CN115114578A - 确定对象传感器的噪声统计的方法 - Google Patents

Abstract

确定对象传感器的噪声统计的方法。一种自动确定并使用由连接至跟踪器(100)的至少一个传感器(20)提供的有噪声观测数据(21)的噪声统计(30)的方法，以便使用卡尔曼算法来改善时变对象(40)的跨场景跟踪。该卡尔曼算法允许得到对象(40)的动态参数的估计并且根据所述有噪声观测数据(21)和根据经校正的先前估计来提供所述估计的精度。所述方法包括以下步骤：从位于卡尔曼算法外部并且被连接至跟踪器(100)的数据源(50)接收参考数据(51)；从所述参考数据(51)得到反映由传感器(20)产生的误差的所述噪声统计(30)；以及使用所述噪声统计(30)作为卡尔曼算法的设定参数。

Description

确定对象传感器的噪声统计的方法

技术领域

本公开涉及通常被用于例如汽车行业的图案识别的跟踪器领域，并且各个跟踪器皆被连接至少一个对象检测器或传感器以提供有噪声观测数据(noisy observationdata)。本公开的跟踪器设置有卡尔曼(Kalman)滤波器以改善对时变对象的跨场景跟踪。基于这样的设备，本公开利用高质量参考数据，以便自动收集至少一个传感器的误差或噪声统计，并且使用该统计来校准跟踪器的卡尔曼滤波器。

更具体地，本公开涉及自动确定并使用这种噪声统计的方法，以及实现该方法的非暂时性计算机可读介质和跟踪器。

背景技术

卡尔曼滤波器常规上被用在感知系统中，基于来自一个或更多个源的观测，通过预测来跨场景地提供对象的稳定(线性)跟踪。为此，卡尔曼滤波器由根据内部模型编程的算法来实现。为了适当地平衡卡尔曼滤波器的内部模型预测与外部观测，卡尔曼滤波器需要估计所述源中的各个源的观测噪声。这些源通常由像外围装置一样被连接至卡尔曼滤波器的传感器(诸如对象检测器)构成。大的噪声估计将导致跟踪器对根据其自身的内部状态发出的预测给出更多的信任，而低噪声估计将对观测给出更多的信任。

噪声估计通常是调谐和实验的结果，并且设定它们考虑了“魔法(black art)”的形式。基于卡尔曼滤波器的跟踪器必须由专家进行手动调谐，这是一个劳动密集且易于出错的过程。每当传感器或对象检测器被修改时，必须重复该调谐过程，这进一步减慢了开发周期并且增加了引入误差的风险。现代车辆安装每种类型的多个传感器，因此必须经常针对这些传感器中的各个传感器重复该过程。

现代的基于机器学习的对象检测器通常报告各个检测到的对象的置信度值，该置信度值与检测是正确/准确的可能程度相关。这些置信度值可以由跟踪器用于向各个检测赋予较高或较低的信任，但是目前没有直接的方法来实现这一点。而且，尽管可以将置信度值用于对单个检测器的输出进行滤波或重新加权，但是当组合多个检测器的输出时，置信度值甚至更难以应用。这是因为由不同对象检测器报告的置信度不一定位于相同的范围内或者将相同的误差幅度与各个值相关联。因此，产生多个对象检测器的置信度需要专门设计检测器来报告类似的置信度值，从而降低现有算法的可重用性。

因此，需要改善现有公开以便至少部分地克服前述问题和缺点，尤其是简化跟踪器的校准过程并且提高对象观测的可靠性，尤其是当多个传感器与跟踪器一起使用时。

发明内容

为了解决这种问题，本公开提出了一种为基于卡尔曼的对象检测器导出噪声校准的自动方法。更具体地，提出了一种自动确定并使用由被连接至跟踪器的至少一个传感器提供的有噪声观测数据的噪声统计的方法，以便使用卡尔曼算法来改善对时变对象的跨场景跟踪。该卡尔曼算法可使得到对象的动态参数的估计并且根据有噪声观测数据和根据经校正的先前估计来提供估计的精度。前述方法包括以下步骤：

从卡尔曼算法外部的并且被连接至跟踪器的数据源接收参考数据；

从所述参考数据导出反映由传感器产生的误差的所述噪声统计；以及

使用所述噪声统计作为卡尔曼算法的设定参数。

本公开允许更准确地跟踪对象并改善跟踪器性能。另外，如果跟踪器包括多个传感器(即，多个检测器)，则本公开还允许将多个检测器融合为“黑盒子”，而不是假设它们的内部功能。以这种方式，可以允许成品的软件组件的基于置信度的传感器融合。

在一个实施方式中，参考数据涉及已经通过传感器得到了有噪声观测数据的场景，并且其中，从参考数据导出噪声统计是通过将所述参考数据与由传感器提供的有噪声观测数据进行比较来获得的。

优选地，参考数据包括从数据源接收到的经注释的观测数据，并且该参考数据被用于校准跟踪器。

根据一个实施方式，噪声统计包括传感器的精度，该传感器的精度定义了有噪声观测数据是正确的概率。

优选地，传感器的精度被用于确定由所述传感器提供的相关有噪声观测数据是将被跟踪器考虑用于跟踪所述对象还是将被废弃。

在一个实施方式中，有噪声观测数据涉及对象的多个测得的变量，从所述多个测得的变量中可识别至少一对测得的变量，并且所述噪声统计包括以下项中的至少一个：

所测得的变量中的各个测得的变量的预期方差，以及

每对测得的变量之间的预期协方差。

优选地，所测得的变量涉及以下项中的至少一个：

对象的尺寸数据，

对象在场景内的定位数据，

对象与传感器之间的距离数据，

对象的绝对或相对速度数据，以及

对象的绝对或相对加速度数据。

根据优选实施方式，每对测得的变量之间的预期协方差是以协方差矩阵或向量形式来提供的，并且被用作卡尔曼算法的输入以定义有噪声观测数据中的观测噪声。

在一个实施方式中，传感器报告与有噪声观测数据是正确的或准确的概率有关系的置信度值，并且所述方法还包括以下步骤：

使用所述置信度值作为加权参数，该加权参数经由被进一步输入卡尔曼算法中的观测噪声而被应用至所述有噪声观测数据。

在另一实施方式中，传感器报告与有噪声观测数据是正确的或准确的概率有关系的置信度值，并且所述方法还包括以下步骤：

将所述置信度值与多个预定置信度区间进行比较，所述多个预定置信度区间中的各个预定置信度区间与误差参数相关联，以及

在所述噪声统计中包含与包括置信度值的置信度区间相关联的误差参数。

优选地，误差参数是在预处理阶段期间确定的，该预处理阶段旨在：

针对一组参考数据运行传感器以收集多个置信度值，

根据所述置信度值，将所述参考数据分成子集，

针对各个子集，将由传感器提供的有噪声观测数据与相关参考数据进行比较，以及

计算传感器的误差协方差和精度作为形成所述误差参数的数据。

根据一个实施方式，传感器报告对有噪声观测数据是正确的或准确的概率进行量化的置信度值，并且所述方法还包括以下步骤：

使用建立误差与置信度值之间的关系的回归模型，该回归模型用于确定与所报告的置信度值相对应的误差；

在所述噪声统计中包括由回归模型提供的所报告的置信度值的误差。

优选地，回归模型是基于从传感器多次检测对象而获得的散点图来确定的，其中，该散点图中的各个点是根据每次检测确定的置信度值和误差来导出的。

本公开还涉及一种包括程序指令的非暂时性计算机可读介质，该程序指令使处理器执行根据所述方法实施方式中的任一方法实施方式或者根据本公开的实施方式的任何可能组合的方法。

本公开也涉及一种实现根据本公开的实施方式中的任一实施方式或者根据本公开的实施方式的任何可能组合的前述方法的跟踪器，所述跟踪器包括：

处理单元，该处理单元用于存储和运行卡尔曼算法和所述方法的步骤；

第一通信接口，该第一通信接口用于连接提供有噪声观测数据的至少一个传感器；以及

第二通信接口，该第二通信接口用于从外部数据源接收参考数据。

在下文的详细描述中公开了其它的实施方式和优点。

附图说明

本公开以及本公开中提出的实施方式应作为非限制性示例，并且参照附图将会更好地理解，其中：

图1是包括适于实现本公开的方法的跟踪器的环境的主要实体的示意性表示图，

图2是卡尔曼滤波器的示意性表示图，

图3示出了有助于理解统计方法内的精度概念的说明图，

图4是对象传感器的示例输出与参考数据之间的比较以收集由传感器产生的误差的统计的示意性表示图，

图5是被指派了误差参数的置信度值范围的划分的示意性表示图，

图6是根据由传感器报告的置信度值来使用噪声统计作为卡尔曼算法的设定参数的示意图，以及

图7是示出了来自多个源的融合检测的示意图。

具体实施方式

图1示出了包括适用于实现本公开的方法的跟踪器100的环境的示意性表示图。前述环境还包括其它主要实体(诸如传感器20)以及场景中的由跟踪器100通过传感器20跟踪的对象40。尽管图1作为示例示出了两个传感器20a、20b，但是应理解，传感器20的数量不限于两个，以使跟踪器100可以包括或者被连接到至少一个传感器20。传感器20可以是任何类型的传感器或者对象检测器，并且通常使用雷达检测技术来工作。因此，这些传感器是例如基于电磁波或声波的，诸如无线电波、超声波、红外波或激光波。场景中的对象40通常可以是道路环境内的对象，例如，障碍物或道路用户。传感器20和跟踪器100被优选地缩进以安装在诸如智能或自主车辆的车辆上，以得到道路上的环境感知。

如图1示意性示出，跟踪器100包括用于存储和运行卡尔曼算法的处理器或处理单元102，该卡尔曼算法可以充当或者被看作卡尔曼滤波器101。跟踪器100还至少包括用于连接至少一个传感器20的第一通信接口104，并且优选地包括用于将跟踪器100连接至数据源50的第二通信接口105，该数据源可以是外部数据源50。提供对象40的估计状态的跟踪数据110是例如通过第三通信接口103从跟踪器100输出的。

图2提供了卡尔曼滤波器101的示意性例示图。可以将卡尔曼滤波器101看作托管数学工具的装置，该数学工具通常通过算法10来实现，该算法用于根据通常局部的且有噪声的观测来估计动态系统的状态。动态系统通常可以是对象40在场景内的移动。为此，滤波器101(更具体为卡尔曼算法10)把一序列观测数据21作为输入，使得各个观测皆被线性地链接至精确的未知状态。算法10的目的是以最优且递归的方式来估计这些状态。卡尔曼滤波器101的能力是其预测参数和校正误差的能力，这不仅是针对充当观测数据源的传感器20，而且还针对模型本身。因此，卡尔曼滤波器101能够整合有关模型本身的不精确项，这允许滤波器101给出正确的估计而不管合理的建模误差。

在不进行详细说明的情况下，卡尔曼算法10是基于图2示意性地描绘的两步过程的。第一步是预测步骤11，其预测系统的状态，更具体地预测被观测对象40的动态参数。第二步是更新步骤12，其使用有噪声观测数据21，即，由传感器20提供的有关被观测对象40的易于出错的测量结果Y，以便改进对系统状态的估计。由于传感器20a、20b中的各个传感器皆提供有噪声观测，因此，在图1中，由第一传感器20a发出的有噪声观测数据21用标号21a来标识，而由第二传感器20b发出的有噪声观测数据21用标号21b来标识。

卡尔曼算法10在其输出处提供关于被观测对象的输出数据13，特别是定义时刻t的对象40或者在时刻t与该对象相关的动态参数。输出数据13包括估计14以及该估计14的精度15。在图2中，输出数据13也由字面(lateral)值

来标识，其中，

是估计，更特别地是包括所估计的参数的状态向量，并且P_t是估计的精度，通常是误差协方差矩阵。

卡尔曼算法10还在时刻t-1把经校正的先前估计13'作为输入。因此，在图2中，还通过字面值

来标识经校正的先前估计13'，其中，

是先前估计，并且P_t-1是估计的先前精度。

现代的基于机器学习的对象传感器(最值得注意的是神经网络)通常报告伴随各个检测到的对象40的置信度值22。置信度值22(尤其是由传感器20a、20b中的各个传感器所报告的各个置信度值22a、22b(图1))与检测是正确/准确的可能程度相关。因此，如图1所陈述的，可以将其看作观测Y的精度P。

应注意，这里的术语“精度”是根据其统计角度的定义来使用的。因此，要把精度看作是所取得的实例当中的相关实例的分数。换句话说，它是从传感器20发出的观测是正确的概率。关于由传感器20根据被应用到对象40上的量度而发出的输出有两种可能的结果。从传感器20输出的观测包括一些误差(例如，关于检测到的对象40的位置或尺寸的误差)，或者传感器20已经检测到虚假的对象，这是因为在场景中实际不存在对象40。在第一种情况下，使用措辞“真阳性(true positive)”，而在第二种情况下，使用措辞“假阳性(falsepositive)”。

还结合图3示出了“假阳性”和“假阴性(false negative)”的概念。例如，使用模型来预测驾驶员将在红绿灯处停车还是不停车。这种场景是答案可能是真或假的二元分类。如果模型必须预测在驾驶员停车时为阳性而在驾驶员不停车时为阴性，则“假阳性”预测驾驶员停车，而实际上驾驶员不停车。“假阴性”以相反的方式工作，使得在这样的情况下，模型预测驾驶员将不停车(阴性)，而驾驶员实际上停车。

根据前述内容，可以把精度看作是“真阳性”与“真阳性”和“假阳性”的总和的比率。换句话说，如果“真阳性”被记为TP，并且“假阳性”被记为FP(如图3的示例所示)，那么精度P因此可以由以下表达式来定义：P＝TP/(TP+FP)。

在图2所示的卡尔曼滤波器中，通常通过噪声协方差矩阵来描述与“真阳性”情况相对应的误差，即，关于对象40的动态或对象参数的误差。另一方面，如果这些误差涉及“假阳性”(即，检测到不存在的对象)，则它们通常由精度P＝TP/(TP+FP)来描述。实际上，在该情况下，假定没有“真实的”对象，那么确定例如对象40的位置或尺寸的误差是没有意义的。

在其主要方法中，将基于图1和图2描述本公开的方法。它涉及一种用于自动确定并使用由被连接至跟踪器100的至少一个传感器20提供的有噪声观测数据21的噪声统计30，以便使用卡尔曼算法10来改善对跨场景的时变对象40的跟踪的方法。卡尔曼算法可使得到对象40的动态参数的估计14并且根据所述有噪声观测数据21和根据经校正的先前估计13'来提供估计14的精度15。该方法包括以下步骤：

从卡尔曼算法10外部的并且连接至跟踪器100的数据源50接收参考数据51；

从所述参考数据51取得反映由传感器20产生的误差的噪声统计30；以及使用噪声统计30作为卡尔曼算法10的设定参数。

应注意，参考数据51通常可以在跟踪器100处(例如经由第二通信接口105)来接收，并且取得和使用噪声统计30可以由跟踪器100来执行，特别是由处理单元102来执行，例如由可以被认为是处理单元102的一部分的卡尔曼滤波器101来执行。还应指出，噪声统计30不应与由传感器20所报告的置信度值22混淆。实际上，置信值22与传感器输出的数据相关(如图1所示)，而噪声统计30与通常可以由跟踪器100提供的数据相关，更具体地，与该跟踪器的优选地包括卡尔曼滤波器101的处理单元102所提供的数据相关。在该情况下，由于噪声统计30由处理单元102来提供以便被输入为卡尔曼算法10的设定参数，因此可以把噪声统计30看作在处理单元102内确定并使用的设定参数。

提供参考数据51的数据源50通常是外部数据源50，特别是卡尔曼算法10外部的数据源，以使参考数据不来自卡尔曼算法10。因此，数据源50在卡尔曼滤波器101的外部，并且优选地在处理单元102的外部。更优选地，数据源在跟踪器100的外部。因此，跟踪器100通常可以通过第二通信接口105，例如经由有线或无线连接而连接至数据源50。在优选实施方式中，数据源50是远程数据库或服务器，跟踪器100可以例如经由诸如互联网的广域网而连接至该远程数据库或服务器。

由于噪声统计30既反映由传感器20产生的误差，又是从参考数据51得到的，因此这意味着可以把参考数据51看作真值(ground truth)数据或者反映绝对事实的数据。参考数据51的性质和/或格式将优选地取决于有噪声观测数据21的性质和/或格式，以使它们都是相同类型的并且可以被适当地比较。因此并且根据优选实施方式，参考数据涉及已经通过传感器得到有噪声观测数据21的场景。换句话说，可以把参考数据51看作所述场景的与传感器20的作为有噪声观测数据21的输入处于相同域中的描述。例如，如果传感器输出关于多个边界框的数据(这些边界框皆可以通过诸如中心、尺寸和/或旋转的多个对象参数来定义)，则参考数据51还将涉及边界框，特别是涉及与前述对象参数相同的参数。

优选地，从参考数据51得到噪声统计30是通过将参考数据51与由传感器20提供的有噪声观测数据21进行比较来获得的。根据上面的示例，可以通过将检测到的边界框与参考边界框进行比较来计算噪声统计30。

近来，将机器学习用于感官感知的广告已经激增了对被用于训练机器学习模型的传感器数据的收集和注释。经注释的数据提供了自动测量对象传感器20的误差统计30并将其用于例如校准跟踪器100的唯一机会。因此，在一个实施方式中，参考数据51包括从数据源50接收到的经注释的观测数据。经注释的数据(也被称为“标注数据”)涉及被手动标记了希望输出的数据。例如，经注释的数据可以是由场景中的对象周围的人手动标记的边界框。因此，经注释的数据通常可以是几何数据(尺寸、距离、角度、线段、曲线、坐标等)。有时，经注释的数据涉及动态数据(速度、加速度等)或者语义数据(举例来说，如关键词的词)。无论如何，经注释的数据在机器学习方法中是非常有用的，其中，数据对(各个对都包括观测和注释)被提供给寻求输入与希望输出之间的映射的算法。通常，经注释的数据采用与从传感器20输出的有噪声观测数据21相同的格式。唯一的差异可能涉及置信度值，由于经注释的数据被视为“绝对真实”，因此通常将该置信度值从经注释的数据中省略。

根据一个实施方式，本公开优选地利用参考数据51(优选地利用高质量参考数据51)，以便自动校准跟踪器100。这种校准可以在初始化阶段或者所谓的校准阶段期间以自动方式执行。

图4是对象传感器20的示例输出与参考数据51之间的连续比较的示意性表示图，以便从中得到和收集由传感器20产生的误差的统计30。为此，在图4的顶部从左侧到右侧示意性地描绘了一序列这种比较。相对于在右侧描绘的示例中示出的低置信度检测，在左侧描绘的示例示出了可以被认为是高置信度检测的比较。

为了执行这种确定，将有噪声观测数据21与参考数据51进行比较，该参考数据51通常指的是与和使用传感器20来捕获有噪声观测数据21的场景相同的场景有关的经注释的数据。可以将这样的场景用于在传感器20的开发期间的验证目的。如图4示意性示出的，将由传感器20提供的输出(即，有噪声观测数据21)与参考数据51进行比较，以便得到和收集反映由传感器产生的误差的噪声统计30。

由传感器20进行的检测提供高置信度HC的情况是通过两个示例示出的，其中在有噪声观测数据21与参考数据51之间存在轻微偏移。另一方面，图4的右侧通过两个其它的示例示出了低置信度LC检测，其中，有噪声观测数据21在第一示例中具有尺寸缺陷和定位缺陷两者，而在第二示例中具有显著的旋转缺陷。

如图4所示，噪声统计30可以包括传感器20的精度P，该传感器的精度定义有噪声观测数据21是正确的概率，特别是肯定检测是正确的概率。精度可以通过结合图3讨论的公式P＝TP/(TP+FP)来确定。

优选地，传感器20的精度P被用于确定由传感器20提供的相关有噪声观测数据21将被跟踪器100考虑用于跟踪对象40还是将被废弃。

根据一个实施方式，有噪声观测数据21涉及对象40的多个测得的变量41，从所述多个测得的变量中可识别至少一对测得的变量41，并且噪声统计30包括以下项中的至少一个：

所述测得的变量41中的各个测得的变量的预期方差，以及

每对测得的变量41之间的预期协方差。

图4例示了这样的实施方式，其中，在本示例中，所述多个测得的变量41与值或坐标x、y以及与对象40的宽度、高度和旋转相关。如果对象例如是如图4所描绘的矩形框，则值x、y可以涉及对象的中心或者另一特定点(诸如，拐角)。

根据一般方法，所测得的变量41可以涉及以下项中的至少一个：

对象40的尺寸数据，

对象40在场景内的定位数据，

对象40与传感器20之间的距离数据，

对象40的绝对或相对速度数据，以及

对象40的绝对或相对加速度数据。

方差指的是样本值的分散的量度。所述方差是关于所测得的值的均值来确定的，特别是作为与前述均值的偏差的平方的均值。协方差提供了两个变量之间(即，一对测得的变量41之间)的依赖程度。噪声协方差是误差协方差(或者换句话说，估计的精度)，其它可以通过图4中由v_k标识的误差协方差矩阵或噪声协方差矩阵来表示。

根据一个实施方式，每对测得的变量41之间的预期协方差是以协方差矩阵v_k或向量形式来提供的，并且被用作卡尔曼算法10的输入，以用于定义有噪声观测数据21中的观测噪声。换句话说，观测噪声是可以被用作卡尔曼算法10的设定参数的噪声统计30。如图2所示，除了有噪声观测数据21和经校正的先前估计13'之外，还将观测噪声或噪声统计30输入卡尔曼算法中。

根据另一实施方式，传感器20报告与有噪声观测数据21是正确的或准确的概率有关系的置信度值22(图1所描绘的)。换句话说，置信度值22取决于前述概率，或者可以被看作间接反映前述概率，在这种意义上，较高的置信度值将与较准确的检测相关联。在本实施方式中，所述方法还包括以下步骤：

使用置信度值22作为加权参数，该加权参数经由观测噪声(即，有噪声观测数据21的误差)而被应用至有噪声观测数据21；该观测噪声被进一步输入卡尔曼算法10中。

在这种情况下，间接使用置信度值22来加权有噪声观测数据21。这样的操作可以由处理单元102内的任何例程或者最终在卡尔曼滤波器101内执行。具有高置信度值22的有噪声观测数据21将导致低噪声估计被提供到卡尔曼算法10中。因此，跟踪器100在内部将由此向该检测赋予较高的权重，这是因为噪声估计是决定它应当赋予该检测什么权重的重要部分。

根据图5示意性地示出的另一实施方式，传感器20报告与有噪声观测数据21是正确的或准确的概率有关系的置信度值22，并且所述方法还包括以下步骤：

将比较置信度值22与多个预定置信度区间23进行比较，所述多个预定置信度区间中的各个预定置信度区间与误差参数25相关联，以及

在所述噪声统计30中包含与包括置信度值22的置信度区间23相关联的误差参数25。

再次地，这样的操作可以由处理单元102内的任何例程或者最终在卡尔曼滤波器101内执行。此外，根据前述操作，应理解，将置信度22指派给多个预定置信度区间23当中的一个置信度区间23，在图5中，所述多个预定置信度区间由分别被指派给第一区间、第二区间以及第k区间的多对值{c₁、c₂}、{c₂、c₃}、…、{c_k-1、c_k}来限定。

优选地，误差参数25是在预处理阶段期间确定的，该预处理阶段旨在：

针对一组参考数据51运行传感器20以收集多个置信度值22，

根据置信度值22将参考数据51分成子集，

针对各个子集，比较由传感器20提供的有噪声观测数据21与相关参考数据51，以及

计算传感器的误差协方差和精度作为形成误差参数25的数据。

而且，如较早提及的，这样的操作可以由处理单元102内的任何例程或者最终在卡尔曼滤波器101内执行。所计算出的误差协方差(噪声协方差)是优选地通过参考v_k以如图4所示的矩阵的形式来产生的。预处理阶段将针对一观测的由传感器20提供的置信度值22替换成针对该特定观测估计的噪声。这将允许更准确地跟踪对象40并允许将多个传感器融合为“黑盒子”，而无需假设它们的内部功能。以这种方式，提高了跟踪器性能，同时允许成品软件组件的基于置信度的传感器融合。

根据另一实施方式，传感器20报告对有噪声观测数据21是正确的或准确的概率进行量化的置信度值22，并且所述方法还包括以下步骤：

使用建立误差与置信度值22之间的关系的回归模型，该回归模型用于确定与所报告的置信度值22相对应的误差，

在噪声统计30中包括由回归模型提供的针对所报告的置信度值22的误差。

如前提及，这样的操作可以由处理单元102内的任何例程或者最终在卡尔曼滤波器101内执行。另外，例如，可以使用前述回归模型，以代替在提供置信度值22的第一列与提供可以被映射至这些置信度值22的相关误差的第二列之间的映射的表。通过使用这种表中的数据，还可以得到笛卡尔图上的散点图，其中，所述两个列的值可以通过该图的两个轴来报告。

因此，回归模型可以基于从传感器20针对对象40的多个检测(即，有噪声观测数据21)获得的散点图来确定，其中，散点图中的各个点是根据每次检测确定的置信度值22和误差得到的。

如在一个实施方式中所建议的，如果使用由传感器20报告的置信度值22，则可以把噪声统计30看作置信度相关噪声统计。这些噪声统计30或者置信度相关噪声统计在被提供为跟踪器100(尤其是提供给跟踪器100的卡尔曼算法10)的输入时具有两个主要应用。第一应用是使用置信度值22来改善卡尔曼跟踪器100的跟踪性能，并且第二应用是使用置信度值22以便融合多个传感器20。实际上，有时值得跨不同的轴来细分协方差估计。例如，基于LIDAR的对象传感器20可以准确地预测对象40(例如，车辆)的取向，但是这种传感器20可能对行人产生较多的错误。

作为旨在使用置信度信息以更好地跟踪的第一用例，图6提供了根据由传感器20报告的置信度值22来使用统计30作为卡尔曼算法10的设定参数的示意图。在跟踪器100中使用置信度值22允许该跟踪器将较高的信任指派给较准确的预测。代替例如在初始化或校准阶段期间使用基于有噪声观测数据21的预期噪声的噪声项来校准跟踪器，还可以逐样本地将噪声项提供给跟踪器100。可在卡尔曼跟踪器100中以多种方式使用置信度相关噪声30以获得优异的性能。

实际上，作为第一种方式，可以将预期协方差矩阵v_k作为“观测噪声协方差”参数馈送到跟踪器100中。当被正确地测量时，前述参数确保跟踪器100通过有噪声观测数据21来比对外部观测最优地加权该跟踪器的内部状态。观测中的特定变量的预测噪声越低，观测的被指派权重就越高。与卡尔曼滤波器的典型应用相反，在卡尔曼滤波器的典型应用中，所有观测均被指派有类似的误差，或者每次都试探性地确定误差，在本公开中，基于实际测量，针对每一次检测分别预测误差。

作为第二种方式，可以使用预期精度P来确定有噪声观测数据21是否应当被并入轨迹(track)中，尤其是并入由跟踪器100输出的跟踪数据110中。这可以基于跟踪器根据预定义设定参数允许的假阳性FP的最大速率来确定。

因此，通过为各个有噪声观测数据21提供单独的噪声协方差矩阵v_k，可以自然地利用跟踪器100，以在并入较多不确定的检测(即，较多不确定的有噪声观测数据21)时，使用较好或较高的不确定性估计。这些不确定性估计也被延续到由跟踪器100维持的轨迹噪声估计中，从而在轨迹不再可靠时产生较好的判定。应注意，噪声协方差矩阵v_k可以在校准阶段期间以自动方式获得，并因此不需要手动调谐参数。

上面提及的第二种用例旨在使用用于融合多个对象传感器20的置信度信息。通过图7示意性地例示了这种情况，该图示出了融合来自多个源(例如，来自传感器20a和20b)的检测。传感器20a、20b中的各个传感器包括其自己的检测方法或过程，以使不同的对象检测过程通常具有不同的效率或强度。例如，一个过程在检测长距离对象时可能更准确，而另一过程在分别检测靠近在一起的两个对象时可能更好。

因此，即使在被应用于同一有噪声观测数据21时，将多个过程的输出融合在一起也可以提供优异的性能。然而，当试图融合由单独的对象检测器(诸如传感器20a、20b)提供的置信度值22时存在显著的困难，这是因为不存在用于报告置信度值22的标准方式，并因此不存在用于比较不同的传感器20a、20b的置信度的可靠方式。

实际上，所报告的置信度值22中的差异可以包括：

a)置信度位于完全不同的范围内。

b)置信度位于同一范围内，但是基于不同的标度(scale)。例如，置信度值0.6可能表示传感器20a的高置信度，而同一值(0.6)可能表示另一传感器20b的低置信度。

c)标度也可以完全相同，但是传感器20a、20b本身具有不同的预测质量。例如，由“好”传感器20提供的低置信度观测可以与由“差”传感器20发出的高置信度观测相当。

因此，比较多个传感器20的置信度值22将需要把传感器设计为输出同一“类型”的置信度。然而，这样做将需要仔细的工程并且将禁止使用成品的软件组件。

有利地，本公开还通过将由这些传感器20发出的置信度值22变换成可以容易地进行比较的常规坐标系，来高效地解决比较不同的传感器20的置信度的问题。实际上，对于所述传感器20中的各个传感器，可以根据先前公开的实施方式来确定传感器20的预期噪声协方差(噪声协方差矩阵v_k)和精度P。更具体地，可以基于相关检测器20的预先计算的校准数据，根据检测器的置信度值22来确定预期噪声协方差v_k和精度P。代替使用置信度值22来评估有噪声观测数据21，现在将各个观测(有噪声观测数据)与其预期精度P和预期噪声协方差矩阵v_k相关联，如图7示意性地描绘的。

通过将置信度值22替换成包括传感器20的预期噪声(噪声协方差矩阵v_k)和精度P的噪声项(噪声统计30)，将某些仅在单个传感器20的背景下具有含义的东西变换成某些具有通用含义的东西，尤其是多个传感器20的含义，并且特别是任何传感器20的含义。结果，传感器20所报告的不确定性可以直接相互比较，而不需要对传感器20本身进行任何修改。而且，被包括在噪声统计30中的新的值具有可解释的“现实世界”含义。有利地，这使得做出设计决定和并入约束变得更简单，所述约束例如指定对所关注的特定变量的预测的最大公差。

本公开还涉及一种包括程序指令的非暂时性计算机可读介质60，该程序指令用于使处理器(诸如图1的处理单元102)执行根据本公开的实施方式中的任一实施方式或者根据本公开的实施方式的任何可能组合的方法。

术语“非暂时性”不排除合法的有形临时存储介质，诸如闪存驱动器或任何可重写存储介质。一般而言，计算机可访问介质可以包括任何有形或非暂时性存储介质或存储器介质，诸如电子、磁或光介质。这样的介质可以是磁盘、CD/DVD-ROM或者任何其它介质，该介质可以例如经由专用通信接口或者已经公开的通信接口之一联接至处理单元102，或者该介质可以位于另一装置内(例如以永久性的方式)，例如处理单元102。

本文所使用的术语“有形的”和“非暂时性的”旨在描述排除传播电磁信号的计算机可读存储介质(或“存储器”)，但是不旨在以其它方式限制由短语计算机可读介质或存储器所涵盖的物理计算机可读存储装置的类型。例如，术语“非暂时性计算机可读介质”或“有形存储器”旨在涵盖不必永久性地存储信息的存储装置类型，例如包括随机存取存储器(RAM)和闪存。以非暂时性形式存储在有形计算机可访问存储介质上的程序指令和数据还可以通过传输介质或信号(诸如电信号、电磁信号或数字信号)来传输。

本公开还涉及一种实现根据本公开的实施方式中的任一实施方式或者根据本公开的实施方式的任何可能组合的前述方法的跟踪器100。如图1所示，该跟踪器100包括：

处理单元102，该处理单元存储和运行卡尔曼算法10和所述方法的步骤，

第一通信接口104，该第一通信接口连接提供有噪声观测数据21的至少一个传感器20，以及

第二通信接口105，该第二通信接口从外部数据源50接收参考数据51。

所述方法的前述步骤涵盖用于执行所述方法的任何实施方式或者所述方法的实施方式的任何可能组合的全部所需步骤。对象40的估计状态是例如经由第三通信接口103通过由跟踪器100输出的跟踪数据110来提供的。应注意，通信接口的数量可以不同，例如，单个通信接口可以代替多个通信接口，尤其是在通信接口103、104、105当中。而且，处理单元102可以包括卡尔曼滤波器101(如图1所描绘的)，或者如果卡尔曼滤波器101位于处理单元102外部，则该处理单元可以被连接至该卡尔曼滤波器101。卡尔曼滤波器101包括卡尔曼算法10并且还可以直接涉及处理单元102。

最后，本公开还涉及车辆70(优选地涉及机动车辆70)，该车辆至少包括前述跟踪器100，如图1示意性地描绘的。由于数据源50优选为外部或远程数据源，因此该数据源优选为不是跟踪器100或车辆70的部分。

尽管已经参照特定的示例实施方式描述了本发明主题的概述，但是在不脱离本说明书中公开的本公开的实施方式的更广泛的精神和范围的情况下，可以对这些实施方式进行各种修改和改变。

Claims (15)

1.一种自动确定并使用对有噪声观测数据(21)的噪声统计(30)以便使用卡尔曼算法(10)来改善时变对象(40)的跨场景跟踪的方法，所述噪声统计(30)是由连接至跟踪器(100)的至少一个传感器(20)提供的，所述卡尔曼算法(10)允许得到所述对象(40)的动态参数的估计(14)并且根据所述有噪声观测数据(21)并根据经校正的先前估计(13')来提供所述估计(14)的精度(15)，所述方法包括以下步骤：

从位于所述卡尔曼算法(10)外部并且被连接至所述跟踪器(100)的数据源(50)接收参考数据(51)；

从所述参考数据(51)得到反映由所述传感器(20)产生的误差的所述噪声统计(30)；以及

使用所述噪声统计(30)作为所述卡尔曼算法(10)的设定参数。

2.根据权利要求1所述的方法，其中，所述参考数据(51)涉及已经通过所述传感器(20)得到了所述有噪声观测数据(21)的所述场景，并且其中，从所述参考数据(51)得到所述噪声统计(30)是通过将所述参考数据(51)与由所述传感器(20)提供的所述有噪声观测数据(21)获得的。

3.根据权利要求2所述的方法，其中，所述参考数据(51)包括从所述数据源(50)接收到的经注释的观测数据，并且所述参考数据(51)被用于校准所述跟踪器(100)。

4.根据权利要求1或3所述的方法，其中，所述噪声统计(30)包括所述传感器(20)的精度(P)，所述传感器(20)的精度(P)定义所述有噪声观测数据(21)是正确的概率。

5.根据权利要求4所述的方法，其中，所述传感器(20)的精度(P)被用于确定由所述传感器(20)提供的相关的有噪声观测数据(21)将被所述跟踪器(100)考虑用于跟踪所述对象(40)还是将被废弃。

6.根据权利要求1至5中任一项所述的方法，其中，所述有噪声观测数据(21)涉及所述对象(40)的多个测得的变量(41)，从所述多个测得的变量中能够识别至少一对测得的变量(41)，并且所述噪声统计(30)包括以下项中的至少一个：

所测得的变量(41)中的各个测得的变量的预期方差，以及

每对测得的变量(41)之间的预期协方差。

7.根据权利要求6所述的方法，其中，所测得的变量(41)涉及以下项中的至少一个：

所述对象(40)的尺寸数据，

所述对象(40)在所述场景内的定位数据，

所述对象(40)与所述传感器(20)之间的距离数据，

所述对象(40)的绝对速度数据或相对速度数据，以及

所述对象(40)的绝对加速度数据或相对加速度数据。

8.根据权利要求6或7所述的方法，其中，每对测得的变量(41)之间的所述预期协方差是以协方差矩阵(v_k)或向量的形式来提供的，并且被用作所述卡尔曼算法(10)的输入，以用于定义所述有噪声观测数据(21)中的观测噪声。

9.根据权利要求1至8中任一项所述的方法，其中，所述传感器(20)报告与有噪声观测数据(21)是正确的或准确的概率有关系的置信度值(22)，并且所述方法还包括以下步骤：

使用所述置信度值(22)作为加权参数，所述加权参数经由被进一步输入所述卡尔曼算法(10)中的观测噪声而被应用至所述有噪声观测数据(21)。

10.根据权利要求4至8中任一项所述的方法，其中，所述传感器(20)报告与有噪声观测数据(21)是正确的或准确的概率有关系的置信度值(22)，并且所述方法还包括以下步骤：

将所述置信度值(22)与多个预定置信度区间(23)进行比较，所述多个预定置信度区间中的各个预定置信度区间与误差参数(25)相关联；以及

在所述噪声统计(30)中包含与包括所述置信度值(22)的所述置信度区间(23)相关联的所述误差参数(25)。

11.根据权利要求10所述的方法，其中，所述误差参数(25)是在预处理阶段期间确定的，所述预处理阶段旨在：

针对一组参考数据(51)运行所述传感器(20)以收集多个置信度值(22)，

根据所述置信度值(22)，将所述参考数据(51)分成子集，

针对各个子集，将由所述检测器(20)提供的所述有噪声观测数据(21)与所述相关参考数据(51)进行比较，以及

计算所述检测器(20)的误差协方差和精度(P)作为形成所述误差参数(25)的数据。

12.根据权利要求1至8中任一项所述的方法，其中，所述传感器(20)报告对有噪声观测数据(21)是正确的或准确的概率进行量化的置信度值(22)，并且所述方法还包括以下步骤：

使用建立误差与所述置信度值(22)之间的关系的回归模型，所述回归模型用于确定与所报告的置信度值(22)相对应的所述误差，

在所述噪声统计(30)中包含由所述回归模型提供的针对所报告的置信度值(22)的所述误差。

13.根据权利要求12所述的方法，其中，所述回归模型是基于从所述传感器(20)对所述对象(40)的多个检测获得的散点图来确定的，其中，所述散点图中的各个点是根据每次检测确定的置信度值(22)和误差得到的。

14.一种包含程序指令的非暂时性计算机可读介质(60)，所述程序指令使处理器(102)执行根据权利要求1至13中任一项所述的方法。

15.一种实现根据权利要求1至13中任一项所述的方法的跟踪器(100)，所述跟踪器包括：

处理单元(102)，所述处理单元存储和运行卡尔曼算法(10)和所述方法的步骤；

第一通信接口(104)，所述第一通信接口连接提供有噪声观测数据(21)的至少一个传感器(20)；以及

第二通信接口(105)，所述第二通信接口从外部数据源(50)接收参考数据(51)。

Images