CN115808684A

CN115808684A - 目标优化方法、装置、设备及存储介质

Info

Publication number: CN115808684A
Application number: CN202211509294.1A
Authority: CN
Inventors: 陈剑斌; 谭余; 熊新立; 任凡; 蔡渝东
Original assignee: Chongqing Changan Automobile Co Ltd
Current assignee: Chongqing Changan Automobile Co Ltd
Priority date: 2022-11-29
Filing date: 2022-11-29
Publication date: 2023-03-17

Abstract

本发明属于目标优化技术领域，提供一种目标优化方法、装置、设备及存储介质，目标优化方法包括：步骤S1、建立并初始化与目标状态数据对应的方程模型，其中，目标状态数据包括位置数据、速度数据和加速度数据；步骤S2、获取与点云对应的目标状态数据，并将目标状态数据作为方程模型的输入量，其中，点云的数量为多个，不同的点云在不同的时间阈值内获取，并且不同的点云对应不同的目标状态数据；步骤S3、对目标状态数据中的位置数据和速度数据进行约束，计算出与位置数据对应的位置约束误差。本申请通过获取某一时段内目标所有的点云，然后基于点云并采用误差约束和代价函数最小化的方法计算目标状态数据的最优估计，使得目标的结果更加准确。

Description

目标优化方法、装置、设备及存储介质

技术领域

本发明属于目标优化技术领域，具体涉及目标优化方法、装置、设备及存储介质。

背景技术

近年来，对于自动驾驶的研究不仅是科学界的研究热点，L3级自动驾驶更是成为了各个科技公司和传统车企技术落地的重点项目。多传感器融合是当前行业的普遍使用的方案，其可以利用各传感的感知特性优势，各传感相互弥补，相互冗余，实现对环境目标全方位的精确可靠感知。毫米波雷达因为其价格低、测速精度高，天气环境影响小，成为了多传感感知系统中的标配。

为了使传感器获得的目标检测结果更准确，会采用多传感目标融合软件将多个传感器获得的目标进行融合。当前，多传感目标融合软件中多采用卡尔曼滤波的方式进行各个传感数据的融合，如申请号CN202111250422.0公开的一种自动驾驶系统的感知融合方法，申请号CN202010925757.7公开的一种目标融合方法、装置、存储介质及电子设备。

在通过卡尔曼滤波融合的方法中，一般只对雷达感知的目标数据进行融合。而这些目标数据因没有关联点云，可能存在一部分信息损失，导致目标数据本身不够准确，而通过这些目标数据融合出来的结果也不够稳定和精确。

发明内容

本发明的目的是：旨在提供目标优化方法、装置、设备及存储介质，用来解决背景技术中指出的，目标数据因没有关联点云，可能存在一部分信息损失，导致目标数据本身不够准确的问题。

为实现上述技术目的，本发明采用的技术方案如下：

第一方面，提供一种目标优化方法，所述目标优化方法包括：

步骤S1、建立并初始化与目标状态数据对应的方程模型，其中，所述目标状态数据包括位置数据、速度数据和加速度数据；

步骤S2、获取与点云对应的所述目标状态数据，并将所述目标状态数据作为所述方程模型的输入量，其中，所述点云的数量为多个，不同的所述点云在不同的时间阈值内获取，并且不同的所述点云对应不同的所述目标状态数据；

步骤S3、对所述目标状态数据中的所述位置数据和所述速度数据进行约束，计算出与所述位置数据对应的位置约束误差，以及与所述速度数据对应的速度约束误差；

步骤S4、根据所述位置约束误差和所述速度约束误差，并基于代价函数最小化，计算出最优的所述目标状态数据并输出。

结合第一方面，在一些可选的实施方式中，在步骤S1中的所述方程模型中，将目标状态数据的横纵向分离，并假设所述位置数据为一个随时间变化的三阶曲线方程，则所述速度数据为所述位置数据的微分，所述加速度数据为所述速度数据的微分。

结合第一方面，在一些可选的实施方式中，在步骤S2中，所述获取与点云对应的所述目标状态数据的方法包括：

步骤S21、通过传感器获得与所述点云关联的目标检测数据，其中，所述目标检测数据包括目标相对位置、目标绝对速度、目标绝对加速度；

步骤S22、获得与所述点云相同所述时间阈值内的本车状态数据，其中，所述本车状态数据包括本车位置、本车绝对速度和本车绝对加速度；

步骤S23、根据所述目标检测数据和所述本车状态数据计算出所述目标状态数据，其中，所述位置数据等于所述目标相对位置，所述速度数据等于所述目标绝对速度和所述本车绝对速度的差值，所述加速度数据为所述目标绝对加速度和所述本车绝对加速度的差值。

结合第一方面，在一些可选的实施方式中，在步骤S3中，基于所述点云都在目标的框内的假设，将所述目标的框外的点云到目标框的最近距离作为误差建立约束，所述位置约束误差的计算方程如下：

Ep_n＝Pr-sprt(Pr_x*Pr_x+Pr_y*Pr_y)，

其中，Ep_n为第n个点云的位置约束误差，Pr为点云的径向距离，Pr_x和Pr_y分别为点云的径向与目标的交点的横纵坐标。

结合第一方面，在一些可选的实施方式中，在步骤S3中，将所述目标的横纵向速度分解到所述点云的角度方向，并基于所述点云的径向速度对所述速度数据建立约束，所述速度约束误差如下：

Ev_n＝Vr-Vx*sin(θ)+Vy*cos(θ),

其中，Ev_n为第n个点云的速度约束误差，Vr为点云的径向速度，Vx为点云的x向速度，Vy为点云的y向速度，θ为点云的水平角度。

结合第一方面，在一些可选的实施方式中，在步骤S5中，根据所述位置约束误差和所述速度约束误差，并基于代价函数最小化，计算出最优的所述目标状态数据并输出，包括：

步骤S51、根据所述位置约束误差和所述速度约束误差计算所述目标状态数据的总损失代价；

步骤S52、判断所述总损失代价是否小于预设的偏差阈值，若是，则将与所述总损失代价对应的目标状态数据作为目标的最优状态数据，若否，则重复执行步骤S2，直到所述总损失代价是否小于偏差阈值为止；

步骤S53、输出所述目标的最优状态数据。

第二方面，提供一种目标优化装置，所述目标优化装置包括：

初始化模块，用于建立并初始化与目标状态数据对应的方程模型，其中，所述目标状态数据包括位置数据、速度数据和加速度数据；

获取模块，用于获取与点云对应的所述目标状态数据，并将所述目标状态数据作为所述方程模型的输入量，其中，所述点云的数量为多个，不同的所述点云在不同的时间阈值内获取，并且不同的所述点云对应不同的所述目标状态数据；

约束模块，用于对所述目标状态数据中的所述位置数据和所述速度数据进行约束，计算出与所述位置数据对应的位置约束误差，以及与所述速度数据对应的速度约束误差；

计算模块，用于根据所述位置约束误差和所述速度约束误差，并基于代价函数最小化，计算出最优的所述目标状态数据并输出。

第三方面，提供一种目标优化设备，所述目标优化设备包括控制器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述控制器执行时，使得所述优化设备执行如第一方面中任一项所述的目标优化方法。

第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如第一方面中任一项所述的目标优化方法。

采用上述技术方案的发明，具有如下优点：

本实施方法通过获取某一时段内目标所有的点云，然后采用误差约束和代价函数最小化的方法计算目标状态数据的最优估计，相对于现有技术，本方法估计出来的目标状态数据更加准确，而后续将多个传感器的目标状态数据融合出来的结果也会更加准确和稳定。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明；

图1为本发明实施例中目标优化方法的流程示意图；

图2为本发明实施例中对点云的位置数据建立约束的示意图；

图3为本发明实施例中对点云的速度数据建立约束的示意图。

具体实施方式

以下将结合附图和具体实施例对本发明进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，实施例中提到的方向用语，例如“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等，仅是参考附图的方向，并非用来限制本发明的保护范围。

本申请提供一种目标优化设备，目标优化设备主要设置于车辆上。目标优化设备包括控制器和存储器，存储器中存储有计算机程序，当计算机程序被控制器执行时，使得优化设备执行下述的目标优化方法。

除此之外，目标优化设备还包括多个传感器，该传感器主要为毫米波雷达，主要用于检测目标的点云。

需要说明的是，本实施例中的目标，既可以指代被传感器检测的实体对象，例如，人、车辆、障碍物等；同时，也可以指代传感器的检测结果，例如，可以是一个用于描述实体对象的数据模型，在计算机中该模型可以以结构体的形式存在，此数据模型具有多项属性(对应结构体中的成员)，这些属性用于描述目标的状态。后文在不致产生歧义时，不再特别区分“目标”一词具有的上述两重含义，结合具体场景理解即可。

此外，检测到的点云中包含了关于目标的关联信息，其中，关联信息包括但不限于目标的坐标位置、方向角、速度、加速度、尺寸等信息。

如图1所示，本申请实施例还提供一种目标优化方法，其中，该目标优化方法可以包括如下步骤：

在背景技术中提到的融合多传感器目标的方法中，主要是将多个传感器检测到的目标的位置数据、速度数据和加速度数据分别进行融合。而步骤S1中主要针对这几个数据建立方程模型。

当步骤S1中建立好方程模型并初始化后，再去获取点云对应的目标状态数据，将每一个点云对应的目标状态数据输入方程模型后，即可求出与该目标状态数据对应的具体的方程。而同一个传感器获取的点云的数量往往不止一个，并且不同的点云可以对应不同的目标状态数据。因此，在本实施例中设置有一个时间阈值，在每个时间阈值内获取一个点云，根据每个点云可求得在这个时间阈值内的目标状态数据。例如设置时间阈值为1秒，则在第1秒至第n秒的每一秒内均获取一个点云，并以n秒作为一个时段，即只获取n秒的所有点云。然后再采用步骤3、步骤4中的方法计算出最优的目标状态数据。

可以理解的是，本车一般处于动态移动过程，而目标一般也处于一个动态移动过程，而目标的状态数据主要取决与目标的位置数据和速度数据，因此，这两个数据必定会存在一定的误差，而对这两个数据进行约束，便于进行步骤4估计最优的目标状态数据。

可以理解的是，该步骤中采用代价函数最小化的方式，将位置约束误差和速度约束误差作为代价函数的相关量，可以计算出对应该点云的损失代价，并以损失代价较小时的目标状态数据作为最优的目标状态数据，使得检测到的目标的结果比较准确。

综上所述，本实施方法通过获取某一时段内目标所有的点云，然后采用误差约束和代价函数最小化的方法计算目标状态数据的最优估计，相对于现有技术中直接采用目标数据，本方法估计出来的目标状态数据更加准确，而后续将多个传感器的目标状态数据融合出来的结果也会更加准确和稳定。

作为一种可选的实施方式，在步骤S1中的所述方程模型中，将目标状态数据的横纵向分离，并假设所述位置数据为一个随时间变化的三阶曲线方程，则所述速度数据为所述位置数据的微分，所述加速度数据为所述速度数据的微分。

具体的位置数据的计算方程如下：

Px＝a0+a1*t+a2/2*t*t+a3/6*t*t*t；

Py＝b0+b1*t+b2/2*t*t+b3/6*t*t*t；

根据位置数据的计算方程，则具体的速度数据的计算方程如下：

Vx＝a1+a2*t+a3/2*t*t；

Vy＝b1+b2*t+b3/2*t*t；

根据速度数据的计算方程，则具体的加速度数据的计算方程如下：

Ax＝a2+a3/t；

Ay＝b2+b3/t；

根据上述的三组方程，可以确定的是，该方程模型中需要确定的参数包含a0,a1,a2,a3和b0,b1,b2,b3这8个参数。由于每一个时间阈值内的首帧时间均可以看作0，因此，可以由上述的三组方程求得每个参数的表达方程，每个参数的首帧初始化方程具体如下：

a0＝Px,a1＝Vx,a2＝Ax,a3＝0；

b0＝Py,b1＝Vy,b2＝Ay,b3＝0；

在上述的方程模型中，P表示位置，V表示速度，A表示加速度，x表示横坐标，y表示纵坐标，t表示时间阈值。

作为一种可选的实施方式，在步骤S2中，所述获取与点云对应的所述目标状态数据的方法包括：

可以理解的是，目标和本车可能都处于一个动态的过程中，而通过采用上述的实施方式，可以使得被车获取目标相对本车的一个相对状态数据，更加便于本车分析目标的状态。

作为一种可选的实施方式，如图2所示，在步骤S3中，基于所述点云都在目标的框内的假设，将所述目标的框外的点云到目标框的最近距离作为误差建立约束，所述位置约束误差的计算方程如下：

Ep_n＝Pr-sprt(Pr_x*Pr_x+Pr_y*Pr_y)，

作为一种可选的实施方式，如图3所示，在步骤S3中，将所述目标的横纵向速度分解到所述点云的角度方向，并基于所述点云的径向速度对所述速度数据建立约束，所述速度约束误差如下：

Ev_n＝Vr-Vx*sin(θ)+Vy*cos(θ),

作为一种可选的实施方式，在步骤S5中，根据所述位置约束误差和所述速度约束误差，并基于代价函数最小化，计算出最优的所述目标状态数据并输出，包括：

步骤S52、判断所述总损失代价是否小于预设的偏差阈值(偏差阈值一般通过工程实际经验进行标定)，若是，则将与所述总损失代价对应的目标状态数据作为目标的最优状态数据，若否，则重复执行步骤S2，直到所述总损失代价是否小于偏差阈值为止；

步骤S53、输出所述目标的最优状态数据。

其中，计算总损失代价以及判断的公式如下：

Loss＝Ev_n*Sv_n*Ev_n+Ep_n*Sp_n*Ep_n；

[a0,a1,a2,a3,b0,b1,b2,b3]＝argmin(Loss)；

其中，S为该误差项的信息权重系数，一般通过工程实际经验进行标定。

在步骤S51至S53的实施方式中，采用迭代的思想，计算最优的目标状态数据，不仅便于计算，而且能够简化工作量，出结果比较迅速。

本申请实施例还提供一种目标优化装置，目标优化装置包括初始化模块、获取模块、约束模块和计算模块，其中，各个模块的功能如下：

可选地，获取模块还用于：

通过传感器获得与所述点云关联的目标检测数据，其中，所述目标检测数据包括目标相对位置、目标绝对速度、目标绝对加速度；

获得与所述点云相同所述时间阈值内的本车状态数据，其中，所述本车状态数据包括本车位置、本车绝对速度和本车绝对加速度；

根据所述目标检测数据和所述本车状态数据计算出所述目标状态数据，其中，所述位置数据等于所述目标相对位置，所述速度数据等于所述目标绝对速度和所述本车绝对速度的差值，所述加速度数据为所述目标绝对加速度和所述本车绝对加速度的差值。

可选地，计算模块还用于：

根据所述位置约束误差和所述速度约束误差计算所述目标状态数据的总损失代价；

判断所述总损失代价是否小于预设的偏差阈值，若是，则将与所述总损失代价对应的目标状态数据作为目标的最优状态数据，若否，则重复执行步骤S2，直到所述总损失代价是否小于偏差阈值为止；

输出所述目标的最优状态数据。

本申请实施例还提供一种目标优化设备，目标优化设备包括控制器和存储器，存储器中存储有计算机程序，当计算机程序被控制器执行时，使得优化设备执行上述的目标优化方法。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述的目标优化方法。

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本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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，制动设备，或者网络设备等)执行本申请各个实施场景所述的方法。

以上对本发明提供的目标优化方法、装置、设备及存储介质进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种目标优化方法，其特征在于，所述目标优化方法包括：

2.根据权利要求1所述的目标优化方法，其特征在于，在步骤S1中的所述方程模型中，将目标状态数据的横纵向分离，并假设所述位置数据为一个随时间变化的三阶曲线方程，则所述速度数据为所述位置数据的微分，所述加速度数据为所述速度数据的微分。

3.根据权利要求1所述的目标优化方法，其特征在于，在步骤S2中，所述获取与点云对应的所述目标状态数据的方法包括：

4.根据权利要求1所述的目标优化方法，其特征在于，在步骤S3中，基于所述点云都在目标的框内的假设，将所述目标的框外的点云到目标框的最近距离作为误差建立约束，所述位置约束误差的计算方程如下：

Ep_n＝Pr-sprt(Pr_x*Pr_x+Pr_y*Pr_y)，

5.根据权利要求4所述的目标优化方法，其特征在于，在步骤S3中，将所述目标的横纵向速度分解到所述点云的角度方向，并基于所述点云的径向速度对所述速度数据建立约束，所述速度约束误差如下：

Ev_n＝Vr-Vx*sin(θ)+Vy*cos(θ),

6.根据权利要求5所述的目标优化方法，其特征在于，在步骤S5中，根据所述位置约束误差和所述速度约束误差，并基于代价函数最小化，计算出最优的所述目标状态数据并输出，包括：

步骤S53、输出所述目标的最优状态数据。

7.一种目标优化装置，其特征在于，所述目标优化装置包括：

8.一种目标优化设备，其特征在于，所述目标优化设备包括控制器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述控制器执行时，使得所述优化设备执行如权利要求1-6任一项所述的目标优化方法。

9.一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中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-7中任一项所述的目标优化方法。