CN114924274B - 一种基于固定网格的高动态铁路环境雷达感知方法 - Google Patents

一种基于固定网格的高动态铁路环境雷达感知方法 Download PDF

Info

Publication number
CN114924274B
CN114924274B CN202210367663.1A CN202210367663A CN114924274B CN 114924274 B CN114924274 B CN 114924274B CN 202210367663 A CN202210367663 A CN 202210367663A CN 114924274 B CN114924274 B CN 114924274B
Authority
CN
China
Prior art keywords
target
millimeter wave
wave radar
grid
effective
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
Application number
CN202210367663.1A
Other languages
English (en)
Other versions
CN114924274A (zh
Inventor
盛洁
张瑾
吴澄
汪一鸣
牛伟龙
丁俊哲
朱宁
郭享
张正杰
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 Rail Transit Group Co ltd
Suzhou University
Original Assignee
Suzhou Rail Transit Group Co ltd
Suzhou University
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 Rail Transit Group Co ltd, Suzhou University filed Critical Suzhou Rail Transit Group Co ltd
Priority to CN202210367663.1A priority Critical patent/CN114924274B/zh
Publication of CN114924274A publication Critical patent/CN114924274A/zh
Application granted granted Critical
Publication of CN114924274B publication Critical patent/CN114924274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • G01S2013/9328—Rail vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于固定网格的高动态铁路环境雷达感知方法，包括：首先利用基于固定网格的毫米波雷达去噪方法，去除毫米波雷达感知过程中出现的闪灭噪声，然后根据获得的有效目标的速度、加速度、位置坐标等信息，通过聚类算法将有效目标分为静态目标和动态目标，最后根据事先建立的雷达目标预警等级分类表，对有效目标进行预警等级甄别。本发明稳定性好，能够适应高动态铁路环境，有效去除了闪灭噪声，提高了毫米波雷达目标识别准确率。

Description

一种基于固定网格的高动态铁路环境雷达感知方法
技术领域
本发明属于货运铁路、雷达感知与去噪领域，特别是涉及一种基于固定网格的高动态铁路环境雷达感知方法。
背景技术
铁路系统是我国交通运输系统的重要组成部分之一，进一步建设好铁路系统，提升轨道交通线路的自动化水平是产业界的一个重要课题。
准确识别障碍物是列车在复杂环境下能够正常行驶的重要条件。毫米波雷达是进行障碍物识别的一种重要手段，通过接收目标反射的电磁波信号来判断目标的存在，可靠性强，同时毫米波雷达相比于激光雷达造价更低，且不受雨雾天气影响，可以准确获取目标相对速度、距离等数据，特别适用于远距离障碍物识别。
在稳定环境下工作时，毫米波雷达接收的数据中虚假目标较少，目标也较为单一。货运铁路系统是一个典型的高动态场景，列车在轨道中行驶时，车辆会产生剧烈的振动，这些振动会对毫米波雷达收到的目标点位等信息产生影响，导致目标点偏移，不利于障碍物的检测。与此同时，铁路轨道附近存在来自于铁路系统本身的电磁噪声污染，这些噪声来自列车、铁路供电系统和附近电力输电线路等，会对毫米波雷达的正常工作产生负面影响，例如会引起杂波，削弱雷达的目标获取能力。
发明内容
本发明的目的是提供一种基于固定网格的高动态铁路环境雷达感知方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于固定网格的高动态铁路环境雷达感知方法，包括：
获得毫米波雷达感知目标，利用固定网格的毫米波雷达去噪方法对所述毫米波雷达感知目标进行去噪处理，获得有效目标；
根据所述有效目标的状态信息，利用聚类方法对所述有效目标进行分类；
构建雷达目标预警等级分类表，根据所述雷达目标预警等级分类表，对分类后的所述有效目标进行预警等级甄别。
可选的，获得毫米波雷达感知目标的过程包括，
将毫米波雷达感知数据通过CAN卡输入计算机进行分帧处理，然后对分帧处理后的所述毫米波雷达感知数据进行报文解析，获得毫米波雷达感知目标。
可选的，利用固定网格的毫米波雷达去噪方法对所述毫米波雷达感知目标进行去噪处理，获得有效目标的过程包括，
对所述毫米波雷达感知目标进行预处理，生成毫米波雷达靶面；根据所述毫米波雷达靶面，构建双层结构的固定网格；对每层固定网格进行卡尔曼滤波，获得滤波后的每层固定网格的毫米波雷达点数，当所述毫米波雷达点数大于等于对应的固定网格的毫米波雷达点数阈值时，则所述固定网格内的毫米雷达感知目标为有效目标。
可选的，生成毫米波雷达靶面的过程包括，
在获取毫米波雷达感知目标后，计算所述毫米波雷达感知目标在直角坐标系中的投影位置，生成毫米波雷达靶面。
可选的，构建双层结构的固定网格的过程包括，
将所述毫米波雷达靶面以预设的网格进行分割，形成第一层固定网格，以所述第一层固定网格中各网格的对角线交点作为第二层固定网格的角点，形成第二层固定网格。
可选的，每层固定网格的毫米波雷达点数阈值的计算公式为，
T＝T0+kδ，其中T为当前网格本时刻的阈值，T0为初始阈值，通过多次实验确定取值，k为加权系数，δ是周围四个网格本时刻毫米波雷达点数变化值的均值。
可选的，所述有效目标的状态信息包括，
速度、加速度和位置坐标。
可选的，分类后的有效目标包括静态目标和动态目标。
本发明的技术效果为：
本发明提出的一种基于固定网格的高动态铁路环境雷达感知方法，利用基于固定网格的毫米波雷达去噪方法，去除了毫米波雷达感知过程中出现的闪灭噪声，然后根据获得的有效目标的速度、加速度、位置坐标等信息，通过聚类算法将有效目标分为静态目标和动态目标，最后根据事先建立的雷达目标预警等级分类表，对有效目标进行预警等级甄别。本方法稳定性好，能够适应高动态铁路环境，有效去除了闪灭噪声，提高了毫米波雷达目标识别准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中的一种基于固定网格的高动态铁路环境雷达感知方法的流程示意图；
图2为本发明实施例中的双层结构的固定网格的示意图；
图3为本发明实施例中的卡尔曼滤波过程的示意图；
图4为本发明实施例中的经过聚类算法分类后的有效目标示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种基于固定网格的高动态铁路环境雷达感知方法，流程如图1所示，包括以下步骤：
步骤1：获得毫米波雷达感知目标，利用固定网格的毫米波雷达去噪算法，对毫米波雷达感知目标进行有效性判断,获得有效目标：
步骤1.1：获得毫米波雷达感知目标的过程：将毫米波雷达感知数据通过CAN卡输入计算机进行分帧处理，然后对分帧处理后的毫米波雷达感知数据进行报文解析，获得毫米波雷达感知目标。
步骤1.2：数据预处理：获得新一帧毫米波雷达感知目标后，计算毫米波雷达感知目标在直角坐标系中的投影位置，形成毫米波雷达靶面；
步骤1.3：构建双层结构的固定网格：将形成的毫米波雷达靶面以水平1.3米纵向2米为网格进行分割，形成第一层固定网格，以第一层固定网格中各网格的对角线交点作为第二层固定网格的角点，形成第二层固定网格，生成双层结构的固定网格如图2所示；
步骤1.4：卡尔曼滤波去噪：统计每层固定网格中每个网格内部的毫米波雷达点数记为Z，对每个网格进行卡尔曼滤波，直观的滤波过程如图3所示，包括时间更新和状态更新两部分，具体步骤如下：
(1)更新状态方程，即更新预测的网格内毫米波雷达点数数据；
Xk|k-1＝AXk-1|k-1+BUk，式中Xk|k-1是利用上一时刻的最优估值进行的本时刻预测，Xk-1|k-1是上一状态的最优预测结果，A、B是系统参数，Uk是现在状态的控制量；
(2)更新Xk|k-1对应的协方差；
Pk|k-1＝APk-1|k-1A'+Q，式中Pk|k-1是Xk|k-1的协方差，Pk-1|k-1是Xk-1|k-1的协方差，A′是A的转置矩阵，Q是系统过程噪声的协方差；
(3)更新卡尔曼增益；
Kgk＝Pk|k-1H'/(HPk|k-1H'+R)，式中H是观测矩阵，R是系统测量的噪声协方差，H′是H的转置矩阵；
(4)更新状态最优估值；
Xk|k＝Xk|k-1+Kgk(Zk-HXk|k-1)，式中Zk为测量值，计算得到本时刻的最优预测值Xk|k，记为滤波结果X；
(5)更新协方差；
Pk|k＝(I-KgkH)Pk|k-1，式中Pk|k为k时刻X最优估值的协方差；
步骤1.5：阈值自适应计算：计算每层固定网格中每个网格的阈值T＝T0+kδ，其中T为当前网格本时刻的阈值，T0为初始阈值，k为加权系数，δ是周围四个网格本时刻毫米波雷达点数变化值的均值，通过多次实验确定取值T0＝0.4,k＝-0.2；
步骤1.6：有效性判断：判断第一层固定网格中每个网格内的毫米波雷达有效点数为
Figure BDA0003586590900000061
同理判断第二层固定网格中每个网格内的毫米波雷达有效点数为Zvalid,B，两层固定网格作为相互独立的判断依据，对于当前时刻任意一个毫米波雷达感知目标，当某一个网格满足Zvalid,A≠0或Zvalid,B≠0，则该网格内的毫米波雷达感知目标为有效目标，否则为噪声目标；
步骤1.7：有效目标输出：输出本帧所有识别出的有效毫米波雷达感知目标点，并读取下一帧，返回步骤1.1，直至停止输入新毫米波雷达感知数据。
步骤2：根据获得的有效目标的速度、加速度、位置坐标等状态信息，使用聚类算法对有效目标进行分类：使用聚类算法的流程如下
步骤2.1：将每个有效目标的状态信息看作一类，计算两两之间的最小距离distmin；
步骤2.2：将距离最小的两个类合并成一个新类；
步骤2.3：重新计算新类与所有类之间的距离；
步骤2.4：重复步骤2.2和步骤2.3，直到不再有两类之间的距离满足distmin＜kdist条件；
其中，步骤2.1：静态目标与动态目标分类：对有效目标的速度参数进行聚类，速度参数的最小距离计算公式为：
Figure BDA0003586590900000071
速度参数的距离阈值kdist取为三倍测量精度，分类效果如图4所示，图中圆形为静止目标点，三角形为运动目标点，方形为闪灭目标；
步骤2.2：动态目标合成：通过速度、加速度和位置坐标等参数将同一动态物体的多个反射点合成单一动态目标，相关参数的最小距离计算公式为：
Figure BDA0003586590900000072
Figure BDA0003586590900000073
Figure BDA0003586590900000074
速度参数和加速度参数的距离阈值kdist取为三倍测量精度，位置参数的径向与横纵坐标的距离阈值取为kX＝kY＝4.8m，合成效果如图4所示，图中三角形的目标点是运动目标点；
步骤3：构建雷达目标预警等级分类表，根据雷达目标预警等级分类表，对分类后的有效目标进行预警等级甄别：
依据有效目标与毫米波雷达之间的相对运动状态，将障碍物预警等级分为三级，其中危险程度最高的是“危险”等级，目标状态为向雷达运动，需要时刻掌握该目标的状态，必要时采取紧急制动措施。一定距离内静止的目标被标记为“预警”，需保持安全行车速度，预留一定操作空间。一定距离以外的静止目标以及与雷达相背而行的目标被标记为“安全”，对行车没有安全影响，不需作预警与操作。表1给出了障碍物预警等级：
表1
Figure BDA0003586590900000081
实施例1：以下结合一个实施例子对基于固定网格的毫米波去噪算法性能进行说明，即通过模拟实验验证算法的性能，其实施如下：
在模拟实验中，设置了3个运动状态不同的移动目标(运动状态不同于静止目标)，33个静止目标，每一帧分别设置了4个，8个，12个随机噪声。为了模拟振动环境，给每个目标都添加0-1m的随机位置偏移，0-0.5m/s的随机速度偏移，距离分辨率为0.25m，速度分辨率为0.12m/s，两层网格的大小设置为横向1.3m，纵向2m。实验结果如表2基于固定网格的毫米波雷达去噪算法实验结果所示：
表2
Figure BDA0003586590900000082
从表2可以看出，使用基于固定网格的毫米波去噪算法可以有效去除闪灭噪声，提高了毫米波雷达接收到的信号质量，在高动态环境下能够有效提高障碍物识别的准确率，同时也保持了较低的虚警率。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于固定网格的高动态铁路环境雷达感知方法,其特征在于，包括：
获得毫米波雷达感知目标，利用固定网格的毫米波雷达去噪方法对所述毫米波雷达感知目标进行去噪处理，获得有效目标；
根据所述有效目标的状态信息，利用聚类方法对所述有效目标进行分类；
构建雷达目标预警等级分类表，根据所述雷达目标预警等级分类表，对分类后的所述有效目标进行预警等级甄别；
利用固定网格的毫米波雷达去噪方法对所述毫米波雷达感知目标进行去噪处理，获得有效目标的过程包括，
对所述毫米波雷达感知目标进行预处理，生成毫米波雷达靶面；根据所述毫米波雷达靶面，构建双层结构的固定网格；对每层固定网格进行卡尔曼滤波，获得滤波后的每层固定网格的毫米波雷达点数，当所述毫米波雷达点数大于等于对应的固定网格的毫米波雷达点数阈值时，则所述固定网格内的毫米雷达感知目标为有效目标；
生成毫米波雷达靶面的过程包括，
在获取毫米波雷达感知目标后，计算所述毫米波雷达感知目标在直角坐标系中的投影位置，生成毫米波雷达靶面；
构建双层结构的固定网格的过程包括，
将所述毫米波雷达靶面以预设的网格进行分割，形成第一层固定网格，以所述第一层固定网格中各网格的对角线交点作为第二层固定网格的角点，形成第二层固定网格；
每层固定网格的毫米波雷达点数阈值的计算公式为，
Figure QLYQS_1
，其中T为当前网格本时刻的阈值，/>
Figure QLYQS_2
为初始阈值，通过多次实验确定取值，k为加权系数，/>
Figure QLYQS_3
是周围四个网格本时刻毫米波雷达点数变化值的均值；
根据获得的有效目标的速度、加速度、位置坐标状态信息，使用聚类算法对有效目标进行分类：使用聚类算法的流程如下：
步骤2.1：将每个有效目标的状态信息看作一类，计算两两之间的最小距离
Figure QLYQS_4
；
步骤2.2：将距离最小的两个类合并成一个新类；
步骤2.3：重新计算新类与所有类之间的距离；
步骤2.4：重复步骤2.2和步骤2.3，直到不再有两类之间的距离满足
Figure QLYQS_5
条件；
其中，步骤2.1：静态目标与动态目标分类：对有效目标的速度参数进行聚类，速度参数的最小距离计算公式为：
Figure QLYQS_6
速度参数的距离阈值/>
Figure QLYQS_7
取为三倍测量精度，分类效果图中，圆形为静止目标点，三角形为运动目标点，方形为闪灭目标；
步骤2.2：动态目标合成：通过速度、加速度和位置坐标参数将同一动态物体的多个反射点合成单一动态目标，相关参数的最小距离计算公式为：
Figure QLYQS_8
速度参数和加速度参数的距离阈值/>
Figure QLYQS_9
取为三倍测量精度，位置参数的径向与横纵坐标的距离阈值取为/>
Figure QLYQS_10
，合成效果图中，三角形的目标点是运动目标点。
2.根据权利要求1所述的基于固定网格的高动态铁路环境雷达感知方法，其特征在于，获得毫米波雷达感知目标的过程包括，
将毫米波雷达感知数据通过CAN卡输入计算机进行分帧处理，然后对分帧处理后的所述毫米波雷达感知数据进行报文解析，获得毫米波雷达感知目标。
3.根据权利要求1所述的基于固定网格的高动态铁路环境雷达感知方法，其特征在于，所述有效目标的状态信息包括，
速度、加速度和位置坐标。
4.根据权利要求1所述的基于固定网格的高动态铁路环境雷达感知方法，其特征在于，分类后的有效目标包括静态目标和动态目标。
CN202210367663.1A 2022-04-08 2022-04-08 一种基于固定网格的高动态铁路环境雷达感知方法 Active CN114924274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210367663.1A CN114924274B (zh) 2022-04-08 2022-04-08 一种基于固定网格的高动态铁路环境雷达感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210367663.1A CN114924274B (zh) 2022-04-08 2022-04-08 一种基于固定网格的高动态铁路环境雷达感知方法

Publications (2)

Publication Number Publication Date
CN114924274A CN114924274A (zh) 2022-08-19
CN114924274B true CN114924274B (zh) 2023-06-30

Family

ID=82805658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210367663.1A Active CN114924274B (zh) 2022-04-08 2022-04-08 一种基于固定网格的高动态铁路环境雷达感知方法

Country Status (1)

Country Link
CN (1) CN114924274B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020216316A1 (zh) * 2019-04-26 2020-10-29 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质
WO2021069857A1 (en) * 2019-10-07 2021-04-15 Seechange Technologies Limited System and method for determining occupancy zones
CN113808174A (zh) * 2021-08-27 2021-12-17 杭州电子科技大学 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法
WO2022000857A1 (zh) * 2020-06-30 2022-01-06 广东小鹏汽车科技有限公司 数据集的建立方法、车辆和存储介质
CN114035187A (zh) * 2021-10-26 2022-02-11 北京国家新能源汽车技术创新中心有限公司 一种自动驾驶系统的感知融合方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061600B (zh) * 2018-09-28 2023-02-14 上海市刑事科学技术研究院 一种基于毫米波雷达数据的目标识别方法
CN110781927B (zh) * 2019-10-11 2023-05-23 苏州大学 车路协同下基于深度学习的目标检测与分类方法
US11435443B2 (en) * 2019-10-22 2022-09-06 Infineon Technologies Ag Integration of tracking with classifier in mmwave radar
CN112590781A (zh) * 2020-12-22 2021-04-02 南京理工大学 基于毫米波相控阵雷达的车辆防撞警示方法及装置
CN114022760B (zh) * 2021-10-14 2022-08-05 湖南北斗微芯产业发展有限公司 铁路隧道障碍物监测预警方法、系统、设备及存储介质
CN114137526A (zh) * 2021-10-31 2022-03-04 际络科技(上海)有限公司 基于标签的车载毫米波雷达多目标检测方法和系统
CN114218978A (zh) * 2021-11-08 2022-03-22 合肥湛达智能科技有限公司 一种嵌入式轻量化的毫米波雷达目标识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020216316A1 (zh) * 2019-04-26 2020-10-29 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质
WO2021069857A1 (en) * 2019-10-07 2021-04-15 Seechange Technologies Limited System and method for determining occupancy zones
WO2022000857A1 (zh) * 2020-06-30 2022-01-06 广东小鹏汽车科技有限公司 数据集的建立方法、车辆和存储介质
CN113808174A (zh) * 2021-08-27 2021-12-17 杭州电子科技大学 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法
CN114035187A (zh) * 2021-10-26 2022-02-11 北京国家新能源汽车技术创新中心有限公司 一种自动驾驶系统的感知融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Grid-Based Object Tracking With Nonlinear Dynamic State and Shape Estimation;Sascha Steyer 等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;1-20 *
基于角毫米波雷达的目标筛选;郭蓬 等;汽车实用技术(第11期);26-28 *
基于轨道环境特征的轨道环境识别;蔚增岩 等;《长春理工大学学报(自然科学版)》;第43卷(第06期);66-71 *

Also Published As

Publication number Publication date
CN114924274A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN107609522A (zh) 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN111899568B (zh) 桥梁防撞预警系统、方法、装置和存储介质
JP2017067756A (ja) 物体検出装置及び物体検出方法
CN113253257B (zh) 一种基于多毫米波雷达和视觉的露天矿障碍物检测方法
CN112526521B (zh) 一种汽车毫米波防撞雷达的多目标跟踪方法
CN113721262B (zh) 基于激光雷达检测船舶航向和高度的桥梁防碰撞预警方法
JP2018100899A (ja) 物体検出装置、物体検出プログラム、および記録媒体
US11852714B2 (en) Stationary status resolution system
US11709260B2 (en) Data driven resolution function derivation
CN110667536A (zh) 一种列车aeb系统弯道控制决策方法
CN112116809A (zh) 基于v2x技术的非视距车辆防碰撞方法及装置
Otto et al. A joint integrated probabilistic data association filter for pedestrian tracking across blind regions using monocular camera and radar
CN114093165A (zh) 一种基于路侧激光雷达的车辆-行人冲突自动识别方法
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN111708014A (zh) 一种毫米波雷达的封闭空间内部非合作目标定位及测量方法
CN114924274B (zh) 一种基于固定网格的高动态铁路环境雷达感知方法
CN110095776B (zh) 用于确定对象的存在和/或特性的方法和周围环境识别设备
Song et al. Research on target tracking algorithm using millimeter-wave radar on curved road
Yang et al. Target recognition using rotating ultrasonic sensor for an amphibious ROV
Yan et al. Clustering statistic Hough transform based estimation method for motion elements of multiple underwater targets
CN111768442B (zh) 一种基于层次聚类和逻辑法的航迹起始方法及系统
Zhao et al. Millimeter wave radar denoising and obstacle detection in highly dynamic railway environment
Zhu et al. Fixed grid-based radar sensing method for high dynamic railroad environment
CA3157089C (en) Stationary status resolution system
CN115824237B (zh) 轨道路面识别方法及装置

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
GR01 Patent grant
GR01 Patent grant