CN116299302A - 交通工具本体速度确定方法、雷达系统和存储介质 - Google Patents
交通工具本体速度确定方法、雷达系统和存储介质 Download PDFInfo
- Publication number
- CN116299302A CN116299302A CN202310567753.XA CN202310567753A CN116299302A CN 116299302 A CN116299302 A CN 116299302A CN 202310567753 A CN202310567753 A CN 202310567753A CN 116299302 A CN116299302 A CN 116299302A
- Authority
- CN
- China
- Prior art keywords
- speed
- detection point
- single frame
- longitudinal
- static
- 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
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
- 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
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了交通工具本体速度确定方法、雷达系统和存储介质,方法包括从雷达数据中检测单帧中各个检测点的特征信息;读取对应单帧的本体速度;基于特征信息,确定单帧中各检测点是否为静态检测点;确定单帧中各个静态检测点的纵向速度;根据纵向速度以及本体速度,确定单帧的本体估计速度。本申请基于雷达的检测点对交通工具本体速度进行实时求解。由于本体速度估计结果源自雷达本身,其输出结果对于提升雷达的动静态判别性能有重要意义,且能够作为读取道德本体速度的补充和参照,提升交通工具行驶的安全性。该方法工程上简单易实现,对于不同类型的毫米波雷达均可适用。
Description
技术领域
本发明属于智能驾驶领域,尤其涉及交通工具本体速度确定方法、雷达系统和存储介质。
背景技术
在自动驾驶领域,实时获取交通工具的本体速度对于交通工具安全行驶是十分必要的。但是,目前获得的交通工具的本体速度可能误差较大,且具有一定滞后性。
如在车辆自动驾驶领域,当前一般通过CAN总线直接读取车身状态信息包括本车速度和挡位等,其中本车速度一般根据单位时间轮胎转数等求解获取。
对于4D毫米波雷达而言,采用OBD接口通过CAN总线接入车辆,本车速度的获读取十分简单,但同样存在误差甚至是风险。误差主要来自两个方面:其一是本车车速的计算误差,在部分场景下如本车为大车而行驶在不平坦的道路上,则本车实际的行驶速度与车辆输出的车速误差将较大,且一般此类误差会随车速增加而累积;其二是本车车速的滞后性,通过总线读取车辆状态有延迟,4D毫米波雷达所获得的车速信息往往并不是实时的本车速度。
发明内容
本发明旨在针对目前获得的交通工具的本体速度可能误差较大,且具有一定滞后性的技术问题,提供交通工具本体速度确定方法、雷达系统和存储介质。
为实现上述技术目的,本申请采用以下技术方案。
第一方面,本申请提供了交通工具本体速度确定方法,包括:
从雷达数据中检测单帧中各个检测点的特征信息;
读取对应所述单帧的本体速度;
基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点;
确定所述单帧中各个所述静态检测点的纵向速度;
根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度。
进一步地,基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点,包括:
遍历所述单帧中各所述检测点;
基于所述检测点的特征信息,利用预先训练获得的线性判别分析模型确定所述检测点的状态参数,所述状态参数包括静态检测点状态参数和非静态检测点状态参数;
基于所述检测点的状态参数,确定所述检测点的静态概率;
当所述静态概率超过设定阈值,则确定所述检测点为静态检测点;
满足预设停止条件则停止遍历。
再进一步地,所述预设条件为累积确定的所述静态检测点的总数小于或者等于第一累积门限。
进一步地,所述纵向速度的计算方法如下:
进一步地,训练所述线性判别分析模型的方法包括:
初始化所述线性判别分析模型的系数m i和n i,i=1,2,…,7;
基于初始化的所述系数,将训练数据集的特征参数在所述线性判别分析模型中进行迭代运算,根据输出的状态参数和期望值之间的误差更新所述系数,其中所述训练数据集的特征参数包括历史帧内检测点的标注信息、特征信息以及对应帧的本体速度;所述特征信息包括径向距离R、方位角、俯仰角/>、信噪比SNR和径向速度Vr,所述标注信息用于标识静态检测点或非静态检测点;
满足预设停止迭代条件则停止迭代,获得所述线性判别分析模型。
进一步地,根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度,包括:
确定所述单帧中所述静态检测点的数量;
当所述数量大于或等于第三累积门限,执行第一估值方法,以确定所述单帧的本体估计速度;否则执行第二估值方法,以确定所述单帧的本体估计速度。
再进一步地,所述第一估值方法,基于所有的所述静态检测点的纵向速度与所述第三累积门限和/或第二累积门限的比较结果,选取静态检测点;根据选取的所述静态检测点的纵向速度,确定所述单帧的本体估计速度,其中所述第二累积门限大于所述第三累积门限;
所述第二估值方法,基于所有的所述静态检测点的纵向速度与所述本体速度的误差,根据误差对所述静态检测点的纵向速度确定权值,根据加权后的所述静态检测点的纵向速度,确定所述单帧的本体估计速度。
进一步地,所述第一估值方法包括:
将所有的静态检测点的纵向速度进行排序;
静态检测点的数量不少于第二累积门限,则筛除其中纵向速度最大的第一预设比例的静态检测点和纵向速度最小的第二预设比例的静态检测点;
再进一步地,所述第二累积门限值为所述单帧中最大检测点数量的5%~10%,和/或第三累积门限为6~10。
进一步地,所述第二估值方法包括:
将所有静态检测点的纵向速度进行排序;
根据当前帧的向前一帧的速度Veb(1)、向前两帧的速度Veb(2)和向前三帧的速度Veb(3),求解当前帧速度预测值V_pre,获得当前帧的本体估计速度V_ego,V_ego=(-+V_pre)/2。
进一步地,所述当前帧速度预测值V_pre表示如下:
V_pre=Veb(1)+(Veb(2)-Veb(3))/4+(Veb(1)-Veb(2))*3/4。
进一步地,按照与所述本体速度的误差大小,将所述纵向速度加权求平均包括:
确定所述纵向速度与所述本体速度的误差ε,误差ε表达式为:
ε=abs(Vy+V_read);
其中Vy为所述检测点的纵向速度,V_read为所述本体速度;
所述误差ε越大,相应的所述纵向速度的加权系数越小。
第二方面,本申请提供了一种雷达系统,包括存储器、一个或多个处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,
所述处理器执行所述计算机程序时实现以下方法:
从雷达数据中检测单帧中各个检测点的特征信息;
读取对应所述单帧的本体速度;
基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点;
确定所述单帧中各个所述静态检测点的纵向速度;
根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度。
第三方面,本申请提供了一种非瞬态计算机可读存储介质,包括计算机程序,所述计算机程序在被执行时,致使雷达系统的一个或多个处理器用于实现以下方法:
从雷达数据中检测单帧中各个检测点的特征信息;
读取对应所述单帧的本体速度;
基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点;
确定所述单帧中各个所述静态检测点的纵向速度;
根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度。
与现有技术相比,本申请所取得有益技术效果:本申请基于雷达的检测点对交通工具本体速度进行实时求解。由于本体速度估计结果源自雷达本身,其输出结果对于提升雷达的动静态判别性能有重要意义,且能够作为读取道德本体速度的补充和参照,提升交通工具行驶的安全性。该方法工程上简单易实现,对于不同类型的毫米波雷达均可适用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请示例性本体速度确定方法的示例操作环境;
图2示出了本申请示例性本体速度确定方法的流程示意图;
图3示出了本申请示例性本体速度确定方法中步骤S13的一具体流程示意图;
图4示出了本申请示例性待求静态概率的检测点数据示意;
图5示出了本申请示例性本体估计速度计算结果与读取的本体速度对比示意图;
图6示出了本申请示例性本体估计速度计算结果与读取的本体速度误差;
图7示出了本申请示例性雷达系统的示意性框图图示。
附图标记:
10-交通工具、101-雷达系统、102-探测角度范围、103-发射电信号、104-回波信号、105-检测点、106-天线、1011-处理器、1012-存储器、1013-计算机程序。
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。
本发明的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,本发明中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
通常,可以至少部分地根据上本发明的用法来理解术语。例如,本发明所使用的术语“一个或多个”至少部分地取决于上本发明,可以用于以单数形式描述任何部件、结构或特征,或者可用于以复数形式描述部件、结构或特征的组合。类似地,诸如“一”、“一个”或“该”的术语也可以至少部分地取决于上本发明理解为传达单数用法或传达复数用法。另外,术语“基于…”可以理解为不一定旨在传达一组排他的因素,而是至少部分地取决于上本发明可以代替地允许存在不一定必须明确描述的附加因素。
在本申请中使用词“示例性”和“说明性”来意指“充当示例、实例、演示、或说明”。在本申请中被描述为“示例性”或“说明性”的任何方面、实施例、或设计不一定被解释为相对于其它方面、实施例、或设计为优选的或有优势的。
对“一个方面”、“方面”、“说明性方面”、“各方面”等的引用指示:如此描述的(一个或多个)方面和/或多方面可以包括特定特征、结构或特性,但并非每一个方面必定包括该特定的特征、结构或特性。进一步地,短语“在一个方面中”的重复使用并不一定指同一方面,尽管它可以指同一方面。
术语“处理器”或“控制器”可以理解为包括允许处置任何适当类型的数据和/或信息的任何种类的技术实体。可根据由处理器或控制器执行的一个或多个特定功能来处置数据和/或信息。进一步地,处理器或控制器可以被理解为任何种类的电路,例如任何种类的模拟或数字电路。处理器或控制器因此可以是或可包括模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(Central Processing Unit,CPU)、图形处理单元(Graphics Processing Unit,GPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、集成电路、专用集成电路(Application Specific Integrated Circuit,ASIC)等、或其任何组合。下文将进一步详细描述的相应功能的任何其他种类的实现方式也可被理解为处理器、控制器或逻辑电路。应理解,本文中详述的任何两个(或更多个)处理器、控制器、或逻辑电路可被实现为具有等效功能的单个实体等等,并且相反地,本文中详述的任何单个处理器、控制器或逻辑电路可被实现为具有等效功能的两个(或更多个)分开的实体等等。
术语“存储器”被理解为数据或信息可以被存储在其中以供取回的计算机可读存储介质(例如,非暂态计算机可读存储介质)。对“存储器”的引用可因此被理解为是指易失性或非易失性存储器,包括随机存取存储器(random access memory,RAM)、只读存储器(read-onlymemory,ROM)、闪存、固态存储、磁带、硬盘驱动器、光驱等或其任何组合。在本文中,寄存器、移位寄存器、处理器寄存器、数据缓冲器等等也可由术语存储器包含。术语“软件”可以用来指代任何类型的可执行指令和/或逻辑,包括固件。
可以将“交通工具10”理解为包括以任何驱动方式被驱动的可移动对象。作为示例,交通工具10可以是或者可以包括陆地上的公共汽车、大客车、私家车、出租汽车、无轨电车、有轨电车、地铁、火车、磁悬浮列车、自行车、摩托车、三轮车、电动车等;也可以是或者可以包括海上的客轮、货轮、远洋班轮、气垫船、帆船、潜水艇、游艇、救生艇、皮划艇等,以及空中的飞机、客机、专机、直升机、无人机、航空器、火箭等。
图1示出了本申请示例性本体速度确定方法的示例操作环境。在图1示出的操作环境中,该示例中交通工具10为车辆(在其他示例中可以是或者包括以上所示的其他交通工具10)。车辆在道路上行驶,可以实现自动驾驶或智能辅助驾驶。对于自动驾驶或智能辅助驾驶,实时获取本车的速度对于车辆安全行驶是十分必要的。
在一些说明性方面中,交通工具10如车辆可以包括雷达系统101。示例性地,雷达系统101可以被实现为车载系统的一部分,车载系统被设置在交通工具10。
具体应用中,雷达系统101可以包括多个天线106、单片微波集成电路(MMIC)和处理器1011等。根据收发天线106的数量,雷达系统101可以包括单输入多输出(SIMO)雷达和多输入单输出(MISO)雷达。
单片微波集成电路(图1中未示出)是在半绝缘半导体衬底上用一系列的半导体工艺方法制造出无源和有源元器件,并连接起来构成应用于微波(甚至毫米波)频段的功能电路。
天线106用来将来自发射机的发射电信号103以电磁波的形式辐射到空间。在遇到检测点105后电磁波反射,单片微波集成电路获得由天线106接收反射的回波信号104,并将那些回波信号104作为雷达数据传送。
单片微波集成电路包括多种功能电路,如低噪声放大器(LNA)、功率放大器、混频器、上变频器、检波器、调制器、压控振荡器(VCO)、移相器、开关、MMIC收发前端,甚至整个发射/接收(T/R)组件(收发系统)。处理器1011将接收机的模拟信号转化为数字信号,并进行处理和分析,获得结果如目标的位置和速度信息。
单片微波集成电路可包括合适的天线106的接口。
启动雷达系统101开始工作后,在每一帧时间期间,单片微波集成电路经由天线106将发射电信号103来辐射如图1所示的探测角度范围102中的检测点105。单片微波集成电路经由天线106接收作为发射电信号103的那一帧反射的回波信号104。单片微波集成电路将回波信号104转化为数字格式,以便于处理器1011进行处理。常见的单雷达探测角度范围102只能包括部分区域。
雷达系统101可以在交通工具10的任何部分,如可以在交通工具10的内部或外部的前方、后部、顶部、底部或侧部,或者是交通工具10部件的一部分,如保险杠、前照灯或后照灯等的一部分。图1示出的示例中,雷达系统101设置于车辆前机盖的前端,将雷达系统101坐标系与汽车坐标系对准。该示例中,单雷达探测角度范围102为车体正前方-60°~60°。
在一些实施例中,雷达系统101可以包括毫米波雷达,毫米波雷达是工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波频域为30~300GHz频域,波长为1~10mm。毫米波的波长介于微波和厘米波之间。
图2示出了本申请示例性本体速度确定方法的流程示意图。交通工具10的本体速度确定方法,包括:
步骤S11:从雷达数据中检测单帧中各个检测点105的特征信息;
步骤S12:读取对应单帧的本体速度;
步骤S13:基于特征信息,确定单帧中各检测点105是否为静态检测点;
步骤S14:确定单帧中各个静态检测点的纵向速度;
步骤S15:根据纵向速度以及本体速度,确定单帧的本体估计速度。
需要说明的是,步骤S11~步骤S15仅是为了描述本申请技术方案,不能理解为对方法执行步骤顺序的限定,在其他实施例中可根据需要实施各步骤,例如可先读取对应单帧的本体速度;再从雷达数据中检测单帧中各个检测点105的特征信息。
具体实施例中,步骤S12中可采用现有技术初步确定本体速度,具体实施时可通过相关通讯线路或通讯模块读取利用现有技术获得的本体速度。
如车载各电子控制装置之间利用CAN(Controller Area Network,控制器局域网)总线通讯模块交换信息,形成汽车电子控制网络。比如:发动机管理系统、变速箱控制器、仪表装备、电子主干系统中,均嵌入CAN总线通讯模块。通过CAN总线通讯模块可从车辆CAN总线上读取车辆行驶信息,比如车速、油门踏板位置、方向盘转角位置、发动机转速、环境温度、发动机水温、发动机载荷等信息。
常用的CAN总线通讯模块包括但不限于WiFi转CAN转换模块、光纤转CAN转换模块、蓝牙转CAN转换模块、以太网转CAN转换模块、串口转CAN转换模块等。
车载4D毫米波雷达往往对本车速度的实时性和准确性有更高的要求,其对于雷达检测点105的动静态判别和后续数据的处理非常关键。
在一些实施例中,为了提高静态检测点的识别精度,如图3所示,步骤S13基于特征信息,确定单帧中各检测点105是否为静态检测点,包括:
遍历单帧中各检测点105;
基于检测点105的特征信息,利用预先训练获得的线性判别分析模型确定检测点105的状态参数,状态参数包括静态检测点状态参数和非静态检测点状态参数;
基于检测点105的状态参数,确定检测点105的静态概率;
当静态概率超过设定阈值,则确定单帧中检测点105为静态检测点;
满足预设条件则停止遍历。
进一步地,为了提高计算速度,预设条件为累积确定的静态检测点的总数大于或者等于第一累积门限,当满足该预设条件则停止遍历。
可以设定,第一累积门限值为单帧中最大检测点数量的12%~18%,12%~18%,如12%、14%、15%、17%、18%,优选地为单帧中最大检测点数量的15%。
具体地,步骤S14纵向速度的计算方法如下:
具体实施例中,交通工具10为车辆。从多帧实测雷达数据中选择护栏、静止车辆等稳定静态目标对应的检测点105,StaticFlag标记为1,即标识静态检测点,其他点均标记为0,即非静态检测点。每个点对应的特征参数还包含:径向距离R、方位角、俯仰角/>、信噪比SNR和径向速度Vr以及对应帧的本车速度/>,保存多组检测点105数据构建训练数据集。利用线性判别分析方法构建判别模型如下:
其中m i和n i(i=1,2,...,7)为根据训练数据集计算得到的算法系数,S 1和S 2分别对应StaticFlag为1和0两种状态参数。
将训练数据集的特征参数在线性判别分析模型中进行迭代运算,根据输出的状态参数和期望值之间的误差更新系数,遍历当前帧内检测点105,根据以下公式求解每个点的静态概率如下,如图4示意为待求静态概率的检测点105数据。
判断静态概率是否超过设定阈值,若满足则认定该点为可信的静态检测点,求解该点纵向速度Vy=Vr/(cos(/>)*cos(/>))并保存,否则继续遍历,当累积检测点105达到第一累积门限时直接停止遍历。
基于4D毫米波雷达的实时高精度测速性能,本申请实施例通过构建数据库训练参数,利用线性判别分析方法计算雷达检测点105的静态概率,进而选取可信的静态检测点;基于确定的静态检测点的速度求解对应每一帧本车的实时车速,提高了册数的精度。
具体地,具体实施时,可能存在单帧中雷达检测点中地静态检测点地数量不足,难以进行准确地本体速度估计。为了提高可信地静态检测点识别地精度,以及保证所求车速地参数鲁棒性,可选地,步骤S15包括:
确定单帧中静态检测点的数量;
当数量大于或等于第三累积门限,执行第一估值方法,以确定单帧的本体估计速度;否则执行第二估值方法,以确定单帧的本体估计速度。
根据单帧中确定地静态检测点地数量,分别采用两种不同德估计方法,能能够获得更加准确的本体估计速度,且鲁棒性更强。
在一些实施例中,第一估值方法,基于所有的静态检测点的纵向速度与第三累积门限和/或第二累积门限的比较结果,选取静态检测点;根据选取的静态检测点的纵向速度,确定单帧的本体估计速度,其中第二累积门限大于第三累积门限;
第二估值方法,基于所有的静态检测点的纵向速度与本体速度的误差,根据误差对静态检测点的纵向速度确定权值,根据加权后的静态检测点的纵向速度,确定单帧的本体估计速度。
本申请的一些实施例中,第一估值方法包括:
将所有的静态检测点的纵向速度进行排序;
静态检测点的数量不少于第二累积门限,则筛除其中纵向速度最大的第一预设比例的静态检测点和纵向速度最小的第二预设比例的静态检测点;
可以设定,第二累积门限值为单帧中最大检测点数量的5%~10%,如5%、6%、7%、8%、9%、10%,优选地为单帧中最大检测点数量的8%。
本申请中累积门限的设定可以减少计算量和提高速度计算的准确性。
如单帧中最大检测点数量为150,可以设定,第二累积门限值为6~10,尤其为6。
当确定的静态检测点较多,难免会引入一些干扰检测点105,通过删除纵向速度最大和最小的一部分检测点105,利用剩下的检测点105的纵向速度确定单帧的本体估计速度,可以剔除掉数据干扰项,提高速度估计的准确性。
在一些实施例中,第二估值方法包括:
将所有静态检测点的纵向速度进行排序;
根据当前帧的向前一帧的速度Veb(1)、向前两帧的速度Veb(2)和向前三帧的速度Veb(3),求解当前帧速度预测值V_pre,获得当前帧的本体估计速度V_ego,V_ego=(-+V_pre)/2。
可以设定,当前帧速度预测值V_pre表示如下:
V_pre=Veb(1)+(Veb(2)-Veb(3))/4+(Veb(1)-Veb(2))*3/4。
将纵向速度加权求平均包括:
确定纵向速度与本体速度的误差ε,误差ε表达式为:
ε=abs(Vy+V_read);
其中Vy为检测点105的纵向速度,V_read为本体速度;
误差ε越大,相应的纵向速度的加权系数越小。
针对单帧内静态检测点较少的情况,可能影响本体估计速度的准确度,该实施例结合连续帧所估速度差值对本车速度进一步校准,保证所求车速的参数准确性和鲁棒性。
可选地,对单帧的本体估计速度V_ego做判断,若与读取的本体速度误差小于0.6m/s,则将确定的单帧的本体估计速度V_ego输出,否则直接输出读取的本体速度,提供给在道路上操作交通工具10的自主驾驶系统或辅助驾驶系统。
本实施例基于雷达的检测点对本车速度进行实时求解。由于车速估计结果源自雷达本身,其输出结果对于提升雷达的动静态判别性能有重要意义,且能够作为OBD输出车速的补充和参照,提升车辆行驶的安全性。该方法工程上简单易实现,对于不同类型的毫米波雷达均可适用。
图7示出了本申请示例性雷达系统101的示意性框图图示。
本申请实施例雷达系统101包括:
存储器1012、一个或多个处理器1011以及存储在存储器1012中并可在处理器1011上运行的计算机程序1013;
处理器1011执行计算机程序1013时实现以下方法:
从雷达数据中检测单帧中各个检测点105的特征信息;
读取对应单帧的本体速度;
基于特征信息,确定单帧中各检测点105是否为静态检测点;
确定单帧中各个静态检测点的纵向速度;
根据纵向速度以及本体速度,确定单帧的本体估计速度。
雷达系统101还可以包括多个天线106和单片微波集成电路(MMIC)。为了附图简洁,在图7中未示出多个天线106。
为了清楚起见,图7中示出的雷达系统101中包括了单个处理器1011,但是在其他实施例中雷达系统101可以包括多个处理器1011。
本申请实施例提供了一种非瞬态计算机可读存储介质,包括计算机程序1013,计算机程序1013在被执行时,致使雷达系统101的一个或多个处理器1011用于实现以下方法:
从雷达数据中检测单帧中各个检测点105的特征信息;
读取对应单帧的本体速度;
基于特征信息,确定单帧中各检测点105是否为静态检测点;
确定单帧中各个静态检测点的纵向速度;
根据纵向速度以及本体速度,确定单帧的本体估计速度。
可以理解的是,处理器1011执行计算机程序1013时实现的方法如以上实施例提供的交通工具本体速度确定方法相对应,因此不再详细描述。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (15)
1.交通工具本体速度确定方法,其特征在于,包括:
从雷达数据中检测单帧中各个检测点的特征信息;
读取对应所述单帧的本体速度;
基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点;
确定所述单帧中各个所述静态检测点的纵向速度;
根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度。
2.根据权利要求1所述的交通工具本体速度确定方法,其特征在于,所述特征信息包括径向距离、方位角、俯仰角、信噪比和径向速度。
3.根据权利要求1所述的交通工具本体速度确定方法,其特征在于,基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点,包括:
遍历所述单帧中各所述检测点;
基于所述检测点的特征信息,利用预先训练获得的线性判别分析模型确定所述检测点的状态参数,所述状态参数包括静态检测点状态参数和非静态检测点状态参数;
基于所述检测点的状态参数,确定所述检测点的静态概率;
当所述静态概率超过设定阈值,则确定所述检测点为静态检测点;
满足预设停止条件则停止遍历。
4.根据权利要求3所述的交通工具本体速度确定方法,其特征在于,所述预设停止条件为累积确定的所述静态检测点的总数小于或者等于第一累积门限。
7.根据权利要求1所述的交通工具本体速度确定方法,其特征在于,根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度,包括:
确定所述单帧中所述静态检测点的数量;
当所述数量大于或等于第三累积门限,执行第一估值方法,以确定所述单帧的本体估计速度;否则执行第二估值方法,以确定所述单帧的本体估计速度。
8.根据权利要求7所述的交通工具本体速度确定方法,其特征在于,
所述第一估值方法,基于所有的所述静态检测点的纵向速度与所述第三累积门限和/或第二累积门限的比较结果,选取静态检测点;根据选取的所述静态检测点的纵向速度,确定所述单帧的本体估计速度,其中所述第二累积门限大于所述第三累积门限;
所述第二估值方法,基于所有的所述静态检测点的纵向速度与所述本体速度的误差,根据误差对所述静态检测点的纵向速度确定权值,根据加权后的所述静态检测点的纵向速度,确定所述单帧的本体估计速度。
10.根据权利要求9所述的交通工具本体速度确定方法,其特征在于,所述第二累积门限值为所述单帧中最大检测点数量的5%~10%,和/或第三累积门限为6~10。
12.根据权利要求11所述的交通工具本体速度确定方法,其特征在于,所述当前帧速度预测值V_pre表示如下:
V_pre=Veb(1)+(Veb(2)-Veb(3))/4+(Veb(1)-Veb(2))*3/4。
13.根据权利要求11所述的交通工具本体速度确定方法,其特征在于,按照与所述本体速度的误差大小,将所述纵向速度加权求平均包括:
确定所述纵向速度与所述本体速度的误差ε,误差ε表达式为:
ε=abs(Vy+V_read);
其中Vy为所述检测点的纵向速度,V_read为所述本体速度;
所述误差ε越大,相应的所述纵向速度的加权系数越小。
14.一种雷达系统,其特征在于,包括存储器、一个或多个处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,
所述处理器执行所述计算机程序时实现以下方法:
从雷达数据中检测单帧中各个检测点的特征信息;
读取对应所述单帧的本体速度;
基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点;
确定所述单帧中各个所述静态检测点的纵向速度;
根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度。
15.一种非瞬态计算机可读存储介质,其特征在于:包括计算机程序,所述计算机程序在被执行时,致使雷达系统的一个或多个处理器用于实现以下方法:
从雷达数据中检测单帧中各个检测点的特征信息;
读取对应所述单帧的本体速度;
基于所述特征信息,确定所述单帧中各所述检测点是否为静态检测点;
确定所述单帧中各个所述静态检测点的纵向速度;
根据所述纵向速度以及所述本体速度,确定所述单帧的本体估计速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310567753.XA CN116299302B (zh) | 2023-05-19 | 2023-05-19 | 交通工具本体速度确定方法、雷达系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310567753.XA CN116299302B (zh) | 2023-05-19 | 2023-05-19 | 交通工具本体速度确定方法、雷达系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116299302A true CN116299302A (zh) | 2023-06-23 |
CN116299302B CN116299302B (zh) | 2023-08-01 |
Family
ID=86830866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310567753.XA Active CN116299302B (zh) | 2023-05-19 | 2023-05-19 | 交通工具本体速度确定方法、雷达系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299302B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109849930A (zh) * | 2018-12-29 | 2019-06-07 | 百度在线网络技术(北京)有限公司 | 自动驾驶汽车的相邻车辆的速度计算方法和装置 |
US20200209402A1 (en) * | 2018-12-31 | 2020-07-02 | Lyft, Inc. | Systems and methods for estimating vehicle speed based on radar |
CN111381248A (zh) * | 2020-03-23 | 2020-07-07 | 湖南大学 | 一种考虑车辆颠簸的障碍物检测方法及系统 |
CN112098990A (zh) * | 2020-11-19 | 2020-12-18 | 长沙莫之比智能科技有限公司 | 车载高分辨毫米波雷达对于中高速车辆的检测与跟踪方法 |
CN113721253A (zh) * | 2021-08-30 | 2021-11-30 | 杭州视光半导体科技有限公司 | 基于fmcw激光雷达的运动物体速度检测方法 |
CN114814767A (zh) * | 2022-04-11 | 2022-07-29 | 福瑞泰克智能系统有限公司 | 一种信息处理方法、装置、电子设备及存储介质 |
CN114910898A (zh) * | 2022-05-12 | 2022-08-16 | 柳州五菱新能源汽车有限公司 | 一种速度测量方法、装置及相关设备 |
-
2023
- 2023-05-19 CN CN202310567753.XA patent/CN116299302B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109849930A (zh) * | 2018-12-29 | 2019-06-07 | 百度在线网络技术(北京)有限公司 | 自动驾驶汽车的相邻车辆的速度计算方法和装置 |
US20200209402A1 (en) * | 2018-12-31 | 2020-07-02 | Lyft, Inc. | Systems and methods for estimating vehicle speed based on radar |
CN111381248A (zh) * | 2020-03-23 | 2020-07-07 | 湖南大学 | 一种考虑车辆颠簸的障碍物检测方法及系统 |
CN112098990A (zh) * | 2020-11-19 | 2020-12-18 | 长沙莫之比智能科技有限公司 | 车载高分辨毫米波雷达对于中高速车辆的检测与跟踪方法 |
CN113721253A (zh) * | 2021-08-30 | 2021-11-30 | 杭州视光半导体科技有限公司 | 基于fmcw激光雷达的运动物体速度检测方法 |
CN114814767A (zh) * | 2022-04-11 | 2022-07-29 | 福瑞泰克智能系统有限公司 | 一种信息处理方法、装置、电子设备及存储介质 |
CN114910898A (zh) * | 2022-05-12 | 2022-08-16 | 柳州五菱新能源汽车有限公司 | 一种速度测量方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116299302B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458700B (zh) | 车辆映射和定位的方法和系统 | |
US11312371B2 (en) | Apparatus and method for controlling vehicle | |
CN110857984B (zh) | 具有多普勒模糊估计的距离和到达方向偏移 | |
CN104635233A (zh) | 基于车载毫米波雷达的前方物体运动状态估计及分类方法 | |
CN110857983B (zh) | 使用具有不同观测角的多个雷达进行对象速度矢量估计 | |
CN111583718A (zh) | 汽车倒车预警方法、系统及车载终端 | |
WO2023146670A1 (en) | Apparatus, system and method of radar tracking | |
CN116299302B (zh) | 交通工具本体速度确定方法、雷达系统和存储介质 | |
US20220413129A1 (en) | Methods and Systems for Detecting and Mitigating Automotive Radar Interference | |
CN112098965B (zh) | 一种基于毫米波雷达的载体姿态角解算方法 | |
CN111337926B (zh) | 经由高阶相位项的多普勒模糊分辨率 | |
CN110678776B (zh) | 用于增强的对象跟踪的系统 | |
EP3961254A1 (en) | Height-estimation of objects using radar | |
US11662454B2 (en) | Systems and methods for range-rate dealiasing using position consistency | |
US20220221567A1 (en) | Electronic device, method for controlling electronic device, and program | |
CN114624713A (zh) | 加速事件期间的目标跟踪 | |
JP2021073452A (ja) | 電子機器、電子機器の制御方法、及び電子機器の制御プログラム | |
WO2022091708A1 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
JP7247413B2 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
WO2022004291A1 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
JP7466023B2 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
US11774548B2 (en) | Linear prediction-based bistatic detector for automotive radar | |
US11965978B2 (en) | Calibration pipeline for estimating six degrees of freedom (6DoF) alignment parameters for an autonomous vehicle | |
US20230236317A1 (en) | Methods and Systems for Estimating Rain Rate via Vehicle Imaging Radar | |
US11143747B2 (en) | Methods and systems for classifying received signals from radar system |
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 |