CN116168543A - 基于毫米波雷达的车辆轨迹修正方法、装置及存储介质 - Google Patents

基于毫米波雷达的车辆轨迹修正方法、装置及存储介质 Download PDF

Info

Publication number
CN116168543A
CN116168543A CN202310431874.1A CN202310431874A CN116168543A CN 116168543 A CN116168543 A CN 116168543A CN 202310431874 A CN202310431874 A CN 202310431874A CN 116168543 A CN116168543 A CN 116168543A
Authority
CN
China
Prior art keywords
track
vehicle
points
defect
point
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.)
Granted
Application number
CN202310431874.1A
Other languages
English (en)
Other versions
CN116168543B (zh
Inventor
石汉青
周恩德
吴鹏
陈文哲
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.)
Tripod Wuxi Electronic Co Ltd
Original Assignee
Tripod Wuxi Electronic 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 Tripod Wuxi Electronic Co Ltd filed Critical Tripod Wuxi Electronic Co Ltd
Priority to CN202310431874.1A priority Critical patent/CN116168543B/zh
Publication of CN116168543A publication Critical patent/CN116168543A/zh
Application granted granted Critical
Publication of CN116168543B publication Critical patent/CN116168543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • 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
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Emergency Management (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开基于毫米波雷达的车辆轨迹修正方法、装置、及存储介质，涉及计算机领域，通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；根据车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线；基于目标轨迹点、轨迹信息以及道路规范信息对车辆轨迹线进行约束检测，提取其中的缺陷轨迹线；确定缺陷轨迹线的缺陷区域，结合轨迹信息进行轨迹点预测和修正，获得目标轨迹线。该方案可对交通场景下毫米波雷达数据中具有相似特征的车辆轨迹点进行降噪和聚类，降低干扰，同时能够对车辆轨迹线进行约束诊断，修正其中严重偏离、丢失和断裂的缺陷点进行替换和补全修正，提高轨迹利用率并改善跟踪效果。

Description

基于毫米波雷达的车辆轨迹修正方法、装置及存储介质
技术领域
本发明涉及计算机领域，特别涉及一种基于毫米波雷达的车辆轨迹修正方法、装置、及存储介质。
背景技术
随着社会经济的发展，人们的交通需求不断上涨，而交通供给在短时间难以改变，因此道路占有率不断提高，道路拥堵事件不断发生。基于雷达的交通信息感知技术作为智能交通技术领域的主要研究内容之一，能够通过各类传感器对道路、水路、空中等不同交通环境下进行实时检测，采集准确的交通数据如交通参数、交通状况、交通环境等信息，为建立智能交通模型，评估道路利用率，改善车辆拥堵情况提供坚实的数据支持。
毫米波雷达常用的跟踪方式主要为卡尔曼滤波（如扩展卡尔曼滤波或无迹卡尔曼滤波）与粒子滤波等。然而，这些传统方法对目标的检测误差较大，定位精度不高。针对这一问题，一些学者提出了许多具有创新性的方法，如基于指纹的联合目标检测方法、利用卷积神经网络构建检测模型等。但是，这些方法中多对已成型的车辆轨迹线进行预测与优化阶段缺少对微观信息的处理，如如车辆轨迹点的处理，这会导致出现一些不合理甚至错误轨迹线，对这些不合理轨迹线进行预测会影响目标跟踪和预测结果、不利于车辆导航和交通系统管理。
发明内容
本申请实施例提供一种基于毫米波雷达的车辆轨迹修正、装置、及存储介质，解决毫米波雷达数据对车辆轨迹预测精度不高的问题。
一方面，本申请提供一种基于毫米波雷达的车辆轨迹修正方法，所述方法包括：
S1，通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；所述交通源数据包含观测路段的车辆轨迹点及轨迹信息；所述轨迹信息包含车辆的运动状态信息；
S2，根据所述车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线；所述车辆轨迹线和车辆编号相对应；
S3，基于所述目标轨迹点、所述轨迹信息以及道路规范信息对所述车辆轨迹线进行约束检测，提取其中的缺陷轨迹线；
S4，确定所述缺陷轨迹线的缺陷区域，结合所述轨迹信息进行轨迹点预测和修正，获得目标轨迹线。
具体的，S2包括：
S21，获取观测范围内所述车辆轨迹点和对应的轨迹向量，并根据所述轨迹向量计算空间距离和空间密度比；
S22，基于空间距离与空间密度比、约束半径和道路通行能力对所述车辆轨迹点进行空间特征约束，确定轨迹噪点并滤除；
S23，基于车辆编号对滤除所述轨迹噪点后的轨迹点集进行聚类，生成各车辆的所述车辆轨迹线。
具体的，S21包括：
计算第i轨迹向量的第i均值距离
Figure SMS_1
以及第i轨迹向量与第j轨迹向量之间的空间距离
Figure SMS_2
；空间距离公式如下：
Figure SMS_3
Figure SMS_4
其中，
Figure SMS_5
是根据所有轨迹向量计算的均值向量；
Figure SMS_6
是根据所有轨迹向量计算的协方差矩阵；
Figure SMS_7
和
Figure SMS_8
分别表示第i和j个轨迹向量；
Figure SMS_9
表示第i个轨迹向量的第i均值距离；T为向量转秩；
基于第i均值距离、第i和第j轨迹向量空间距离以及第i和第j车辆轨迹点对应的车速，计算两个轨迹点之间的空间密度比
Figure SMS_10
；空间密度比公式如下：
Figure SMS_11
其中，
Figure SMS_12
和
Figure SMS_13
分别表示第i和第j车辆轨迹点的车速；
Figure SMS_14
为所有车辆轨迹点的平均速度；
Figure SMS_15
和
Figure SMS_16
表示
Figure SMS_17
的方向参数。
具体的，S22包括：
基于毫米波雷达的采样周期确定约束半径
Figure SMS_18
，以及根据观测道路确定道路通行能力确定空间密度范围
Figure SMS_19
；
将约束半径、道路通行能力、第i均值距离、第i和第j轨迹向量的空间距离以及空间密度比代入空间特征约束公式，根据所述特征约束公式确定同一目标车辆的聚类点和噪点；特征约束公式表示如下：
Figure SMS_20
其中，
Figure SMS_22
和
Figure SMS_25
为约束半径阈值，
Figure SMS_27
为阈值下限，
Figure SMS_23
为阈值上限；
Figure SMS_26
和
Figure SMS_28
为密度阈值，
Figure SMS_29
为阈值下限，
Figure SMS_21
为阈值上限；
Figure SMS_24
为可聚类的类别。
具体的，S23包括：
将去噪后的所述目标轨迹点按车辆ID编号排序，并基于车辆ID生成所述车辆轨迹线、轨迹数据集和轨迹点集。
具体的，S3包括：
S31，基于所述车辆轨迹线和对应的所述轨迹信息分别构建车辆状态函数；表示如下：
Figure SMS_30
Figure SMS_31
Figure SMS_32
其中，
Figure SMS_38
表示第
Figure SMS_44
个车辆轨迹线的车辆状态函数；
Figure SMS_49
为车辆相对距离矩阵，
Figure SMS_34
为第
Figure SMS_41
辆车第
Figure SMS_48
车辆轨迹点的相对距离；
Figure SMS_54
为车辆相对速度矩阵，
Figure SMS_37
为第
Figure SMS_42
辆车第
Figure SMS_47
车辆轨迹点的相对速度；
Figure SMS_53
为车辆相对加速度矩阵，
Figure SMS_52
为第
Figure SMS_56
辆车第
Figure SMS_57
车辆轨迹点的相对加速度；
Figure SMS_58
为车辆相对角度矩阵，
Figure SMS_35
为第
Figure SMS_43
辆车第
Figure SMS_50
车辆轨迹点的相对角度；
Figure SMS_55
和Y分别为车辆轨迹点的横纵坐标矩阵，
Figure SMS_33
为第
Figure SMS_39
辆车第
Figure SMS_45
车辆轨迹点的横坐标，
Figure SMS_51
为第
Figure SMS_36
车辆轨迹点的纵坐标；
Figure SMS_40
为车辆总数，
Figure SMS_46
为车辆轨迹线上轨迹点的总数；
S32，基于道路规范信息对所述车辆轨迹线上相邻所述车辆轨迹点进行车速约束验证；车速约束条件如下：
Figure SMS_59
Figure SMS_60
其中，
Figure SMS_62
是道路最高限速；
Figure SMS_65
为路面附着系数；
Figure SMS_68
为采集周期；
Figure SMS_63
是第
Figure SMS_64
辆车第
Figure SMS_67
车辆轨迹点的相对速度；
Figure SMS_69
是第
Figure SMS_61
辆车第
Figure SMS_66
车辆轨迹点的相对距离；
S33，基于道路规范信息对所述车辆轨迹线上相邻所述车辆轨迹点进行位移约束验证；位移约束条件如下：
Figure SMS_70
Figure SMS_71
Figure SMS_72
其中，
Figure SMS_73
和
Figure SMS_74
分别是第
Figure SMS_75
辆车第
Figure SMS_76
车辆轨迹点的横纵坐标；
Figure SMS_77
和
Figure SMS_78
分别是横纵坐标最大移动期望值；
Figure SMS_79
为车辆最大移动半径；
S34，基于车速约束验证和位移约束验证确定所述缺陷轨迹线的缺陷类型；缺陷类型至少包括轨迹线断裂、轨迹线停滞和轨迹线偏移。
具体的，S4包括：
S41，根据所述缺陷轨迹线的缺陷类型确定缺陷区域、缺陷轨迹起点及缺陷轨迹终点；
S42，根据所述缺陷轨迹线的行驶方向确定与所述缺陷轨迹起点相邻的辅助预测点；所述辅助预测点是所述缺陷轨迹起点的前一轨迹点；
S43，基于车辆波动系数、所述缺陷轨迹起点和所述辅助预测点的位置、速度、加速度、角度及横纵坐标，计算下一预测轨迹点的车辆状态，并通过相邻两个预测轨迹点迭代计算并修正所述缺陷区域的所有缺陷轨迹点。
具体的，预测轨迹点基于如下车辆状态预测公式如下：
Figure SMS_80
Figure SMS_81
Figure SMS_82
Figure SMS_83
Figure SMS_84
Figure SMS_85
其中，第
Figure SMS_87
辆车的第
Figure SMS_91
车辆轨迹点是缺陷轨迹起点，第
Figure SMS_94
车辆轨迹点是辅助预测点，第
Figure SMS_89
车辆轨迹点是预测轨迹点；
Figure SMS_92
为第
Figure SMS_96
辆车期望最大加速度；
Figure SMS_98
为舒适减速度；
Figure SMS_86
和
Figure SMS_90
为位置波动系数，
Figure SMS_95
和
Figure SMS_97
为速度波动系数，
Figure SMS_88
和
Figure SMS_93
为加速度波动系数。
具体的，当
Figure SMS_99
时，
Figure SMS_100
=1，
Figure SMS_101
=0；
当
Figure SMS_102
时，
Figure SMS_103
=0，
Figure SMS_104
=1；
当
Figure SMS_105
时，
Figure SMS_106
=1，
Figure SMS_107
=0；
当
Figure SMS_108
时，
Figure SMS_109
=0，
Figure SMS_110
=1；
当
Figure SMS_111
时，
Figure SMS_112
=1，
Figure SMS_113
=0；
当
Figure SMS_114
时，
Figure SMS_115
=0，
Figure SMS_116
=1。
另一方面，本申请提供一种基于毫米波雷达的车辆轨迹修正装置，所述装置包括：
雷达数据获取模块，用于通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；所述交通源数据包含观测路段的车辆轨迹点及轨迹信息；所述轨迹信息包含车辆的运动状态信息；
车辆轨迹生成模块，用于根据所述车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线；所述车辆轨迹线和车辆编号相对应；
缺陷确定模块，用于基于所述目标轨迹点、所述轨迹信息以及道路规范信息对所述车辆轨迹线进行约束检测，提取其中的缺陷轨迹线；
缺陷轨迹修正模块，用于确定所述缺陷轨迹线的缺陷区域，结合所述轨迹信息进行轨迹点预测和修正，获得目标轨迹线。
又一方面，本申请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至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任一方面所述的基于毫米波雷达的车辆轨迹修正方法。
又一方面，本申请提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得所述计算机设备执行上述任一方面所述的基于毫米波雷达的车辆轨迹修正方法。
本申请实施例提供的技术方案带来的有益效果至少包括：本申请利用车辆轨迹点的位置与速度等空间密度特征的相似性，将具有相似性的轨迹点划分为同类，从而筛除低精度点与杂点，实现数据去噪和聚类。为交通场景下实现对相似特征轨迹点的聚类与毫米波雷达数据杂点的筛除提供了新思路；
本申请基于车辆轨迹点的轨迹信息和观测道路的规范信息，对车辆轨迹线进行精度约束，筛选出轨迹不合理的缺陷轨迹线，为车辆轨迹线的预测、修正、和优化等提供约束验证条件；
本申请基于多目标车辆轨迹线的校验方法确定缺陷区域，并通过车辆轨迹点的轨迹信息计算并修正缺陷区域的预测轨迹线，从而得到车辆高精度的目标轨迹线，有效提高轨迹的利用率，改善轨迹的跟踪结果，提高道路预警和车辆自动/辅助驾驶的精度和安全性。
附图说明
图1是本申请实施例提供的基于毫米波雷达的车辆轨迹修正方法的流程图；
图2是本申请另一实施例提供的基于毫米波雷达的车辆轨迹修正方法的流程图；
图3 是本申请实施例提供的缺陷轨迹线和轨迹修复后的对比示意图；
图4是本申请实施例提供的基于毫米波雷达的车辆轨迹修正装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
毫米波雷达工作在毫米波段，通常毫米波是指30～300GHz频段(波长为1～10mm)。毫米波的波长介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点。同厘米波导引头相比，毫米波导引头具有体积小、质量轻和空间分辨率高的特点。与红外、激光、电视等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强，具有全天候（大雨天除外）全天时的特点。另外，毫米波导引头的抗干扰、反隐身能力也优于其他微波导引头 。
当前常用的雷达传感器主要有超声波雷达、激光雷达与毫米波雷达。发射和接收频域内的电磁波来对目标进行探测，从而获得目标的相对距离、相对速度、相对加速度等信息。本方案中毫米波雷达数据主要为检测到的有关车辆的交通源数据。
图1是本申请实施例提供的基于毫米波雷达的车辆轨迹修正方法的流程图，包括如下步骤：
S1，通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；交通源数据包含观测路段的车辆轨迹点及轨迹信息。
车辆轨迹点是雷达设备周期性采集到的，雷达设备设置在观测道路的指定位置，实时采集车辆轨迹点。每个车辆轨迹点都具有对应的轨迹信息，轨迹信息包含有车辆（也即车辆轨迹点）的运动状态信息，包括位置、速度、加速度、角度、横纵坐标等。运动状态信息是基于雷达设备位置作为坐标原点建立的笛卡尔坐标系得到。
在一种可能的实施方式中，毫米波雷达的参数配置和道路规格参数如下表1和下表2所示：
表1 毫米波雷达参数
Figure SMS_117
表2 道路规格参数
Figure SMS_118
S2，根据车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线。
因为雷达设备的数据采集量庞大，同时受限于检测精度、路况复杂度及天气等因素影响，雷达终端设备终端处理的雷达数据中会包含较多的干扰数据。若终端直接根据车辆轨迹点生成车辆轨迹线，其轨迹精度无法满足道路预警和自动/辅助驾驶。
就雷达数据本身而言，同一车辆行驶过程的产生的雷达数据应具有相似的空间特征，如速度和位置等特征都具有关联性。所以本申请从车辆轨迹点的空间密度特征角度进行数据分析，对所有车辆轨迹点进行筛选，对车辆轨迹降噪和聚类。聚类的过程就是根据把具有关联空间密度特征的轨迹点聚合，生成车辆轨迹线。且同一车辆轨迹线具有相同的车辆编号。
S3，基于目标轨迹点、轨迹信息以及道路规范信息对车辆轨迹线进行约束检测，提取其中的缺陷轨迹线。
此处需要注意，缺陷轨迹线的识别是对车辆轨迹线从检测精度上的进一步约束的表现，例如轨迹线上的轨迹点出现轨迹点偏移、缺失甚至断裂等情况。通过道路规范信息进行约束的目的就是为了检测出其中不合理的缺陷轨迹线。道路规范信息根据观测路段决定，如道路限速范围、位置偏移大小（根据车道宽度确定）、道路通行能力和路面附着系数等等。
S4，确定缺陷轨迹线的缺陷区域，结合轨迹信息进行轨迹点预测和修正，获得目标轨迹线。
确定缺陷轨迹线和缺陷区域后，就需要根据具体的缺陷类型确定待修正的轨迹点数量。修正的原理基于该缺陷轨迹线的正常车辆轨迹点、轨迹点的空间密度特征、以及对应轨迹点的轨迹信息进行预测，将预测的目标轨迹线替换或补全缺陷区域，得到完整的目标轨迹线。
综上所述，本申请利用车辆轨迹点的位置与速度等空间密度特征的相似性，将具有相似性的轨迹点划分为同类，从而筛除低精度点与杂点，实现数据去噪和聚类。为交通场景下实现对相似特征轨迹点的聚类与毫米波雷达数据杂点的筛除提供了新思路；
本申请基于车辆轨迹点的轨迹信息和观测道路的规范信息，对车辆轨迹线进行精度约束，筛选出轨迹不合理的缺陷轨迹线，为车辆轨迹线的预测、修正、和优化等提供约束验证条件；
本申请基于多目标车辆轨迹线的校验方法确定缺陷区域，并通过车辆轨迹点的轨迹信息计算并修正缺陷区域的预测轨迹线，从而得到车辆高精度的目标轨迹线，有效提高轨迹的利用率，改善轨迹的跟踪结果，提高道路预警和车辆自动/辅助驾驶的精度和安全性。
图2是本申请另一实施例提供的基于毫米波雷达的车辆轨迹修正方法的流程图，包括如下步骤：
步骤201，通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据。
步骤202，获取观测范围内车辆轨迹点和对应的轨迹向量，并根据轨迹向量计算空间距离和空间密度比。
空间距离和空间密度比是分别代表车辆轨迹点之间的距离特征和密度特征，对于同类型/同一车辆，其车辆轨迹点具有相似的位置与速度关系，而杂点与低精度点则比较散乱，不具有相近特征。因此提出密度空间聚类模型对所有车辆点进行聚类，筛选出具有相似特征的轨迹点，从而筛除杂点。具体计算过程如该过程具体还包括如下步骤：
步骤202a，计算第i轨迹向量的第i均值距离
Figure SMS_119
以及第i轨迹向量与第j轨迹向量之间的空间距离
Figure SMS_120
。
假设毫米波雷达观测到
Figure SMS_121
个车辆目标 ，每个目标具有一个向量，即
Figure SMS_122
。本方案首先需要计算空间距离
Figure SMS_123
；空间距离公式如下：
Figure SMS_124
Figure SMS_125
其中，
Figure SMS_126
是根据所有轨迹向量计算的均值向量；
Figure SMS_127
是根据所有轨迹向量计算的协方差矩阵；
Figure SMS_128
和
Figure SMS_129
分别表示第i和j个轨迹向量；
Figure SMS_130
表示第i个轨迹向量的第i均值距离，T表示向量转秩。
步骤202b，基于第i均值距离、第i和第j轨迹向量空间距离以及第i和第j车辆轨迹点对应的车速，计算两个轨迹点之间的空间密度比
Figure SMS_131
。
Figure SMS_132
和
Figure SMS_133
采用向量间的矩阵运算来确定空间距离，考虑到向量间距离和车速对向量密度的影响，对于选定的
Figure SMS_134
和
Figure SMS_135
两个轨迹向量，采用积分推算空间密度比，表示如下：
Figure SMS_136
其中，
Figure SMS_138
和
Figure SMS_140
分别表示第i和第j车辆轨迹点的车速；
Figure SMS_143
为所有车辆轨迹点的平均速度；
Figure SMS_139
和
Figure SMS_142
表示
Figure SMS_144
的方向参数，
Figure SMS_145
和
Figure SMS_137
的取值为
Figure SMS_141
。
步骤203，基于空间距离与空间密度比、约束半径和道路通行能力对车辆轨迹点进行空间特征约束，确定轨迹噪点并滤除。
在一种可能的实施方式中，确定向量之间的距离与密度比后，引入点集
Figure SMS_146
对轨迹点进行去噪聚类，具体通过约束条件找到具有相似特征的车辆轨迹点，并通过判断是否满足约束条件确定其中的轨迹噪点和滤除。该过程还包括如下步骤：
步骤203a，基于毫米波雷达的采样周期确定约束半径
Figure SMS_147
，以及根据观测道路确定道路通行能力确定空间密度范围
Figure SMS_148
。
约束半径
Figure SMS_150
基于毫米波雷达的采样周期确定，在成像原理上理解为采样间隔内轨迹点的移动范围，约束半径阈值通过
Figure SMS_152
和
Figure SMS_155
表示，
Figure SMS_151
为下限阈值，
Figure SMS_154
为上限阈值。道路通行能力根据车辆的空间密度范围
Figure SMS_156
的大小决定，
Figure SMS_157
为阈值下限，
Figure SMS_149
为阈值上限；
Figure SMS_153
为可聚类的类别，也就是划分成同一车辆轨迹线的类型数。
步骤203b，将约束半径、道路通行能力、第i均值距离、第i和第j轨迹向量的空间距离以及空间密度比代入空间特征约束公式，根据特征约束公式确定同一目标车辆的聚类点和噪点。
空间特征约束公式表示如下：
Figure SMS_158
其中，
Figure SMS_159
和
Figure SMS_160
分别为阈值下限和阈值上限；
Figure SMS_161
和
Figure SMS_162
分别为阈值下限和阈值上限；
Figure SMS_163
为可聚类的类别。
对于某一点集，若其空间内的样本轨迹数据占比多，样本密度大，且数据间具有相似的特征，可认为该点集内的轨迹点为正常轨迹点，保留这些点集中的轨迹点。若空间内的样本数据出现概率低，样本密度小，分布松散，随机，样本间无明显关联性，可认为该点集内的轨迹点为噪点或低精度点，将这些轨迹点筛除，实现初步降噪效果。
步骤204，基于车辆编号对滤除轨迹噪点后的轨迹点集进行聚类，生成各车辆的车辆轨迹线。
将前述步骤获得的轨迹点集按照车辆编号进行聚类，即可获得各个车辆的车辆轨迹线。也就是一个车辆ID编号对应一个车辆轨迹线，车辆轨迹线所包含的车辆轨迹线即为轨迹点集，所有车辆轨迹线构成轨迹数据集。轨迹数据集表示为
Figure SMS_164
(
Figure SMS_165
)；轨迹点点集表示为
Figure SMS_166
(
Figure SMS_167
)。
此处需要说明的是，虽然根据ID编号车辆，但是并不代表观测路段一定具有这些车辆，因为缺陷轨迹线可能表现出断裂的情况，在聚类过程被划分为两个轨迹线。也就是说，雷达设备在目标追踪时出现跟丢的情况（极少出现），将其误识别成两个车辆的两条轨迹线。
步骤205，基于车辆轨迹线和对应的轨迹信息分别构建车辆状态函数。
对于每个确定的车辆轨迹线，其轨迹上的每个车辆轨迹点都表示车辆在不同时刻下的运动状态，包括位置、速度、加速度、角度和横纵坐标等。本申请基于轨迹信息构建出对应车辆轨迹线的车辆状态函数，表示如下：
Figure SMS_168
Figure SMS_169
Figure SMS_170
其中，
Figure SMS_175
表示第
Figure SMS_182
个车辆轨迹线的车辆状态函数；
Figure SMS_188
为车辆相对距离矩阵，
Figure SMS_172
为第
Figure SMS_180
辆车第
Figure SMS_185
车辆轨迹点的相对距离；
Figure SMS_191
为车辆相对速度矩阵，
Figure SMS_173
为第
Figure SMS_177
辆车第
Figure SMS_183
车辆轨迹点的相对速度；
Figure SMS_189
为车辆相对加速度矩阵，
Figure SMS_174
为第
Figure SMS_178
辆车第
Figure SMS_184
车辆轨迹点的相对加速度；
Figure SMS_190
为车辆相对角度矩阵，
Figure SMS_193
为第
Figure SMS_194
辆车第
Figure SMS_195
车辆轨迹点的相对角度；
Figure SMS_196
和Y分别为车辆轨迹点的横纵坐标矩阵，
Figure SMS_171
为第
Figure SMS_179
辆车第
Figure SMS_186
车辆轨迹点的横坐标，
Figure SMS_192
为第
Figure SMS_176
车辆轨迹点的纵坐标；
Figure SMS_181
为车辆总数，
Figure SMS_187
为车辆轨迹线上轨迹点的总数。这样可以将轨迹线上所有车辆轨迹点的状态都进行描述。
对于某一轨迹
Figure SMS_197
，其轨迹线可能出现局部断裂，轨迹线于某一点处停滞，以及轨迹线中的某些轨迹点发生剧烈偏移。为了筛选出不合理的轨迹线，提高轨迹的跟踪精度、稳定性以及准确性，我们需要对一条轨迹线上连续的轨迹点进行约束，从而去除不合理的轨迹点，便于后续修正轨迹。
步骤206，基于道路规范信息对车辆轨迹线上相邻车辆轨迹点进行车速约束验证。
此步骤中的道路规范信息至少包括道路最高限速和路面附着系数，车速约束条件如下：
Figure SMS_198
Figure SMS_199
其中，
Figure SMS_201
是道路最高限速，例如本申请设定为80 km/h；
Figure SMS_204
为路面附着系数，取决于道路路面条件，例如本申请设定为0.32；
Figure SMS_206
为采集周期；
Figure SMS_202
是第
Figure SMS_205
辆车第
Figure SMS_207
车辆轨迹点的相对速度；
Figure SMS_208
是第
Figure SMS_200
辆车第
Figure SMS_203
车辆轨迹点的相对距离。
步骤207，基于道路规范信息对车辆轨迹线上相邻车辆轨迹点进行位移约束验证。
对于道路上的车辆而言，轨迹线也有可能发生剧烈偏移，其自身位置应满足以下位移约束条件：
Figure SMS_209
Figure SMS_210
Figure SMS_211
其中，
Figure SMS_212
和
Figure SMS_213
分别是第
Figure SMS_214
辆车第
Figure SMS_215
车辆轨迹点的横纵坐标；
Figure SMS_216
和
Figure SMS_217
分别是横纵坐标最大移动期望值；
Figure SMS_218
为车辆最大移动半径。
需要说明的是，步骤206和步骤207可以按照车速约束验证和位移约束验证的顺序执行，或者是按照位移约束验证和车速约束验证的顺序执行，还可以是步骤206和步骤207同时进行，具体先后顺序本申请不作限定。
步骤208，基于车速约束验证和位移约束验证确定缺陷轨迹线的缺陷类型。
前述说到，轨迹线上的轨迹点可能会出现轨迹点偏移、缺失甚至断裂等情况等。当轨迹线出现停滞现象时，说明目标跟丢，在此时确定轨迹点数量较小的时候直接将其丢弃；当轨迹点数量达到目标设定值时，将其确定为缺陷轨迹线并进行预测修正。如图3中1和2标注所示，标注1表示不满足位移和车速约束的偏离点，标注2表示轨迹线部分断裂缺失的情况，对于局部断裂的轨迹线或轨迹点剧烈偏移的轨迹线，同样采用本方案进行修正。
步骤209，根据缺陷轨迹线的缺陷类型确定缺陷区域、缺陷轨迹起点及缺陷轨迹终点。
对于轨迹点停滞且可预测的类型，步骤206和步骤207约束检测后确定的缺陷区域即为断点处到设定预测长度（根据实际情况设定修正长度），缺陷轨迹起点即为断点，缺陷轨迹终点根据预测长度决定。
对于轨迹点偏移的类型，步骤206和步骤207约束检测后确定的缺陷区域即为偏移线上的轨迹点，缺陷轨迹起点即为偏移线上的起始点，缺陷轨迹终点即为偏移线上的终点（后续轨迹点符合车速和位移约束条件）。
对于局部断裂的情况，步骤206和步骤207约束检测后确定的缺陷区域即为两条断点之间的空缺区域，缺陷轨迹起点和终点为两端的断点。
对于确定和可修整的缺陷轨迹线，将该轨迹线上所有的车辆轨迹点放入新的缺陷点集中，即令
Figure SMS_219
，基于这些轨迹点进行修正。
步骤210，根据缺陷轨迹线的行驶方向确定与缺陷轨迹起点相邻的辅助预测点。
辅助预测点是缺陷轨迹起点的前一轨迹点，也就是在前一个时间周期的轨迹点，第
Figure SMS_220
辆车的第
Figure SMS_221
车辆轨迹点是缺陷轨迹起点，则第
Figure SMS_222
车辆轨迹点即为辅助预测点。
步骤211，基于车辆波动系数、缺陷轨迹起点和辅助预测点的位置、速度、加速度、角度及横纵坐标，计算下一预测轨迹点的车辆状态，并通过相邻两个预测轨迹点迭代计算并修正缺陷区域的所有缺陷轨迹点。
预测轨迹点基于如下车辆状态预测公式如下：
Figure SMS_223
Figure SMS_224
Figure SMS_225
Figure SMS_226
Figure SMS_227
Figure SMS_228
其中，第
Figure SMS_231
辆车的第
Figure SMS_234
车辆轨迹点是缺陷轨迹起点，第
Figure SMS_238
车辆轨迹点是辅助预测点，第
Figure SMS_232
车辆轨迹点是预测轨迹点；
Figure SMS_235
为第
Figure SMS_239
辆车期望最大加速度；
Figure SMS_241
为舒适减速度；
Figure SMS_229
和
Figure SMS_233
为位置波动系数，
Figure SMS_237
和
Figure SMS_240
为速度波动系数，
Figure SMS_230
和
Figure SMS_236
为加速度波动系数。
该车辆状态预测公式分别从位置、速度、加速度、角度、横坐标及纵坐标等车辆状态信息进行预测和修正。
对于位置波动系数，当
Figure SMS_242
时，
Figure SMS_243
=1，
Figure SMS_244
=0；
当
Figure SMS_245
时，
Figure SMS_246
=0，
Figure SMS_247
=1；
对于速度波动系数，当
Figure SMS_248
时，
Figure SMS_249
=1，
Figure SMS_250
=0；
当
Figure SMS_251
时，
Figure SMS_252
=0，
Figure SMS_253
=1；
对于加速度波动系数，当
Figure SMS_254
时，
Figure SMS_255
=1，
Figure SMS_256
=0；
当
Figure SMS_257
时，
Figure SMS_258
=0，
Figure SMS_259
=1。
通过波动系数的设置，可以实时根据相邻车辆轨迹点和预测轨迹点进行迭代式预测，同时根据各个迭代周期内的运动参数动态调节，以确保预测精度，直至预测缺陷区域所有的轨迹点，并将其修正。修正后的轨迹点重新构成目标车辆轨迹线，并将轨迹信息同步到入车辆状态函数中。修正后的轨迹线为
Figure SMS_260
，用修正的轨迹
Figure SMS_261
代替原轨迹
Figure SMS_262
，即令
Figure SMS_263
（若轨迹无需修正，则保留不变），得到修正后的轨迹数据集
Figure SMS_264
。
如图3所示，修复后的轨迹线（目标车辆轨迹线）筛除了不满足位移约束的偏离点，同时将局部断裂缺失的轨迹线进行修复补全，获得完整的轨迹线。因为轨迹线是位于车道上的，对于终端设备或云端设备来说，可以根据车辆轨迹线和变道情况进行后续的轨迹预测，测算出车辆姿态预测数据，为车辆自动和辅助驾驶提供数据支持。
可选的，位于终端设备或显示设备，为了达到更好的为道路预警或为自动驾驶提供可视化信息，在一种可能的实施方式中，采用道路的空间特征与交通信息编辑写入SUMO软件中，利用场景搭建工具构建一个虚拟的道路，并标注毫米波雷达的位置以及侦察范围。
在SUMO软件中，根据轨迹所对应的车辆ID号生成相对应的车辆，并输入修正后的轨迹数据集
Figure SMS_265
，车辆状态函数
Figure SMS_266
，原始轨迹点的点集
Figure SMS_267
，修正后预测轨迹点的点集
Figure SMS_268
，轨迹点的数据矩阵
Figure SMS_269
等信息，从而在软件中成功生成车辆修正后的行驶轨迹线，实现毫米波雷达修正轨迹的可视化。
图4是本申请实施例提供的基于毫米波雷达的车辆轨迹修正装置的结构框图，装置包括：
雷达数据获取模块410，用于通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；交通源数据包含观测路段的车辆轨迹点及轨迹信息；轨迹信息包含车辆的运动状态信息；
车辆轨迹生成模块420，用于根据车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线；车辆轨迹线和车辆编号相对应；
缺陷确定模块430，用于基于目标轨迹点、轨迹信息以及道路规范信息对车辆轨迹线进行约束检测，提取其中的缺陷轨迹线；
缺陷轨迹修正模块440，用于确定缺陷轨迹线的缺陷区域，结合轨迹信息进行轨迹点预测和修正，获得目标轨迹线。
本申请还提供一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述各方面所述的基于毫米波雷达的车辆轨迹修正方法。
本申请还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至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述各方面所述的基于毫米波雷达的车辆轨迹修正方法。
本申请还提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得所述计算机设备执行上述各方面所述的基于毫米波雷达的车辆轨迹修正方法。
以上对本发明的较佳实施例进行了描述；需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容；因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (12)

1.一种基于毫米波雷达的车辆轨迹修正方法，其特征在于，所述方法包括：
S1，通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；所述交通源数据包含观测路段的车辆轨迹点及轨迹信息；所述轨迹信息包含车辆的运动状态信息；
S2，根据所述车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线；所述车辆轨迹线和车辆编号相对应；
S3，基于所述目标轨迹点、所述轨迹信息以及道路规范信息对所述车辆轨迹线进行约束检测，提取其中的缺陷轨迹线；
S4，确定所述缺陷轨迹线的缺陷区域，结合所述轨迹信息进行轨迹点预测和修正，获得目标轨迹线。
2.根据权利要求1所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，S2包括：
S21，获取观测范围内所述车辆轨迹点和对应的轨迹向量，并根据所述轨迹向量计算空间距离和空间密度比；
S22，基于空间距离与空间密度比、约束半径和道路通行能力对所述车辆轨迹点进行空间特征约束，确定轨迹噪点并滤除；
S23，基于车辆编号对滤除所述轨迹噪点后的轨迹点集进行聚类，生成各车辆的所述车辆轨迹线。
3.根据权利要求2所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，S21包括：
计算第i轨迹向量的第i均值距离
Figure QLYQS_1
以及第i轨迹向量与第j轨迹向量之间的空间距离
Figure QLYQS_2
；空间距离公式如下：
Figure QLYQS_3
Figure QLYQS_4
其中，
Figure QLYQS_5
是根据所有轨迹向量计算的均值向量；
Figure QLYQS_6
是根据所有轨迹向量计算的协方差矩阵；
Figure QLYQS_7
和
Figure QLYQS_8
分别表示第i和j个轨迹向量；
Figure QLYQS_9
表示第i个轨迹向量的第i均值距离；T为向量转秩；
基于第i均值距离、第i和第j轨迹向量空间距离以及第i和第j车辆轨迹点对应的车速，计算两个轨迹点之间的空间密度比
Figure QLYQS_10
；空间密度比公式如下：
Figure QLYQS_11
其中，
Figure QLYQS_12
和
Figure QLYQS_13
分别表示第i和第j车辆轨迹点的车速；
Figure QLYQS_14
为所有车辆轨迹点的平均速度；
Figure QLYQS_15
和
Figure QLYQS_16
表示
Figure QLYQS_17
的方向参数。
4.根据权利要求3所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，S22包括：
基于毫米波雷达的采样周期确定约束半径R，以及根据观测道路确定道路通行能力确定空间密度范围K；
将约束半径、道路通行能力、第i均值距离、第i和第j轨迹向量的空间距离以及空间密度比代入空间特征约束公式，根据所述特征约束公式确定同一目标车辆的聚类点和噪点；特征约束公式表示如下：
Figure QLYQS_18
其中，
Figure QLYQS_20
和
Figure QLYQS_22
为约束半径阈值，
Figure QLYQS_25
为阈值下限，
Figure QLYQS_19
为阈值上限；
Figure QLYQS_23
和
Figure QLYQS_26
为密度阈值，
Figure QLYQS_27
为阈值下限，
Figure QLYQS_21
为阈值上限；
Figure QLYQS_24
为可聚类的类别。
5.根据权利要求3所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，S23包括：
将去噪后的所述目标轨迹点按车辆ID编号排序，并基于车辆ID生成所述车辆轨迹线、轨迹数据集和轨迹点集。
6.根据权利要求5所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，S3包括：
S31，基于所述车辆轨迹线和对应的所述轨迹信息分别构建车辆状态函数；表示如下：
Figure QLYQS_28
Figure QLYQS_29
Figure QLYQS_30
其中，
Figure QLYQS_52
表示第
Figure QLYQS_55
个车辆轨迹线的车辆状态函数；
Figure QLYQS_56
为车辆相对距离矩阵，
Figure QLYQS_33
为第
Figure QLYQS_40
辆车第
Figure QLYQS_48
车辆轨迹点的相对距离；
Figure QLYQS_53
为车辆相对速度矩阵，
Figure QLYQS_34
为第
Figure QLYQS_38
辆车第
Figure QLYQS_43
车辆轨迹点的相对速度；
Figure QLYQS_49
为车辆相对加速度矩阵，
Figure QLYQS_36
为第
Figure QLYQS_39
辆车第
Figure QLYQS_45
车辆轨迹点的相对加速度；
Figure QLYQS_51
为车辆相对角度矩阵，
Figure QLYQS_35
为第
Figure QLYQS_42
辆车第
Figure QLYQS_47
车辆轨迹点的相对角度；
Figure QLYQS_54
和Y分别为车辆轨迹点的横纵坐标矩阵，
Figure QLYQS_31
为第
Figure QLYQS_37
辆车第
Figure QLYQS_44
车辆轨迹点的横坐标，
Figure QLYQS_50
为第
Figure QLYQS_32
车辆轨迹点的纵坐标；
Figure QLYQS_41
为车辆总数，
Figure QLYQS_46
为车辆轨迹线上轨迹点的总数；
S32，基于道路规范信息对所述车辆轨迹线上相邻所述车辆轨迹点进行车速约束验证；车速约束条件如下：
Figure QLYQS_57
Figure QLYQS_58
其中，
Figure QLYQS_60
是道路最高限速；
Figure QLYQS_63
为路面附着系数；
Figure QLYQS_66
为采集周期；
Figure QLYQS_61
是第
Figure QLYQS_62
辆车第
Figure QLYQS_65
车辆轨迹点的相对速度；
Figure QLYQS_67
是第
Figure QLYQS_59
辆车第
Figure QLYQS_64
车辆轨迹点的相对距离；
S33，基于道路规范信息对所述车辆轨迹线上相邻所述车辆轨迹点进行位移约束验证；位移约束条件如下：
Figure QLYQS_68
Figure QLYQS_69
Figure QLYQS_70
其中，
Figure QLYQS_71
和
Figure QLYQS_72
分别是第
Figure QLYQS_73
辆车第
Figure QLYQS_74
车辆轨迹点的横纵坐标；
Figure QLYQS_75
和
Figure QLYQS_76
分别是横纵坐标最大移动期望值；
Figure QLYQS_77
为车辆最大移动半径；
S34，基于车速约束验证和位移约束验证确定所述缺陷轨迹线的缺陷类型；缺陷类型至少包括轨迹线断裂、轨迹线停滞和轨迹线偏移。
7.根据权利要求6所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，S4包括：
S41，根据所述缺陷轨迹线的缺陷类型确定缺陷区域、缺陷轨迹起点及缺陷轨迹终点；
S42，根据所述缺陷轨迹线的行驶方向确定与所述缺陷轨迹起点相邻的辅助预测点；所述辅助预测点是所述缺陷轨迹起点的前一轨迹点；
S43，基于车辆波动系数、所述缺陷轨迹起点和所述辅助预测点的位置、速度、加速度、角度及横纵坐标，计算下一预测轨迹点的车辆状态，并通过相邻两个预测轨迹点迭代计算并修正所述缺陷区域的所有缺陷轨迹点。
8.根据权利要求7所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，预测轨迹点基于如下车辆状态预测公式如下：
Figure QLYQS_78
Figure QLYQS_79
Figure QLYQS_80
Figure QLYQS_81
Figure QLYQS_82
Figure QLYQS_83
其中，第
Figure QLYQS_87
辆车的第
Figure QLYQS_89
车辆轨迹点是缺陷轨迹起点，第
Figure QLYQS_93
车辆轨迹点是辅助预测点，第
Figure QLYQS_86
车辆轨迹点是预测轨迹点；
Figure QLYQS_91
为第
Figure QLYQS_95
辆车期望最大加速度；
Figure QLYQS_96
为舒适减速度；
Figure QLYQS_84
和
Figure QLYQS_88
为位置波动系数，
Figure QLYQS_92
和
Figure QLYQS_94
为速度波动系数，
Figure QLYQS_85
和
Figure QLYQS_90
为加速度波动系数。
9.根据权利要求8所述的基于毫米波雷达的车辆轨迹修正方法，其特征在于，当
Figure QLYQS_97
时，
Figure QLYQS_98
=1，
Figure QLYQS_99
=0；
当
Figure QLYQS_100
时，
Figure QLYQS_101
=0，
Figure QLYQS_102
=1；
当
Figure QLYQS_103
时，
Figure QLYQS_104
=1，
Figure QLYQS_105
=0；
当
Figure QLYQS_106
时，
Figure QLYQS_107
=0，
Figure QLYQS_108
=1；
当
Figure QLYQS_109
时，
Figure QLYQS_110
=1，
Figure QLYQS_111
=0；
当
Figure QLYQS_112
时，
Figure QLYQS_113
=0，
Figure QLYQS_114
=1。
10.一种基于毫米波雷达的车辆轨迹修正装置，其特征在于，所述装置包括：
雷达数据获取模块，用于通过观测路段设置的毫米波雷达设备及雷达参数采集交通源数据；所述交通源数据包含观测路段的车辆轨迹点及轨迹信息；所述轨迹信息包含车辆的运动状态信息；
车辆轨迹生成模块，用于根据所述车辆轨迹点的空间密度特征进行轨迹降噪和聚类，并根据降噪后的目标轨迹点聚类生成车辆轨迹线；所述车辆轨迹线和车辆编号相对应；
缺陷确定模块，用于基于所述目标轨迹点、所述轨迹信息以及道路规范信息对所述车辆轨迹线进行约束检测，提取其中的缺陷轨迹线；
缺陷轨迹修正模块，用于确定所述缺陷轨迹线的缺陷区域，结合所述轨迹信息进行轨迹点预测和修正，获得目标轨迹线。
11.一种计算机设备，其特征在于，所述计算机设备包含处理器和存储器，所述存储器中存储由至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一所述的基于毫米波雷达的车辆轨迹修正方法。
12.一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至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至9任一所述的基于毫米波雷达的车辆轨迹修正方法。
CN202310431874.1A 2023-04-21 2023-04-21 基于毫米波雷达的车辆轨迹修正方法、装置及存储介质 Active CN116168543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310431874.1A CN116168543B (zh) 2023-04-21 2023-04-21 基于毫米波雷达的车辆轨迹修正方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310431874.1A CN116168543B (zh) 2023-04-21 2023-04-21 基于毫米波雷达的车辆轨迹修正方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116168543A true CN116168543A (zh) 2023-05-26
CN116168543B CN116168543B (zh) 2023-08-01

Family

ID=86422214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310431874.1A Active CN116168543B (zh) 2023-04-21 2023-04-21 基于毫米波雷达的车辆轨迹修正方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116168543B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200341476A1 (en) * 2019-04-24 2020-10-29 Aptiv Technologies Limited System and method for trajectory estimation
CN111966729A (zh) * 2020-08-27 2020-11-20 平安国际智慧城市科技股份有限公司 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN113127466A (zh) * 2021-04-20 2021-07-16 同济大学 一种车辆轨迹数据预处理方法及计算机存储介质
CN115236603A (zh) * 2022-07-26 2022-10-25 西安电子科技大学 隧道内基于时空关系的毫米波雷达量测异常轨迹处理方法
CN115856872A (zh) * 2022-12-02 2023-03-28 华南理工大学 一种车辆运动轨迹连续跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200341476A1 (en) * 2019-04-24 2020-10-29 Aptiv Technologies Limited System and method for trajectory estimation
CN111966729A (zh) * 2020-08-27 2020-11-20 平安国际智慧城市科技股份有限公司 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN113127466A (zh) * 2021-04-20 2021-07-16 同济大学 一种车辆轨迹数据预处理方法及计算机存储介质
CN115236603A (zh) * 2022-07-26 2022-10-25 西安电子科技大学 隧道内基于时空关系的毫米波雷达量测异常轨迹处理方法
CN115856872A (zh) * 2022-12-02 2023-03-28 华南理工大学 一种车辆运动轨迹连续跟踪方法

Also Published As

Publication number Publication date
CN116168543B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN113485441B (zh) 结合无人机高精度定位和视觉跟踪技术的配网巡检方法
WO2022141538A1 (zh) 一种轨迹预测方法与装置
CN112498367B (zh) 一种行驶轨迹规划方法、装置、汽车、控制器及计算机可读存储介质
Rawashdeh et al. Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information
CN113850102B (zh) 基于毫米波雷达辅助的车载视觉检测方法及系统
Muresan et al. Multi-object tracking of 3D cuboids using aggregated features
WO2020215254A1 (zh) 车道线地图的维护方法、电子设备与存储介质
CN113848545B (zh) 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法
DE112021005607T5 (de) Systeme und Verfahren für kamera-LiDAR-fusionierte Objektdetektion
CN114758504B (zh) 一种基于滤波校正的网联车超速预警方法及系统
CN107796373A (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN110929796A (zh) 基于多源传感器决策层数据融合方法、系统及存储介质
Liu et al. Precise Positioning and Prediction System for Autonomous Driving Based on Generative Artificial Intelligence
CN114973195A (zh) 基于多信息融合的车辆追踪方法、装置及系统
Chen et al. A graph-based track-before-detect algorithm for automotive radar target detection
CN113269811A (zh) 数据融合方法、装置及电子设备
CN113111707A (zh) 一种基于卷积神经网络的前车检测与测距方法
CN116229385A (zh) 一种基于卷积神经网络结合贪心算法的车辆3d多目标跟踪方法
Jiang et al. Obstacle detection and tracking for intelligent agricultural machinery
CN116168543B (zh) 基于毫米波雷达的车辆轨迹修正方法、装置及存储介质
EP3786845A1 (en) Difficulty-adaptive training for machine learning modules
Zhu et al. Unmanned Vehicle Route Tracking Method Based on Video Image Processing.
Jiang et al. Target detection and adaptive tracking based on multisensor data fusion in a smoke environment
CN115471526A (zh) 基于多源异构信息融合的自动驾驶目标检测与跟踪方法
CN117991250B (zh) 一种移动机器人的定位检测方法、系统、设备及介质

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
GR01 Patent grant
GR01 Patent grant