CN114137525A - 基于车载毫米波雷达的多目标检测方法和系统 - Google Patents

基于车载毫米波雷达的多目标检测方法和系统 Download PDF

Info

Publication number
CN114137525A
CN114137525A CN202111276346.0A CN202111276346A CN114137525A CN 114137525 A CN114137525 A CN 114137525A CN 202111276346 A CN202111276346 A CN 202111276346A CN 114137525 A CN114137525 A CN 114137525A
Authority
CN
China
Prior art keywords
target
state
target detection
model
vehicle
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.)
Pending
Application number
CN202111276346.0A
Other languages
English (en)
Inventor
杨寓哲
程新景
杨睿刚
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.)
International Network Technology Shanghai Co Ltd
Original Assignee
International Network Technology Shanghai 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 International Network Technology Shanghai Co Ltd filed Critical International Network Technology Shanghai Co Ltd
Priority to CN202111276346.0A priority Critical patent/CN114137525A/zh
Publication of CN114137525A publication Critical patent/CN114137525A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及目标检测技术领域，提供一种基于车载毫米波雷达的多目标检测方法和系统。方法包括：根据状态模型构建多目标检测的状态转移函数；根据量测模型构建多目标检测的似然函数；以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。本发明通过随机有限集框架下的状态转移函数和似然函数构建粒子滤波器，能够有效避免滤波过程中由于数据关联产生的干扰，从而使得多目标检测任务在具有杂波和误检的场景下，仍然可以得到准确的检测结果。

Description

基于车载毫米波雷达的多目标检测方法和系统
技术领域
本发明涉及目标检测技术领域，尤其涉及一种基于车载毫米波雷达的多目标检测方法和系统。
背景技术
自动驾驶，又称无人驾驶、电脑驾驶或轮式移动机器人，是依靠计算机与人工智能技术在没有人为操纵的情况下，完成完整、安全、有效的驾驶的一项前沿科技。
在21世纪，由于汽车用户的不断增加，公路交通面临的拥堵、安全事故等问题越发严重。自动驾驶技术在车联网技术和人工智能技术的支持下，能够协调出行路线与规划时间，从而大程度提高出行效率，并在一定程度上减少能源消耗。自动驾驶同时还能帮助避免醉驾，疲劳驾驶等安全隐患，减少驾驶员失误，提升安全性。自动驾驶也因此成为各国近年的一项研发重点。
作为自动化载具，自动驾驶汽车不需要人类操作即能感测其环境及导航。作为一种可行的自动驾驶环境感知硬件，车载毫米波雷达能够采集驾驶过程中的障碍物点云数据，进一步地，基于点云数据可以对障碍物的状态，例如多目标的位置、速度、大小，进行分析。
在自动驾驶或辅助驾驶场景下，多目标检测中的目标关联任务存在着一定的难度和挑战，现有技术针对目标关联任务，通常先进行目标状态和目标量测的关联，对关联概率最大的组合进行滤波。
但类似的关联方法无法有效克服误检和干扰问题，容易引起关联错误，进而导致目标丢失。也就是说，现有技术中目标关联的精度难以满足自动驾驶或辅助驾驶场景、尤其是高速场景的使用需求。
因此，如何提供一种具有更高目标关联精度的多目标检测方法，成为了业内亟需解决的技术问题。
发明内容
本发明提供一种基于车载毫米波雷达的多目标检测方法和系统，用以解决现有技术中误检、漏检率较高的缺陷，实现具有更高目标关联精度的多目标检测。
本发明提供一种基于车载毫米波雷达的多目标检测方法，包括：
根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；
根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；
以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
根据本发明提供的一种基于车载毫米波雷达的多目标检测方法，所述根据状态模型构建多目标检测的状态转移函数的步骤包括：
根据状态模型构建包括第一误差概率的多目标检测状态转移函数；
所述状态模型是基于匀速直线运动的经验模型；
所述第一误差概率是基于匀速直线运动预测多目标运动状态转移的先验误差概率。
根据本发明提供的一种基于车载毫米波雷达的多目标检测方法，所述根据量测模型构建多目标检测的似然函数的步骤包括：
根据量测模型构建包括第二误差概率的多目标检测似然函数；
所述量测模型是基于车载毫米波雷达参数的经验模型；
所述第二误差概率是所述车载毫米波雷达采集的观测信息与真实信息间误差的统计建模。
根据本发明提供的一种基于车载毫米波雷达的多目标检测方法，所述以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果的步骤包括：
基于所述状态转移函数，得到第三时刻的多目标预测状态集合；
基于可行驶区域约束排除所述第三时刻的多目标预测状态集合中的噪声，得到约束粒子；
根据所述第三时刻的多目标观测集合和所述似然函数，得到所述第三时刻的多目标量测集合；
根据所述多目标量测集合更新所述约束粒子，得到更新粒子；
以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果。
根据本发明提供的一种基于车载毫米波雷达的多目标检测方法，在所述以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果的步骤后，还包括：
根据所述第三时刻的多目标检测结果对所述更新粒子进行重采样，得到重采样粒子；
所述重采样粒子的分布密度与所述更新粒子的概率成正比，且所述重采样粒子的概率为设定值。
根据本发明提供的一种基于车载毫米波雷达的多目标检测方法，在所述以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果的步骤后，还包括：
确定所述似然函数未收敛，则根据所述约束粒子和所述多目标量测集合，利用贝叶斯递推公式更新所述似然函数。
本发明还提供一种基于车载毫米波雷达的多目标检测系统，包括：
状态模块，用于根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；
量测模块，用于根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；
滤波模块，用于以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于车载毫米波雷达的多目标检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于车载毫米波雷达的多目标检测方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于车载毫米波雷达的多目标检测方法的步骤。
本发明提供的基于车载毫米波雷达的多目标检测方法和系统，通过随机有限集框架下的状态转移函数和似然函数构建粒子滤波器，能够有效避免滤波过程中由于数据关联产生的干扰，从而使得多目标检测任务在具有杂波和误检的场景下，仍然可以得到准确的检测结果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于车载毫米波雷达的多目标检测方法的流程示意图；
图2是本发明实施例提供的滤波的流程示意图；
图3是本发明提供的基于车载毫米波雷达的多目标检测系统的结构示意图；
图4是本发明提供的电子设备的结构示意图。
附图标记：
1：状态模块； 2：量测模块； 3：滤波模块；
410：处理器； 420：通信接口； 430：存储器；
440：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1、图2描述本发明的基于车载毫米波雷达的多目标检测方法。
如图1所示，本发明实施例提供一种基于车载毫米波雷达的多目标检测方法，包括：
步骤101，根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；
步骤103，根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；
步骤105，以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
本实施例中，步骤103和步骤105的执行顺序可以调整。
在一个优选的实施方式中，第一时刻早于第二时刻，且所述第一时刻和所述第二时刻是与车载毫米波雷达采集频率相关的相邻时刻；
举例来说，若车载毫米波雷达的采集频率为10Hz，即每秒采集10次，且将第0秒的时刻作为第一时刻，则第二时刻应为第0.1秒的时刻。
值得说明的是，本实施例中，所述多目标状态集合是该时刻下的多目标检测结果，换言之，本实施例可以理解为迭代过程中的一个重复单元。
本实施例方法能够通过上一时刻的多目标检测结果(即多目标状态集合)和当前时刻的多目标观测集合，得到当前时刻的多目标检测结果(即多目标状态集合)。
若上一时刻的多目标检测结果(即多目标状态集合)不存在(例如初始化本实施例方法时，或上一时刻不存在多个目标时)，则可以以设定的初始多目标状态集合作为上一时刻的多目标检测结果；
一个可选的初始多目标状态集合中，包括均匀设置在可行驶区域内的初始粒子，且每个初始粒子的概率均为设定值(但初始粒子的概率和应为1)。
本实施例中，所述状态转移函数是第一时刻的多目标状态集合到第二时刻的多目标预测状态集合的映射；其中，所述多目标状态集合包括确定的多个目标的状态(例如尺寸、位置、速度等)；所述多目标预测状态集合包括至少一个预测子集，所述预测子集是指由多个目标的状态(例如尺寸、位置、速度)和多个目标处于所述状态的概率组成的集合，也就是说，所述多目标预测状态集合中包括至少一个可能的状态组合和所述状态组合的概率。
类似地，所述似然函数是设定时刻的多目标观测集合到所述设定时刻的多目标量测集合的映射；其中，所述多目标观测集合包括确定的多个目标的观测值(例如尺寸、位置、速度，该观测值还可能包括其它不属于目标状态的参量，例如多普勒值、RCS值等)；所述多目标量测集合包括至少一个量测子集，所述量测子集是指由多个目标的量测值(例如尺寸、位置、速度)和多个目标的真实值与所述量测值相同的概率组成的集合，也就是说，所述多目标量测集合中包括至少一个可能的量测值组合和所述量测值组合的概率。
不同于现有技术，本实施例步骤105中，所述粒子滤波器是随机有限集框架下的粒子滤波器，所述多目标预测状态集合和所述多目标量测集合中的每个组合都可以理解为粒子滤波过程中的一个可能的粒子，该粒子包括多目标状态或量测值的矩阵，还包括每个矩阵对应的概率。
本实施例的有益效果在于：
通过随机有限集框架下的状态转移函数和似然函数构建粒子滤波器，能够有效避免滤波过程中由于数据关联产生的干扰，从而使得多目标检测任务在具有杂波和误检的场景下，仍然可以得到准确的检测结果。
根据上述实施例，在本实施例中：
所述根据状态模型构建多目标检测的状态转移函数的步骤包括：
根据状态模型构建包括第一误差概率的多目标检测状态转移函数；
所述状态模型是基于匀速直线运动的经验模型；
所述第一误差概率是基于匀速直线运动预测多目标运动状态转移的先验误差概率。
具体地，所述状态模型为：
Figure BDA0003330038660000081
式中，x、y分别为目标所在位置的横、纵坐标；vx、vy分别为目标速度在x、y轴的分量。
所述状态转移函数为：
Figure BDA0003330038660000082
式中，Xk+1|k为目标第二时刻状态；Δt为两帧之间的时间差；ex、ey、evx、evy分别代表各个状态量(x、y、vx、vy)的状态误差。
所述根据量测模型构建多目标检测的似然函数的步骤包括：
根据量测模型构建包括第二误差概率的多目标检测似然函数；
所述量测模型是基于车载毫米波雷达参数的经验模型；
所述第二误差概率是所述车载毫米波雷达采集的观测信息与真实信息间误差的统计建模。
具体地，所述量测模型为：
Figure BDA0003330038660000091
式中，x、y分别为目标所在位置的横、纵坐标；vx、vy分别为目标速度在x、y轴的分量
所述似然函数为：
fk+1(Z|X)＝m！p(m)×Sk+1
式中，m为目标个数，
Figure BDA0003330038660000093
代表m个目标出现的概率，Sk+1表示目标的分布函数，是目标各位观测的联合分布；λd为泊松分布的先验期望；Z为所述多目标量测集合；e为自然对数的底。
本实施例的有益效果在于：
通过经验模型引入第一误差概率和第二误差概率，能够使得状态转移函数和似然函数更为精确，从而提高了后续粒子滤波器输出值的准确性。
根据上述任一实施例，在本实施例中：
如图2所示，所述以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果的步骤包括：
基于所述状态转移函数，得到第三时刻的多目标预测状态集合；
令所述第三时刻为第k个时刻，则第k个时刻的多目标预测状态集合满足：
Figure BDA0003330038660000092
基于可行驶区域约束排除所述第三时刻的多目标预测状态集合中的噪声，得到约束粒子；
也就是说，多目标预测状态集合中，位于可行驶区域外的粒子属于明显错误的粒子，排除这部分明显错误的噪声粒子有利于进一步提升滤波器输出值的准确性。在一个优选的实施方式中，可行驶区域是设定的感兴趣区域，举例来说，封闭道路中距离本车100公里外的部分仍然属于广义的可行驶区域，但本实施方式中，只考虑可能影响本车自动驾驶或辅助驾驶决策的狭义可行驶区域(如本车10s内可能行驶经过的区域)。
根据所述第三时刻的多目标观测集合和所述似然函数，得到所述第三时刻的多目标量测集合；
令所述第三时刻为第k个时刻，则第k个时刻的多目标量测集合为Zk。
根据所述多目标量测集合更新所述约束粒子，得到更新粒子；其中，粒子的权重更新公式为：
Figure BDA0003330038660000101
式中，fk为观测似然函数，
Figure BDA0003330038660000102
是k时刻第i个粒子的权重。
以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果。
值得说明的是，本实施例中的第三时刻是指任一确定的时刻，该第三时刻不能理解为晚于第一时刻、第二时刻的时刻，也不能理解为非第一时刻、非第二时刻的时刻。
更进一步地，本实施例提供更为详细的粒子滤波步骤说明如下。
观测初始化时刻，基于先验信息，对区域内的N0个目标，初始化状态集合，通过高斯采样得到此时的状态随即集的粒子集合。
基于所述状态转移函数，得到当前时刻的多目标粒子集的预测状态集合；
基于可行驶区域约束排除所述第三时刻的多目标预测状态集合中的噪声，得到约束粒子集；
根据所述当前时刻的多目标观测集合和所述似然函数，更新粒子集合的权重，得到所述第三时刻的后验多目标粒子集；
对后验粒子集权重积分，得到目标数目估计值N；
根据后验粒子集每个粒子的权重大小确定重采样次数，从而得到重采样的粒子集。
根据目标估计数目，通过K-means聚类算法，得到N个目标粒子集合，以每个粒子集合的粒子状态加权平均为N个目标的状态值，得到该时刻的多目标检测结果。
根据上述实施例，在本实施例中：
在所述以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果的步骤后，还包括：
根据所述第三时刻的多目标检测结果对所述更新粒子进行重采样，得到重采样粒子；
所述重采样粒子的分布密度与所述更新粒子的概率成正比，且所述重采样粒子的概率为设定值。
重采样粒子的分布是基于更新粒子的概率设置的，某个更新粒子的概率越高，则该更新粒子所在位置附近的设定范围内，重采样粒子的密度越高，反之亦然。
重采样过程可能会导致粒子数量增多，而上一实施例中提到的约束过程则会导致粒子数量减少，若这两个过程增减的粒子数偏差较大，可能会导致粒子数量过多或过少。因此，在一个优选的实施方式中，若粒子数量少于下限阈值，则以设定的方法添加新粒子(例如以设定的概率均匀设置在可行驶区域内)直至粒子总数量不少于下限阈值；若粒子数量多于上限阈值，则以设定的方法删除粒子(例如删除概率较低的粒子，或者随机删除粒子)直至粒子总数量不多于上限阈值；
进一步地，在所述以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果的步骤前，还包括：
确定所述似然函数未收敛，则根据所述约束粒子和所述多目标量测集合，利用贝叶斯递推公式更新所述似然函数。
判断所得目标检测结果收敛，则确认目标为稳定跟踪状态。
所述贝叶斯递推公式为：
pk|k-1(Xk|Z1：k-1)＝∫fk|k-1(Xk|ζ)pk-1(ζ|Z1：k-1)μ(dζ)
Figure BDA0003330038660000121
其中，fk|k-1(·|·)和gk(·|·)分别表示多目标状态转移函数和联合似然函数，pk|k-1(·|Z1：k-1)和pk(·|Z1：k)分别表示多目标先验和后验概率密度函数。
更进一步地，由于似然函数的递推过程中需要对集合求积分，这一过程的计算量会随着多目标量测集合中元素增加而骤增，因此随机集最优贝叶斯滤波在工程上的实现存在着一定的困难。
对于这种情况，在本实施例的一个优选方案中，使用PHD(概率假设密度)滤波提供一种次优的实现来近似多目标随机集贝叶斯滤波。
下面对本发明提供的基于车载毫米波雷达的多目标检测装置进行描述，下文描述的基于车载毫米波雷达的多目标检测装置与上文描述的基于车载毫米波雷达的多目标检测方法可相互对应参照。
如图3所示，本发明实施例提供一种基于车载毫米波雷达的多目标检测系统，包括：
状态模块1，用于根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；
量测模块2，用于根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；
滤波模块3，用于以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
进一步地，所述状态模块1包括：
状态转移函数单元，用于根据状态模型构建包括第一误差概率的多目标检测状态转移函数；
所述状态模型是基于匀速直线运动的经验模型；
所述第一误差概率是基于匀速直线运动预测多目标运动状态转移的先验误差概率。
所述量测模块2包括：
似然函数单元，用于根据量测模型构建包括第二误差概率的多目标检测似然函数；
所述量测模型是基于车载毫米波雷达参数的经验模型；
所述第二误差概率是所述车载毫米波雷达采集的观测信息与真实信息间误差的统计建模。
所述滤波模块3包括：
预测单元，用于基于所述状态转移函数，得到第三时刻的多目标预测状态集合；
约束单元，用于基于可行驶区域约束排除所述第三时刻的多目标预测状态集合中的噪声，得到约束粒子；
似然单元，用于根据所述第三时刻的多目标观测集合和所述似然函数，得到所述第三时刻的多目标量测集合；
粒子更新单元，用于根据所述多目标量测集合更新所述约束粒子，得到更新粒子；
加权平均单元，用于以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果。
重采样单元，用于根据所述第三时刻的多目标检测结果对所述更新粒子进行重采样，得到重采样粒子；
所述重采样粒子的分布密度与所述更新粒子的概率成正比，且所述重采样粒子的概率为设定值。
递推单元，用于确定所述似然函数未收敛，则根据所述约束粒子和所述多目标量测集合，利用贝叶斯递推公式更新所述似然函数。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于车载毫米波雷达的多目标检测方法，该方法包括：根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于车载毫米波雷达的多目标检测方法，该方法包括：根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于车载毫米波雷达的多目标检测方法，该方法包括：根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于车载毫米波雷达的多目标检测方法，其特征在于，包括：
根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；
根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；
以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
2.根据权利要求1所述的基于车载毫米波雷达的多目标检测方法，其特征在于，所述根据状态模型构建多目标检测的状态转移函数的步骤包括：
根据状态模型构建包括第一误差概率的多目标检测状态转移函数；
所述状态模型是基于匀速直线运动的经验模型；
所述第一误差概率是基于匀速直线运动预测多目标运动状态转移的先验误差概率。
3.根据权利要求1所述的基于车载毫米波雷达的多目标检测方法，其特征在于，所述根据量测模型构建多目标检测的似然函数的步骤包括：
根据量测模型构建包括第二误差概率的多目标检测似然函数；
所述量测模型是基于车载毫米波雷达参数的经验模型；
所述第二误差概率是所述车载毫米波雷达采集的观测信息与真实信息间误差的统计建模。
4.根据权利要求1所述的基于车载毫米波雷达的多目标检测方法，其特征在于，所述以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果的步骤包括：
基于所述状态转移函数，得到第三时刻的多目标预测状态集合；
基于可行驶区域约束排除所述第三时刻的多目标预测状态集合中的噪声，得到约束粒子；
根据所述第三时刻的多目标观测集合和所述似然函数，得到所述第三时刻的多目标量测集合；
根据所述多目标量测集合更新所述约束粒子，得到更新粒子；
以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果。
5.根据权利要求4所述的基于车载毫米波雷达的多目标检测方法，其特征在于，还包括：
根据所述第三时刻的多目标检测结果对所述更新粒子进行重采样，得到重采样粒子；
所述重采样粒子的分布密度与所述更新粒子的概率成正比，且所述重采样粒子的概率为设定值。
6.根据权利要求4所述的基于车载毫米波雷达的多目标检测方法，其特征在于，在所述以所述更新粒子的概率为权重，加权平均所述更新粒子，得到所述第三时刻的多目标状态集合作为所述第三时刻的多目标检测结果的步骤后，还包括：
确定所述似然函数未收敛，则根据所述约束粒子和所述多目标量测集合，利用贝叶斯递推公式更新所述似然函数。
7.一种基于车载毫米波雷达的多目标检测系统，其特征在于，包括：
状态模块，用于根据状态模型构建多目标检测的状态转移函数；所述状态模型是根据第一时刻的多目标状态集合得到第二时刻的多目标预测状态集合的模型；所多目标状态集合是随机有限集，包括至少两个目标的状态变量；所述多目标预测状态集合是随机有限集，包括至少两个目标的状态变量预测值；
量测模块，用于根据量测模型构建多目标检测的似然函数；所述量测模型是根据多目标观测集合得到多目标量测集合的模型；所述多目标观测集合是随机有限集，包括车载毫米波雷达针对至少两个目标采集的观测信息；所述多目标量测集合是随机有限集，包括至少两个目标的真实信息分布概率；
滤波模块，用于以所述多目标观测集合为输入量，通过粒子滤波器得到多目标检测结果；所述粒子滤波器是基于所述状态转移函数和所述似然函数构建的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于车载毫米波雷达的多目标检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于车载毫米波雷达的多目标检测方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于车载毫米波雷达的多目标检测方法的步骤。
CN202111276346.0A 2021-10-29 2021-10-29 基于车载毫米波雷达的多目标检测方法和系统 Pending CN114137525A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111276346.0A CN114137525A (zh) 2021-10-29 2021-10-29 基于车载毫米波雷达的多目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111276346.0A CN114137525A (zh) 2021-10-29 2021-10-29 基于车载毫米波雷达的多目标检测方法和系统

Publications (1)

Publication Number Publication Date
CN114137525A true CN114137525A (zh) 2022-03-04

Family

ID=80396282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111276346.0A Pending CN114137525A (zh) 2021-10-29 2021-10-29 基于车载毫米波雷达的多目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN114137525A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166747A (zh) * 2022-07-14 2022-10-11 南京泰晟科技实业有限公司 一种车载毫米波雷达测距系统及多目标同步测距方法
CN116879863A (zh) * 2023-09-09 2023-10-13 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166747A (zh) * 2022-07-14 2022-10-11 南京泰晟科技实业有限公司 一种车载毫米波雷达测距系统及多目标同步测距方法
CN116879863A (zh) * 2023-09-09 2023-10-13 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统
CN116879863B (zh) * 2023-09-09 2023-12-05 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统

Similar Documents

Publication Publication Date Title
EP3875907B1 (en) Method, apparatus, computing device and computer-readable storage medium for positioning
CN114137525A (zh) 基于车载毫米波雷达的多目标检测方法和系统
CN110865343B (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
CN114137526A (zh) 基于标签的车载毫米波雷达多目标检测方法和系统
CN111508282B (zh) 低空无人机农田作业飞行障碍物冲突检测方法
CN109885046B (zh) 一种基于粒子滤波的移动机器人定位加速方法
Martinsson et al. Clustering vehicle maneuver trajectories using mixtures of hidden markov models
CN109460065A (zh) 基于势函数的无人机集群队形特征辨识方法及系统
CN108733042B (zh) 自动驾驶车辆的目标跟踪方法及装置
CN112325885A (zh) 一种基于数学统计特征的因子图协同定位算法
CN105424043A (zh) 一种基于判断机动的运动状态估计方法
CN113239472B (zh) 一种基于强化学习的导弹制导方法和装置
WO2018210303A1 (zh) 道路模型的构建
Song et al. Research on Target Tracking Algorithm Using Millimeter‐Wave Radar on Curved Road
CN113761662B (zh) 一种滑翔类目标的轨迹预测管道的生成方法
CN113628254A (zh) 基于移动平台的目标轨迹确定方法及相关设备
CN117033882A (zh) 车辆数据处理方法、装置、计算机设备和存储介质
Baig et al. Using fast classification of static and dynamic environment for improving Bayesian occupancy filter (BOF) and tracking
CN110334472B (zh) 一种群运动趋势辅助的集势概率假设密度滤波方法
CN116882307B (zh) 考虑不确定初始状态的车辆安全轨迹规划方法及系统
CN117392166B (zh) 一种基于地平面拟合的三阶段点云地面分割方法
CN114141009B (zh) 基于多时序网络的仿真交通流变道方法和系统
CN117912295A (zh) 车辆数据的处理方法、装置、电子设备和存储介质
CN118129765B (zh) 卫星导航拒止下飞行器集群协同定位方法、设备及产品
CN113642448B (zh) 一种空中平台对海/地面机动目标的图像识别方法和装置

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