CN114663478A - 一种根据多参考点预测信息估计锚点位置的方法 - Google Patents

一种根据多参考点预测信息估计锚点位置的方法 Download PDF

Info

Publication number
CN114663478A
CN114663478A CN202210296969.2A CN202210296969A CN114663478A CN 114663478 A CN114663478 A CN 114663478A CN 202210296969 A CN202210296969 A CN 202210296969A CN 114663478 A CN114663478 A CN 114663478A
Authority
CN
China
Prior art keywords
point
target
vector
time
observation
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
CN202210296969.2A
Other languages
English (en)
Inventor
李经纬
赵政
游嘉伟
柯岩
张雨
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.)
Suzhou Qingyu Technology Co Ltd
Original Assignee
Suzhou Qingyu Technology 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 Suzhou Qingyu Technology Co Ltd filed Critical Suzhou Qingyu Technology Co Ltd
Priority to CN202210296969.2A priority Critical patent/CN114663478A/zh
Publication of CN114663478A publication Critical patent/CN114663478A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及一种根据多参考点预测信息估计锚点位置的方法，所述方法包括：在初始时刻t，获取当前时刻的横向与纵向速度分量；并获取当前时刻的点云帧数据记为第一帧点云；对第一帧点云进行目标识别和地面投影处理，并在其地面投影图像上对各个目标匹配的参考点进行提取生成对应的参考点集合；确定各个参考点在时刻t的第一状态向量；对后续任意时刻t+j，使用卡尔曼滤波器根据各个参考点在前一时刻的第一状态向量进行预测；根据各个目标对应的所有参考点的观测位置坐标和第一参考点概率，对当前目标在时刻t+j的锚点位置进行估计。

Description

一种根据多参考点预测信息估计锚点位置的方法
技术领域
本发明涉及数据处理技术领域，特别涉及一种根据多参考点预测信息估计锚点位置的方法。
背景技术
在自动驾驶感知系统基于点云数据处理多目标跟踪(Multi-Object Tracking)时，需要基于当前时刻的点云帧数据，以点云的数据结构处理方式预测未来时刻的目标运动轨迹。而公知的点云数据的结构较为复杂、噪声数据较多、数据量也较大，这种常规处理方式在需要保证预测质量的前提下往往会出现计算超时的情况。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种根据多参考点预测信息估计锚点位置的方法、电子设备及计算机可读存储介质，将基于点云的三维计算转换为简单的二维计算，将基于点云的大数据计算量转换为基于参考点的小数据计算量，从而可以极大地减少数据计算量，有效地提高计算速度；并且，基于本发明的处理结果只需对各目标未来多个时刻的锚点位置进行连接就能快速得到预测轨迹，从而也达到了提高预测效率与准确度的目的。
为实现上述目的，本发明实施例第一方面提供了一种根据多参考点预测信息估计锚点位置的方法，所述方法包括：
在初始时刻t，获取当前时刻的横向与纵向速度分量记为横向分量vx和纵向分量vy；并获取当前时刻的点云帧数据记为第一帧点云Dt；
对所述第一帧点云Dt进行目标识别和地面投影处理，并在其地面投影图像上对各个目标匹配的参考点进行提取生成对应的参考点集合；所述参考点集合包括多个参考点Pi,所述参考点Pi的位置坐标为(xi,t,yi,t),1≤i≤n，n为参考点总数；
确定各个所述参考点Pi在时刻t的第一状态向量Ai,t为[xi,t,yi,t,vx,vy]T；
对后续任意时刻t+j，使用所述卡尔曼滤波器根据各个所述参考点Pi在前一时刻的第一状态向量Ai,t+j-1进行预测得到对应的第一状态向量Ai,t+j、第一观测向量Bi,t+j和第一参考点概率ri,t+j；所述第一观测向量Bi,t+j为所述参考点Pi在时刻t+j的观测位置坐标(xi,t+j,yi,t+j)；1≤j；
根据各个目标对应的所有所述参考点Pi的所述观测位置坐标(xi,t+j,yi,t+j)和所述第一参考点概率ri,t+j，对当前目标在时刻t+j的锚点位置进行估计得到对应的锚点位置坐标(Mxt+j,Myt+j)。
优选的，所述对所述第一帧点云Dt进行目标识别和地面投影处理，并在其地面投影图像上对各个目标匹配的参考点进行提取生成对应的参考点集合，具体包括：
对所述第一帧点云Dt进行目标识别得到对应的一个或多个第一目标；所述第一目标包括一个点云目标识别框和一个点云目标质心点；
对所述第一帧点云Dt向地面做投影得到对应的第一投影图；
在所述第一投影图上，将各个所述点云目标识别框的二维投影框记为对应的第一识别框，并将所述第一识别框的四个顶点记为对应的第一、第二、第三和第四顶点；并在所述第一投影图上，将各个所述点云目标质心点的投影点记为对应的第一质心点；并在所述第一投影图上，对各个所述第一目标的投影边缘点进行顺次连接生成对应的第一目标多边形，并将所述第一目标多边形的中心点记为对应的第一中心点；并将所述第一投影图上，对应同一个所述第一目标的所述第一、第二、第三和第四顶点、所述第一质心点和所述第一中心点都视为与当前第一目标匹配的参考点，并由所有匹配参考点组成对应的所述参考点集合。
优选的，所述卡尔曼滤波器的模型方程组为：
sk＝Fcsk-1+Gkuk+wk，
mk＝Hcsk+τk；
其中，sk-1为前一时刻的状态向量具体为[xk-1,yk-1,vx,(k-1),vy,(k-1)]T，sk为当前时刻的状态向量具体为[xk,yk,vx,k,vy,k]T，uk为时刻k的控制器输入向量，Gk为时刻k的控制向量变换矩阵，wk为时刻k的过程噪声向量，τk为时刻k的观测噪声向量，mk为时刻k的观测向量；
并以运动模型为匀速运动模型设定状态向量变换矩阵Fc为
Figure BDA0003563834120000031
并以观测向量为位置观测设定状态-观测变换矩阵Hc为
Figure BDA0003563834120000032
优选的，所述使用所述卡尔曼滤波器根据各个所述参考点Pi在前一时刻的第一状态向量Ai,t+j-1进行预测得到对应的第一状态向量Ai,t+j、第一观测向量Bi,t+j和第一参考点概率ri,t+j，具体包括：
将各个所述参考点Pi在前一时刻t+j-1的第一状态向量Ai,t+j-1，连同当前时刻t+j的控制器输入向量ut+j、控制向量变换矩阵Gt+j、过程噪声向量wt+j和观测噪声向量vt+j以及状态向量变换矩阵Fc和状态-观测变换矩阵Hc，一起代入卡尔曼滤波器的模型方程组进行计算，得到对应的所述第一状态向量Ai,t+j和所述第一观测向量Bi,t+j；其中，
Ai,t+j＝FcAi,t+j-1+Gt+jut+j+wt+j，
Bi,t+j＝HcAi,t+j+τt+j；
基于卡尔曼滤波算法计算卡尔曼滤波器的协方差矩阵，并基于所述第一状态向量Ai,t+j、所述第一观测向量Bi,t+j和所述协方差矩阵进行卡尔曼滤波后验概率计算得到对应的所述第一参考点概率ri,t+j。
优选的，所述根据各个目标对应的所有所述参考点Pi的所述观测位置坐标(xi,t+j,yi,t+j)和所述第一参考点概率ri,t+j，对当前目标在时刻t+j的锚点位置进行估计得到对应的锚点位置坐标(Mxt+j,Myt+j)，具体包括：
对与当前目标对应的n个所述第一参考点概率ri,t+j进行归一化处理，得到n个归一化概率ωi,t+j，
Figure BDA0003563834120000041
根据与当前目标对应的n个所述参考点Pi的所述观测位置坐标(xi,t+j,yi,t+j)和所述归一化概率ωi,t+j,对当前目标在时刻t+j的锚点位置进行计算得到对应的所述锚点位置坐标(Mxt+j,Myt+j)；其中，
Figure BDA0003563834120000042
优选的，所述方法还包括：
在得到各个目标未来指定时段内的多个所述锚点位置坐标之后，按时间先后顺序对各个所述锚点位置坐标进行坐标连接从而得到对应的预测轨迹。
本发明实施例第二方面提供了一种电子设备，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
本发明实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种根据多参考点预测信息估计锚点位置的方法、电子设备及计算机可读存储介质，对当前时刻的点云帧数据进行目标识别和地面投影图像转换；并在投影图像上为每个目标确定出一个数量可控的参考点集合；并使用卡尔曼滤波器对各个目标对应的参考点集合在未来时刻的参考点位置和参考点概率进行预测；并基于每个时刻预测出的参考点位置和概率估计出当前时刻的锚点位置。通过本发明，将基于点云的三维计算转换为简单的二维计算，将基于点云的大数据计算量转换为基于参考点的小数据计算量，从而极大地减少了数据计算量，提高了计算速度；并且，基于本发明的处理结果只需对各目标未来多个时刻的锚点位置进行连接就能快速得到预测轨迹，从而也提高了预测效率与准确度。
附图说明
图1为本发明实施例一提供的一种根据多参考点预测信息估计锚点位置的方法示意图；
图2为本发明实施例二提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例一提供一种根据多参考点预测信息估计锚点位置的方法，如图1为本发明实施例一提供的一种根据多参考点预测信息估计锚点位置的方法示意图所示，本方法主要包括如下步骤：
步骤1，在初始时刻t，获取当前时刻的横向与纵向速度分量记为横向分量vx和纵向分量vy；并获取当前时刻的点云帧数据记为第一帧点云Dt。
这里，横向分量vx和纵向分量vy实际就是当前时刻车辆速度矢量的横向分量与纵向分量。第一帧点云Dt即为当前时刻由车辆雷达(激光雷达、微波雷达等)对环境进行实时扫描获得的点云帧数据；第一帧点云Dt中包括多个点云数据，每个点云数据带有一个三维坐标信息。
步骤2，对第一帧点云Dt进行目标识别和地面投影处理，并在其地面投影图像上对各个目标匹配的参考点进行提取生成对应的参考点集合；
具体包括：步骤21，对第一帧点云Dt进行目标识别得到对应的一个或多个第一目标；
其中，第一目标包括一个点云目标识别框和一个点云目标质心点；
这里，对点云进行目标识别时可基于常用的点云目标检测算法或模型，在此不做一一赘述；目标检测的结果可以为每个检测出的目标也就是第一目标标记出一个三维的点云目标识别框，并给出一个类似物体重心的点云目标质心点；
步骤22，对第一帧点云Dt向地面做投影得到对应的第一投影图；
这里，对点云数据向指定平面进行投影的技术实现有多种实现方式；其中一种实现方式为：将第一帧点云Dt中各个三维点云数据的高度特征消除，将其坐标从三维降到二维；完成降维后对坐标重复的二维点云数据进行去重处理；去重处理完成后由剩余的二维点云数据构成地面投影图像也就是第一投影图；
步骤23，在第一投影图上，将各个点云目标识别框的二维投影框记为对应的第一识别框，并将第一识别框的四个顶点记为对应的第一、第二、第三和第四顶点；并在第一投影图上，将各个点云目标质心点的投影点记为对应的第一质心点；并在第一投影图上，对各个第一目标的投影边缘点进行顺次连接生成对应的第一目标多边形，并将第一目标多边形的中心点记为对应的第一中心点；并将第一投影图上，对应同一个第一目标的第一、第二、第三和第四顶点、第一质心点和第一中心点都视为与当前第一目标匹配的参考点，并由所有匹配参考点组成对应的参考点集合；
其中，参考点集合包括多个参考点Pi,参考点Pi的位置坐标为(xi,t,yi,t),1≤i≤n，n为参考点总数。
这里，常规情况下一个目标对应的参考点集合也就包括第一、第二、第三和第四顶点、第一质心点和第一中心点，这6个参考点；而在点云计算逻辑中一个目标对应的点远不止6个且还都是三维数据点，由此可见，本发明实施例一通过降维和参考点提取操作大大降低了数据计算量。需要说明的是，参考点集合还可以继续添加新的参考点，如有必要还可基于其他方式标出参考点后向集合中添加。
步骤3，确定各个参考点Pi在时刻t的第一状态向量Ai,t为[xi,t,yi,t,vx,vy]T。
步骤4，对后续任意时刻t+j，使用卡尔曼滤波器根据各个参考点Pi在前一时刻的第一状态向量Ai,t+j-1进行预测得到对应的第一状态向量Ai,t+j、第一观测向量Bi,t+j和第一参考点概率ri,t+j；
其中，卡尔曼滤波器的模型方程组为：
sk＝Fcsk-1+Gkuk+wk，
nk＝Hcsk+τk；
sk-1为前一时刻的状态向量具体为[xk-1,yk-1,vx,(k-1),vy,(k-1)]T，sk为当前时刻的状态向量具体为[xk,yk,vx,k,vy,k]T，uk为时刻k的控制器输入向量，Gk为时刻k的控制向量变换矩阵，wk为时刻k的过程噪声向量，τk为时刻k的观测噪声向量，mk为时刻k的观测向量；并以运动模型为匀速运动模型设定状态向量变换矩阵Fc为
Figure BDA0003563834120000071
并以观测向量为位置观测设定状态-观测变换矩阵Hc为
Figure BDA0003563834120000072
第一观测向量Bi,t+j为参考点Pi在时刻t+j的观测位置坐标(xi,t+j,yi,t+j)；1≤j；
这里，模型方程组中的运动模型采用匀速运动(Constant Velocity,CV)模型，所以状态向量变换矩阵Fc的设置如上可以保持前后两个时刻状态向量的速度不发生变化；模型方程组的观测向量是从状态向量中提取位置信息进行观测输出，所以状态-观测变换矩阵Hc的设置如上不对速度信息进行提取；
步骤4具体包括：
步骤41，将各个参考点Pi在前一时刻t+j-1的第一状态向量Ai,t+j-1，连同当前时刻t+j的控制器输入向量ut+j、控制向量变换矩阵Gt+j、过程噪声向量wt+j和观测噪声向量vt+j以及状态向量变换矩阵Fc和状态-观测变换矩阵Hc，一起代入卡尔曼滤波器的模型方程组进行计算，得到对应的第一状态向量Ai,t+j和第一观测向量Bi,t+j；
其中，
Ai,t+j＝FcAi,t+j-1+Gt+jut+j+wt+j，
Bi,t+j＝HcAi,t+j+τt+j；
这里，在具体实施时上述方程组中，除了前一时刻t+j-1的第一状态向量Ai,t+j-1为递归变量，其他向量为预设向量或可从其他途径获取的实时已知量，需要说明的是控制向量变换矩阵Gt+j默认设为0；
步骤42，基于卡尔曼滤波算法计算卡尔曼滤波器的协方差矩阵，并基于第一状态向量Ai,t+j、第一观测向量Bi,t+j和协方差矩阵进行卡尔曼滤波后验概率计算得到对应的第一参考点概率ri,t+j；
其中，
Figure BDA0003563834120000081
Figure BDA0003563834120000082
为由第一状态向量Ai,t+j的x、y分量构成的位置向量，
Figure BDA0003563834120000083
为观测误差矩阵，Σ为协方差矩阵减去观测噪声矩阵τt+j，Σ-1为Σ的逆矩阵。
这里，卡尔曼滤波算法的协方差矩阵计算方式，以及卡尔曼滤波算法使用二维正态分布概率密度函数计算观测向量与状态向量的后验概率可由公知的卡尔曼滤波算法获知，在此不做一一赘述；又已知方程组中的状态向量sk也就是第一观测向量Bi,t+j的x、y分量服从二维正态分布，观测向量mk也就是第一观测向量Bi,t+j的的x、y分量也服从二维正态分布，那么状态向量与观测向量的误差向量err＝第一状态向量Ai,t+j-第一观测向量Bi,t+j也应服从二维正态分布；那么，在服从二维正态分布的误差向量err已知的前提下，结合已知的协方差矩阵和二维正态分布概率密度函数就可得到当前时刻观测向量与状态向量的后验概率；该后验概率为第一观测向量Bi,t+j位置坐标的后验概率，也就是参考点Pi在时刻t+j的预测位置概率即第一参考点概率ri,t+j。
步骤5，根据各个目标对应的所有参考点Pi的观测位置坐标(xi,t+j,yi,t+j)和第一参考点概率ri,t+j，对当前目标在时刻t+j的锚点位置进行估计得到对应的锚点位置坐标(Mxt+j,Myt+j)；
具体包括：步骤51，对与当前目标对应的n个第一参考点概率ri,t+j进行归一化处理，得到n个归一化概率ωi,t+j，
Figure BDA0003563834120000091
步骤52，根据与当前目标对应的n个参考点Pi的观测位置坐标(xi,t+j,yi,t+j)和归一化概率ωi,t+j,对当前目标在时刻t+j的锚点位置进行计算得到对应的锚点位置坐标(Mxt+j,Myt+j)；
其中，
Figure BDA0003563834120000092
这里，在估计各个目标的锚点位置时，实际就是基于归一化之后的参考点概率对所有观测位置坐标(xi,t+j,yi,t+j)进行加权求和，从而得到各个目标的锚点位置坐标(Mxt+j,Myt+j)。
综上所述，自动驾驶感知系统通过步骤1获得点云帧数据并通过步骤2-3进行状态向量初始化之后，就可通过持续迭代步骤4-5基于未来各个时刻下的多参考点的位置预测信息估计出对应目标的锚点位置信息。这个计算过程中每次迭代的计算量小、噪声少、滤波效果好，不但大大提高了预测估计效率还改善了预测估计质量。
本发明实施例一基于每次迭代产生的锚点位置坐标(Mxt+j,Myt+j)由多种后续处理方式。其中一种处理方式为：在得到各个目标未来指定时段内的多个锚点位置坐标之后，按时间先后顺序对各个锚点位置坐标进行坐标连接从而得到对应的预测轨迹。另一种处理方式为：在每次获得最新的锚点位置坐标(Mxt+j,Myt+j)时，都在预设地图上对其进行描计，并将其与前一个锚点位置坐标(Mxt+j,Myt+j)进行连接，从而对各个目标的实时预测轨迹进行展示。
图2为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图2所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图2中提到的系统总线305可以是外设部件互连标准(PeripheralComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、图形处理器(Graphics Processing Unit，GPU)等；还可以是数字信号处理器(Digital SignalProcessor，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、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明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指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片，该芯片用于执行前述方法实施例描述的处理步骤。
本发明实施例提供了一种根据多参考点预测信息估计锚点位置的方法、电子设备及计算机可读存储介质，对当前时刻的点云帧数据进行目标识别和地面投影图像转换；并在投影图像上为每个目标确定出一个数量可控的参考点集合；并使用卡尔曼滤波器对各个目标对应的参考点集合在未来时刻的参考点位置和参考点概率进行预测；并基于每个时刻预测出的参考点位置和概率估计出当前时刻的锚点位置。通过本发明，将基于点云的三维计算转换为简单的二维计算，将基于点云的大数据计算量转换为基于参考点的小数据计算量，从而极大地减少了数据计算量，提高了计算速度；并且，基于本发明的处理结果只需对各目标未来多个时刻的锚点位置进行连接就能快速得到预测轨迹，从而也提高了预测效率与准确度。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种根据多参考点预测信息估计锚点位置的方法，其特征在于，所述方法包括：
在初始时刻t，获取当前时刻的横向与纵向速度分量记为横向分量vx和纵向分量vy；并获取当前时刻的点云帧数据记为第一帧点云Dt；
对所述第一帧点云Dt进行目标识别和地面投影处理，并在其地面投影图像上对各个目标匹配的参考点进行提取生成对应的参考点集合；所述参考点集合包括多个参考点Pi,所述参考点Pi的位置坐标为(xi,t,yi,t),1≤i≤n，n为参考点总数；
确定各个所述参考点Pi在时刻t的第一状态向量Ai,t为[xi,t,yi,t,vx,vy]T；
对后续任意时刻t+j，使用所述卡尔曼滤波器根据各个所述参考点Pi在前一时刻的第一状态向量Ai,t+j-1进行预测得到对应的第一状态向量Ai,t+j、第一观测向量Bi,t+j和第一参考点概率ri,t+j；所述第一观测向量Bi,t+j为所述参考点Pi在时刻t+j的观测位置坐标(xi,t+j,yi,t+j)；1≤j；
根据各个目标对应的所有所述参考点Pi的所述观测位置坐标(xi,t+j,yi,t+j)和所述第一参考点概率ri,t+j，对当前目标在时刻t+j的锚点位置进行估计得到对应的锚点位置坐标(Mxt+j,Myt+j)。
2.根据权利要求1所述的根据多参考点预测信息估计锚点位置的方法，其特征在于，所述对所述第一帧点云Dt进行目标识别和地面投影处理，并在其地面投影图像上对各个目标匹配的参考点进行提取生成对应的参考点集合，具体包括：
对所述第一帧点云Dt进行目标识别得到对应的一个或多个第一目标；所述第一目标包括一个点云目标识别框和一个点云目标质心点；
对所述第一帧点云Dt向地面做投影得到对应的第一投影图；
在所述第一投影图上，将各个所述点云目标识别框的二维投影框记为对应的第一识别框，并将所述第一识别框的四个顶点记为对应的第一、第二、第三和第四顶点；并在所述第一投影图上，将各个所述点云目标质心点的投影点记为对应的第一质心点；并在所述第一投影图上，对各个所述第一目标的投影边缘点进行顺次连接生成对应的第一目标多边形，并将所述第一目标多边形的中心点记为对应的第一中心点；并将所述第一投影图上，对应同一个所述第一目标的所述第一、第二、第三和第四顶点、所述第一质心点和所述第一中心点都视为与当前第一目标匹配的参考点，并由所有匹配参考点组成对应的所述参考点集合。
3.根据权利要求1所述的根据多参考点预测信息估计锚点位置的方法，其特征在于，
所述卡尔曼滤波器的模型方程组为：
sk＝Fcsk-1+Gkuk+wk，
mk＝Hcsk+τk；
其中，sk-1为前一时刻的状态向量具体为[xk-1,yk-1,vx,(k-1),vy,(k-1)]T，sk为当前时刻的状态向量具体为[xk,yk,vx,k,vy,k]T，uk为时刻k的控制器输入向量，Gk为时刻k的控制向量变换矩阵，wk为时刻k的过程噪声向量，τk为时刻k的观测噪声向量，mk为时刻k的观测向量；
并以运动模型为匀速运动模型设定状态向量变换矩阵Fc为
Figure FDA0003563834110000021
并以观测向量为位置观测设定状态-观测变换矩阵Hc为
Figure FDA0003563834110000022
4.根据权利要求1所述的根据多参考点预测信息估计锚点位置的方法，其特征在于，所述使用所述卡尔曼滤波器根据各个所述参考点Pi在前一时刻的第一状态向量Ai,t+j-1进行预测得到对应的第一状态向量Ai,t+j、第一观测向量Bi,t+j和第一参考点概率ri,t+j，具体包括：
将各个所述参考点Pi在前一时刻t+j-1的第一状态向量Ai,t+j-1，连同当前时刻t+j的控制器输入向量ut+j、控制向量变换矩阵Gt+j、过程噪声向量wt+j和观测噪声向量vt+j以及状态向量变换矩阵Fc和状态-观测变换矩阵Hc，一起代入卡尔曼滤波器的模型方程组进行计算，得到对应的所述第一状态向量Ai,t+j和所述第一观测向量Bi,t+j；其中，
Ai，t+j＝FcAi，t+j-1+Gt+jut+j+wt+j，
Bi，t+j＝HcAi，t+j+τt+j；
基于卡尔曼滤波算法计算卡尔曼滤波器的协方差矩阵，并基于所述第一状态向量Ai,t+j、所述第一观测向量Bi,t+j和所述协方差矩阵进行卡尔曼滤波后验概率计算得到对应的所述第一参考点概率ri,t+j。
5.根据权利要求1所述的根据多参考点预测信息估计锚点位置的方法，其特征在于，所述根据各个目标对应的所有所述参考点Pi的所述观测位置坐标(xi,t+j,yi,t+j)和所述第一参考点概率ri,t+j，对当前目标在时刻t+j的锚点位置进行估计得到对应的锚点位置坐标(Mxt+j,Myt+j)，具体包括：
对与当前目标对应的n个所述第一参考点概率ri,t+j进行归一化处理，得到n个归一化概率ωi,t+j，
Figure FDA0003563834110000031
根据与当前目标对应的n个所述参考点Pi的所述观测位置坐标(xi,t+j,yi,t+j)和所述归一化概率ωi,t+j,对当前目标在时刻t+j的锚点位置进行计算得到对应的所述锚点位置坐标(Mxt+j,Myt+j)；其中，
Figure FDA0003563834110000032
6.根据权利要求1所述的根据多参考点预测信息估计锚点位置的方法，其特征在于，所述方法还包括：
在得到各个目标未来指定时段内的多个所述锚点位置坐标之后，按时间先后顺序对各个所述锚点位置坐标进行坐标连接从而得到对应的预测轨迹。
7.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-6任一项所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
8.一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存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-6任一项所述的方法的指令。
CN202210296969.2A 2022-03-24 2022-03-24 一种根据多参考点预测信息估计锚点位置的方法 Pending CN114663478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210296969.2A CN114663478A (zh) 2022-03-24 2022-03-24 一种根据多参考点预测信息估计锚点位置的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210296969.2A CN114663478A (zh) 2022-03-24 2022-03-24 一种根据多参考点预测信息估计锚点位置的方法

Publications (1)

Publication Number Publication Date
CN114663478A true CN114663478A (zh) 2022-06-24

Family

ID=82031994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210296969.2A Pending CN114663478A (zh) 2022-03-24 2022-03-24 一种根据多参考点预测信息估计锚点位置的方法

Country Status (1)

Country Link
CN (1) CN114663478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131426B (zh) * 2022-07-28 2024-03-22 苏州轻棹科技有限公司 一种对车辆后轴中心点进行估计的处理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131426B (zh) * 2022-07-28 2024-03-22 苏州轻棹科技有限公司 一种对车辆后轴中心点进行估计的处理方法

Similar Documents

Publication Publication Date Title
CN110020592B (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
WO2023193401A1 (zh) 点云检测模型训练方法、装置、电子设备及存储介质
CN106600624B (zh) 基于粒子群的粒子滤波视频目标跟踪方法
WO2023142864A1 (zh) 初始位姿的确定方法、装置、电子设备和存储介质
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN113420637A (zh) 自动驾驶中多尺度鸟瞰视角下的激光雷达检测方法
CN113095333A (zh) 无监督特征点检测方法及装置
Naujoks et al. Fast 3D extended target tracking using NURBS surfaces
CN114663478A (zh) 一种根据多参考点预测信息估计锚点位置的方法
CN111765883B (zh) 机器人蒙特卡罗定位方法、设备及存储介质
CN116596750A (zh) 一种点云处理方法、装置、电子设备及存储介质
CN115239776B (zh) 点云的配准方法、装置、设备和介质
CN116721156A (zh) 工件位置定位方法、装置、计算机设备及存储介质
WO2022017129A1 (zh) 目标对象检测方法、装置、电子设备及存储介质
CN114966736A (zh) 一种基于点云数据进行目标速度预测的处理方法
CN115327503A (zh) 基于高斯粒子滤波的固定单站无源定位方法和相关装置
CN113722675A (zh) 一种多模态轨迹预测模型的训练方法
CN113361601A (zh) 基于无人车激光雷达数据进行透视与俯瞰特征融合的方法
CN115131426A (zh) 一种对车辆后轴中心点进行估计的处理方法
CN114913213B (zh) 一种鸟瞰特征的学习方法和装置
CN114581751B (zh) 图像识别模型的训练方法和图像识别方法、装置
WO2023148850A1 (en) Training apparatus, angle estimation apparatus, training method, and angle estimation method
WO2024011510A1 (zh) 基于模型降阶边界元法的声压评估方法、装置及终端设备
CN114299265A (zh) 一种飞行时间相机的三维点云数据分割处理方法和系统
CN117726641A (zh) 一种地面分割方法、装置、设备及存储介质

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