格。

4.根据权利要求3所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，点迹分割具体包括：

根据本车航位信息获取本车运动轨迹的曲率半径以及曲率圆心；

计算绝对坐标系下点迹到曲率圆心之间的距离；

将点迹根据点迹到曲率圆心之间的距离与曲率半径之间的关系进行分割，得到道路左侧点迹和道路右侧点迹。

5.根据权利要求3所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，像素化的静止目标栅格的获取具体包括：

将雷达覆盖区域内分割的点迹在绝对坐标系以雷达探测精度为单元网格化，实现静止目标点迹分布像素化。

6.根据权利要求1所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，步骤S40具体包括：

将构建的栅格视图进行密集聚类，实现将不同类型的点迹聚为不同的一类；

将满足道路边缘特征的一类点迹进行二次多项式曲线拟合，完成道路边缘提取；

将满足路边单元特征的一类点迹识别为路边障碍物；

根据提取的道路边缘获取道路特征。

7.根据权利要求6所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，道路特征包括道路宽度、直道和弯道，道路特征获取具体包括：

根据提取的道路边缘获取道路边缘曲线，根据道路边缘曲线计算道路宽度，并根据道路边缘曲线判断道路是直道还是弯道。

8.根据权利要求6所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，步骤S40还包括：当本车航向角大于第一阈值时，对道路边缘做分段拟合处理。

9.根据权利要求1所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，根据道路特征进行道路场景识别具体包括：

根据道路特征和本车运动轨迹，估计本车行驶状态，根据本车行驶状态进行场景识别。

10.根据权利要求9所述的一种基于毫米波车载雷达视图的场景识别方法，其特征在于，本车行驶状态包括直行、变道、弯道保持；

本车弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且ρ＜z；

本车出弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且r₀(t₁)-r₀(t₀)＞0；

ρ＜z且ρ(t₁)-ρ(t₀)＞0；

本车入弯道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

r₀＜z且r₀(t₁)-r₀(t₀)＜0；

ρ＜z且ρ(t₁)-ρ(t₀)＜0

本车变道行驶状态对应的场景连续统计多帧点迹特征满足如下关系：

ρ＞z且r₀＜z

r₀(t₁)-r₀(t₀)＞0或者ρ(t₁)-ρ(t₀)＜0

其中：r₀表示本车运动轨迹拟合曲线曲率半径,t1表示当前时刻，t0表示前一时刻，z表示判断道路是弯道还是直道的阈值，其可设置为180-220m；ρ表示道路边缘所在曲线的曲率半径。

Images