CN116822154A - 车辆状态的估计方法、装置、设备和存储介质 - Google Patents
车辆状态的估计方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116822154A CN116822154A CN202310641395.2A CN202310641395A CN116822154A CN 116822154 A CN116822154 A CN 116822154A CN 202310641395 A CN202310641395 A CN 202310641395A CN 116822154 A CN116822154 A CN 116822154A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- motion
- measurement data
- probability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005259 measurement Methods 0.000 claims abstract description 285
- 230000007704 transition Effects 0.000 claims abstract description 64
- 230000003993 interaction Effects 0.000 claims abstract description 58
- 238000005315 distribution function Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于环境感知技术领域，提供一种车辆状态的估计方法、装置、设备和存储介质，通过确定车辆机动场景下的多个运动模型；针对每个运动模型，确定运动模型与多个运动模型中其他运动模型交互输出的车辆的交互状态；根据车辆的交互状态，以及运动模型的状态转移信息，得到车辆的预测状态；根据车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定量测数据与扩展目标区域关联的概率；根据多个运动模型的概率、量测数据与扩展目标区域关联的概率以及各个运动模型输出的车辆的预测状态，得到车辆的目标状态。本方法解决了车辆这个扩展目标在做机动运动时导致的运动模型不确定的问题，减少了跟踪误差，提高了跟踪精度。
Description
技术领域
本发明涉及环境感知技术领域，尤其涉及一种车辆状态的估计方法、装置、设备和存储介质。
背景技术
智能车辆是指配备感知、推理和执行机构的车辆，依靠传感器系统及强大的通信网络实现人、车、路的信息交换，并主动对行驶环境进行行驶环境安全分析和可行驶区域规划。在感知系统中，状态的估计是目标跟踪中重要的技术环节，因车载雷达的带宽和分辨率的越来越高，分辨率单元尺寸越来越小，当目标的物理尺寸大于分辨率单元尺寸时，目标往往占据多个分辨率单元，从而产生多个量测，也即目标存在扩展性，针对车辆这一类扩展目标的跟踪是当前亟待解决的问题。
针对车辆这一类扩展目标的跟踪问题，现有的状态的估计方法主要为数据-区域关联(Data-region association,DRA)方法，DRA方法将车辆目标的形状假设为矩形，并将扩展矩形分成五个区域，对每个区域分别建模散射中心。然而DRA方法假设目标以某个特定的模型运动，但在实际场景中，目标的运动模型可能随着时间不断发生改变，也就是做机动运动，例如车辆往往会发生急刹、加速和急转弯等机动行为，此时单一的动态模型不能很好地描述目标的机动行为，一旦目标发生机动行为，DRA方法的跟踪性能便大大下降，容易导致跟踪误差骤升。
发明内容
本发明提供一种车辆状态的估计方法、装置、设备和存储介质，用以解决现有技术中机动场景下车辆的目标跟踪误差变大的缺陷，实现减少跟踪误差，提高对车辆的跟踪精度。
第一方面，本发明提供一种车辆状态的估计方法，包括：
确定车辆机动场景下的多个运动模型；
针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；
根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；
根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
可选地，所述根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率，以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态，可以包括：
根据所述量测数据与所述扩展目标区域关联的概率对各个所述运动模型输出的车辆的预测状态进行加权处理，得到各个所述运动模型输出的车辆的目标状态；
根据所述多个运动模型的概率对各个所述运动模型输出的车辆的目标状态进行加权处理，得到所述车辆的目标状态。
可选地，所述多个运动模型的概率为根据所述概率密度分布函数对所述多个运动模型的先验概率进行更新得到的；所述多个运动模型的先验概率基于上一时刻所述多个运动模型的概率与所述模型转移概率相乘得到；所述模型转移概率基于预设的马尔科夫转移概率矩阵确定，所述马尔科夫转移概率矩阵表示所述多个运动模型之间相互转移的概率。
可选地，所述确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态，包括：
根据上一时刻所述车辆的目标状态，所述运动模型的概率以及所述其他运动模型转换成所述目标运动模型的模型转移概率，得到所述车辆的交互状态。
可选地，所述量测数据包括以下至少一项：量测点和所述车辆的量测装置之间的距离、量测点和所述车辆的量测装置之间的径向多普勒速度，以及量测点和所述车辆的量测装置的视轴之间的方位角。
可选地，所述根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率，包括：
根据所述车辆的预测状态和所述车辆的量测数据，确定所述量测数据对应的量测预测值的概率密度分布函数；
根据所述量测数据对应的量测预测值的概率密度分布函数和所述量测数据在所述车辆的扩展目标区域的先验概率得到所述量测数据与所述扩展目标区域关联的概率。
可选地，所述根据所述量测数据对应的量测预测值的概率密度分布函数和所述量测数据在所述车辆的扩展目标区域的先验概率得到所述量测数据与所述扩展目标区域关联的概率之前，还包括：
根据所述车辆的预测状态，计算得到所述车辆的扩展目标区域；所述扩展目标区域为矩形波门范围，所述矩形波门范围包括五个子区域。
可选地，所述量测数据在所述车辆的扩展目标区域的先验概率为根据所述车辆的预测状态和预先设定的量测数据的区域分布概率得到的。
可选地，所述多个运动模型包括以下至少一项：匀速运动CV模型、匀加速运动CA模型和协同转弯运动CT模型。
可选地，所述得到所述车辆的目标状态之后，还可以包括：
根据k时刻所述车辆的目标状态以及k时刻所述目标运动模型的状态转移信息确定k+1时刻所述车辆的目标状态；k为大于或等于0的整数。
第二方面，本发明提供一种车辆状态的估计装置，包括：
模型确定模块，用于确定车辆机动场景下的多个运动模型；
交互预测模块，用于针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
目标估计模块，用于根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
第三方面，本发明提供一种本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述车辆状态的估计方法。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述车辆状态的估计方法。
第五方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述车辆状态的估计方法。
本发明提供的一种车辆状态的估计方法、装置、设备和存储介质，通过先确定车辆机动场景下的多个运动模型，针对每个运动模型，确定运动模型与多个运动模型中其他运动模型交互输出的所述车辆的交互状态，然后根据车辆的交互状态，以及该运动模型的状态转移信息，得到车辆的预测状态，进一步地，根据车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定量测数据与扩展目标区域关联的概率，最终根据多个运动模型的概率、量测数据与扩展目标区域关联的概率以及各个运动模型输出的车辆的预测状态，得到车辆的目标状态。因为该状态估计方法中采用交互的多个运动模型对车辆的状态进行预测，也即考虑多个运动模型之间的交互输出对车辆的目标状态的影响因素，并且，通过车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定出量测数据与扩展目标区域关联的概率，进而，利用多个运动模型的概率对各个运动模型输出的车辆的预测状态进行更新，最终估计得到车辆的目标状态，从而解决了车辆这个扩展目标在做机动运动时导致的运动模型不确定的问题，减少了跟踪误差，提高了跟踪精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的车辆状态的估计方法的流程示意图之一；
图2是本发明提供的车辆状态的估计方法的流程示意图之二；
图3是车辆的扩展目标区域的矩形波门范围的示意图；
图4a为量测数据在车辆的扩展目标区域的先验概率的原理示意图之一；
图4b分别为量测数据在车辆的扩展目标区域的先验概率的原理示意图之二；
图5为本发明提供的车辆状态的估计方法的流程示意图之三；
图6是本发明提供的车辆状态的估计装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
首先，对本发明实施例中涉及到的术语进行解释：
扩展目标：在高分辨率传感器中每个运动目标的回波信号可能会同时占据多个距离分辨单元，即每个目标可能产生多个量测数据，称这样的目标为扩展目标。
机动性：指车辆目标往往会发生急刹、加速和急转弯等机动行为。
其次，对本发明实施例提供的车辆状态的估计方法应用的场景进行介绍。
自动驾驶是智慧交通中的一项重要应用，可实现紧急刹车、行人检测、碰撞警告、变道辅助、自动泊车和自适应巡航等功能。其中感知是自动驾驶的前提条件，也是重要环节。随着智能汽车的智能化程度越来越高，自动驾驶对感知的要求也越来越高。感知环节用到的车载毫米波雷达对环境感知起着重要的作用，可准确测量车辆周围目标的信息，另外车载毫米波雷达可有效穿透雾、烟雨和灰尘，不受恶劣的天气和复杂的道路约束，能够全天候、全天时地工作，种种优势使其成为自动驾驶中重要的传感器之一，也使得车载雷达成为重要的研究对象。在感知系统中，状态的估计是目标跟踪重要的技术环节，是指基于观测和预测来确定目标例如车辆的状态。
现有技术中，车辆状态的估计方法主要为依据随机超表面模型(Randomhypersurface model，RHM)和随机矩阵模型(Randommatrix model,RMM)进行估计。
其中，随机超表面模型(Random hypersurface model，RHM)主要利用随机超表面模型对车辆进行感知与描述，用超曲面来描述其任意扩展形状，状态估计时根据该运动模型进行状态预测。存在的不足为：
(1)利用单一模型描述车辆在扩展目标区域上的量测空间分布，单一模型无法描述车辆这个扩展目标区域上的量测空间分布；
(2)假设目标以某一种确定的运动模型运动对车辆的运动模型建立先验假设，但在实际交通场景中，车辆往往会发生急刹、加速和急转弯等机动行为，若车辆发生上述机动行为，现有的车辆状态的估计方法不能解决运动模型不确定性的问题，容易导致跟踪误差骤升。
其中，随机矩阵模型(Random matrix model,RMM)假设扩展目标是椭圆，并用一个随机矩阵建模扩展目标的扩展状态。该方法存在的不足为不能精准描述扩展目标，仅用椭圆无法满足多数场景的应用，且散射中心被认为是均匀分布在扩展目标上的。实际上，车辆目标的量测空间分布是十分复杂的，均匀性假设往往不成立。
基于上述不足，本发明提供一种能解决车辆这个扩展目标在做机动运动时机动性导致的运动模型不确定的问题，减少跟踪误差的车辆状态的估计方法，而且提高了对机动扩展目标的车辆跟踪的鲁棒性。
下面结合图1-图7描述对本发明的车辆状态的估计的技术方案进行详细说明，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明提供的车辆状态的估计方法的流程示意图之一，如图1所示，该方法包括：
步骤101、确定车辆机动场景下的多个运动模型；
具体地，在实际场景中，车辆往往会发生多种机动行为，例如加速、转弯、急刹车等等，常见的目标运动模型例如匀速(Constant Velocity，CV)运动模型、匀加速(ConstantAcceleration，CA)运动模型和协同转弯(Constant turn，CT)运动模型。该步骤中首先确定车辆机动场景下的多个运动模型，示例性地，多个运动模型为匀速CV运动模型和匀加速(Constant Acceleration，CA)，对应的k时刻的目标状态向量可以分别表示为：
其中表示k时刻的目标状态向量，xk，yk表示k时刻目标状态向量的位置，和表示矩形扩展目标的顶点在目标坐标系下的坐标位置。
其中表示k时刻的目标状态向量，xk，yk表示k时刻目标状态向量的位置，和表示矩形扩展目标的顶点在目标坐标系下的坐标位置。
步骤102、针对每个运动模型，确定运动模型与多个运动模型中其他运动模型交互输出的车辆的交互状态；
具体地，在确定车辆机动场景下的多个运动模型之后，可以计算多个运动模型相互交互输出的交互状态，为了更好地理解交互输出的过程，可以先假定一个运动模型作为主要的运动模型。
在确定所述运动模型之后，可以基于该运动模型和多个运动模型中其他运动模型的交互，得到该运动模型与运动模型中其他运动模型交互输出的车辆的交互状态。
步骤103、根据车辆的交互状态，以及运动模型的状态转移信息，得到车辆的预测状态；
具体地，在步骤102中得到该运动模型与运动模型中其他运动模型交互输出的车辆的交互状态之后，可以进一步基于该运动模型的状态转移信息对车辆的交互状态进一步更新，得到车辆的预测状态。其中，状态转移信息例如可以是该运动模型对应的状态转移矩阵。示例性地，车辆的预测状态可以表示为：
其中，表示k时刻车辆的预测状态，Fk-1表示k-1时刻该运动模型(第j个运动模型)的状态转移矩阵，表示k时刻车辆的交互状态。
步骤104、根据车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定量测数据与扩展目标区域关联的概率。
具体地，车辆量测数据指的是车辆的量测装置例如车载雷达在扩展目标区域中的量测点处的量测数据，量测数据的具体信息例如包含量测点和车辆的量测装置之间的距离d、量测点和车辆的量测装置之间的径向多普勒速度D，以及量测点和车辆的量测装置的视轴之间的方位角β。扩展目标区域指的是车辆目标的扩展区域，例如为矩形扩展区域，当车辆目标的扩展形状为矩形扩展区域时，可以进一步将矩形扩展区域分成五个子区域。
其中，先验概率是指根据以往经验和分析得到的概率，它往往作为“由因求果”问题中的“因”出现。而后验概率是指基于新的信息，修正原来的先验概率后所获得的更接近实际情况的概率估计，是“执果寻因”问题中的“因”。在该方法中所述量测数据在车辆的扩展目标区域的先验概率可以基于车辆的预测状态和预先设定的量测数据的区域分布概率推导得到。
进一步地，量测数据在车辆的扩展目标区域的先验概率可以基于车辆最新的状态也即车辆的预测状态，结合预先设定的量测数据的区域分布概率获得。在步骤103中得到车辆的预测状态后，可以基于车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率得到量测数据与扩展目标区域关联的概率。
具体地，可以根据车辆的预测状态、车辆的量测数据先计算得到量测数据对应的量测预测值的概率密度分布函数，例如量测数据对应的量测预测值的似然函数。然后，根据量测数据对应的量测预测值的似然函数和量测数据在车辆的扩展目标区域的先验概率，确定出量测数据与量测数据与扩展目标区域关联的概率，可以理解为后验概率，为经修正后的数据。
步骤105、根据多个运动模型的概率、量测数据与扩展目标区域关联的概率以及各个运动模型输出的车辆的预测状态，得到车辆的目标状态。
具体地，多个运动模型的概率可以理解为某一时刻车辆机动场景下多个运动模型出现的概率，对应地，多个运动模型的先验概率，可以由上一时刻的多个运动模型概率与模型转移概率得到。进一步地，可以根据量测数据与扩展目标区域关联的概率以及多个运动模型的概率对各个运动模型输出的车辆的预测状态进行二级加权处理，从而得到车辆的目标状态。
本发明实施例提供的方法中，通过先确定车辆机动场景下的多个运动模型，针对每个运动模型，确定运动模型与多个运动模型中其他运动模型交互输出的所述车辆的交互状态，然后根据车辆的交互状态，以及该运动模型的状态转移信息，得到车辆的预测状态，进一步地，根据车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定量测数据与扩展目标区域关联的概率，最终根据多个运动模型的概率、量测数据与扩展目标区域关联的概率以及各个运动模型输出的车辆的预测状态，得到车辆的目标状态。因为该状态估计方法中采用交互的多个运动模型对车辆的状态进行预测，也即考虑多个运动模型之间的交互输出对车辆的目标状态的影响因素，并且，通过车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定出量测数据与扩展目标区域关联的概率，进而，利用多个运动模型的概率对各个运动模型输出的车辆的预测状态进行更新，最终估计得到车辆的目标状态，从而解决了车辆这个扩展目标在做机动运动时导致的运动模型不确定的问题，减少了跟踪误差，提高了跟踪精度。
可选地，根据多个运动模型的概率、量测数据与所述扩展目标区域关联的概率，以及各个运动模型输出的车辆的预测状态，得到车辆的目标状态，可以包括：
根据量测数据与扩展目标区域关联的概率对各个运动模型输出的车辆的预测状态进行加权处理，得到各个运动模型输出的车辆的目标状态；
根据多个运动模型的概率对各个运动模型输出的车辆的目标状态进行加权处理，得到车辆的目标状态。
具体地，在得到各个运动模型输出的车辆的预测状态后，可以首先根据量测数据与扩展目标区域关联的概率对各个运动模型输出的车辆的预测状态进行第一级概率加权，得到各个运动模型输出的车辆的目标状态，示例如下：
其中，表示给定第j个运动模型输出的车辆的目标状态，为量测数据与扩展目标区域关联的概率，表示给定第j个运动模型输出的车辆的目标状态对应的误差协方差矩阵。
进一步地，可以根据多个运动模型的概率对各个运动模型输出的车辆的目标状态进行二级概率加权处理，得到车辆的目标状态，示例如下：
其中，表示车辆的目标状态，表示多个运动模型的概率。
可理解的是，上述多个运动模型的概率可以根据量测数据对应的量测预测值的概率密度分布函数，如似然函数，对多个运动模型的先验概率进行更新得到。
本发明实施例提供的方法中，较为完善地描述了车辆的机动性特征和扩展目标区域的耦合关系，本实施例的方法能很好地建模车辆扩展目标区域上复杂的量测空间分布，有效解决车辆这个扩展目标机动运动的问题，同时利用扩展目标的形态与机动模式的强相关特征显著提升目标跟踪性能。
可选地，多个运动模型的概率为根据概率密度分布函数对多个运动模型的先验概率进行更新得到的；多个运动模型的先验概率基于上一时刻多个运动模型的概率与模型转移概率相乘得到；模型转移概率基于预设的马尔科夫转移概率矩阵确定，马尔科夫转移概率矩阵表示多个运动模型之间相互转移的概率。
具体地，首先可以根据预设的模型转移矩阵例如马尔科夫转移概率矩阵确定模型转移概率，其中，马尔科夫转移概率矩阵表示多个运动模型之间相互转移的概率，可以根据实际情况进行自定义。示例性地，所述马尔科夫转移概率矩阵可以表示为：
其中，行和列分别依序表示预设的多个运动模型，例如，第一行、第二行、第三行分别表示匀加速运动CA模型、协同转弯运动CT模型、匀速运动CV模型；类似的，第一列、第二列、第三列也分别表示匀加速运动CA模型、协同转弯运动CT模型、匀速运动CV模型。所述马尔科夫转移概率矩阵中第一行第一列的数值“0.8”则表示匀加速运动CA模型转移为匀加速运动CA模型的概率为0.8，马尔科夫转移概率矩阵中第一行第二列的数值“0.05”则表示匀加速运动CA模型转移为匀加速运动CA模型的概率为0.05。
进一步地，可以根据上一时刻多个运动模型的概率与模型转移概率相乘得到多个运动模型的先验概率，得到多个运动模型的先验概率表示如下：
其中，表示多个运动模型的先验概率，表示k-1时刻多个运动模型的概率，πij表示k-1时刻其他运动模型转移到给定的该运动模型的模型转移概率。
进一步地，可以根据量测数据对应的量测预测值的概率密度分布函数，例如似然函数对多个运动模型的先验概率进行更新，得到多个运动模型的概率，过程示例如下：
其中，表示多个运动模型的先验概率，表示多个运动模型的概率，表示量测数据对应的量测预测值的似然函数。
本发明实施例提供的方法中，通过基于预设的模型转移矩阵例如马尔科夫转移概率矩阵确定模型转移概率，基于上一时刻多个运动模型的概率与模型转移概率相乘得到多个运动模型的先验概率，进而，根据概率概率密度分布函数对多个运动模型的先验概率进行更新，得到多个运动模型的概率。后续根据多个运动模型的概率对各个运动模型输出的车辆的预测状态进行进一步加权，充分考虑了多个模型的交互对车辆的目标状态的影响，最终得到的车辆目标状态的估计较为准确，跟踪性能较好。
可选地，确定运动模型与多个运动模型中其他运动模型交互输出的车辆的交互状态，可以包括：
根据上一时刻车辆的目标状态，该运动模型的概率以及其他运动模型转换成该运动模型的模型转移概率，得到车辆的交互状态。
具体地，上述步骤102中，可以根据上一时刻车辆的目标状态，该运动模型的概率以及其他运动模型转换成该运动模型的模型转移概率，得到车辆的交互状态。例如，所述运动模型假定已确定为匀速CV运动模型，在该步骤除了需要计算该运动模型输出的状态，还需要计算该运动模型与其他运动模型例如匀加速CA运动模型和协同转弯CT运动模型交互后的输出。
示例性地，车辆的交互状态可以表示为：
其中，表示给定第j个运动模型的条件下k时刻车辆的交互状态，表示k-1时刻的车辆的目标状态，πij表示模型转移概率，表示k-1时刻多个运动模型的概率。
本发明实施例提供的方法中，通过上一时刻车辆的目标状态，该运动模型的概率以及其他运动模型转换成该运动模型的模型转移概率，得到车辆的交互状态。车辆的交互状态中充分考虑了车辆在机动场景下运动模型的不确定性，通过多个运动模型的交互输出对车辆的状态进行估计，更适应机动场景，使得最终得到的车辆目标状态更加准确。
可选地，量测数据可以包括以下至少一项：量测点和车辆的量测装置之间的距离、量测点和车辆的量测装置之间的径向多普勒速度，以及量测点和车辆的量测装置的视轴之间的方位角。
具体地，参照图2所示，车辆的量测数据可以包括例如量测点和场景车辆量测装置之间的距离d、量测点和车辆的量测装置之间的径向多普勒速度D，以及量测点和车辆的量测装置的视轴之间的方位角β。其中车辆的扩展目标区域包含五个子区域，分别为图中车辆周围的四个子区域，用不同的填充底色表示，以及车辆中心的子区域。
其中的车辆的量测装置可以是车载雷达，例如车载毫米波雷达、车载红外/激光雷达，车载毫米波雷达可有效穿透雾、烟雨和灰尘，不受恶劣的天气和复杂的道路约束，能够全天候、全天时地工作，种种优势使其成为自动驾驶中重要的传感器之一，也使得车载雷达成为重要的研究对象。
本发明实施例提供的方法中，车辆的量测数据包括了量测点和车辆的量测装置之间的距离、量测点和车辆的量测装置之间的径向多普勒速度，以及量测点和车辆的量测装置的视轴之间的方位角多个维度的数据，可以便于后续对车辆目标状态进行更为准确的预测，提高预测精度。
可选地，根据车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定量测数据与扩展目标区域关联的概率，可以包括：
根据车辆的预测状态和车辆的量测数据，确定量测数据对应的量测预测值的概率密度分布函数；
根据量测数据对应的量测预测值的概率密度分布函数和量测数据在车辆的扩展目标区域的先验概率得到量测数据与扩展目标区域关联的概率。
具体地，应理解的是，因为扩展目标区域包含多个子区域，例如矩形扩展区域包含五个子区域，所述关联的概率表示的是量测数据落入的具体的子区域的概率。其中，车辆的扩展目标区域的先验概率以及扩展目标区域关联的概率可以分别理解为量测数据和扩展目标区域关联的先验概率和后验概率。
其中，车辆的扩展目标区域的先验概率指的是根据当前预测状态以及预先设定的量测数据在车辆的扩展目标区域中出现的概率得到，例如第i个量测数据在车辆的扩展目标区域的先验概率为：
其中，表示第i个量测数据在车辆的扩展目标区域的先验概率，θnear，θ′near，θfar和θ′far表示基于矩形波门范围量测点和车辆量测装置的位置角度关系。
进一步地，量测数据与扩展目标区域关联的概率可以理解为后验概率，即在得到上述车辆的扩展目标区域的先验概率的基础上，通过当前时刻的车辆的量测数据对其进行更新后得到。例如，量测数据与量测数据与扩展目标区域关联的概率可以表示为：得到量测数据与量测数据与扩展目标区域关联的概率的过程示例如下：
在一个具体的实施例中，首先可以根据车辆的预测状态、车辆的量测数据，确定量测数据对应的量测预测值的概率密度分布函数，例如量测数据对应的量测预测值的似然函数，得到量测数据对应的量测预测值的似然函数的过程示例如下：
假设车辆在每一时刻产生Nk个量测，用一个向量表示为：
其中，量测数据的信息包括了量测点和车辆的量测装置之间的距离d，量测点和车辆的量测装置之间的径向多普勒速度D，和量测点和车辆的量测装置的视轴之间的方位角β。
所述量测模型例如为：
其中，Hi是关于(若i＜5，若i＝5)的函数，i从1到5表示五个区域的量测模型参数不同，具体形式为：
式中，(或)表示在[0,1]区间上均匀分布的随机变量，即散射中心在每个区域内是均匀分布的。其中，
A1＝[[0,1]T，[-1,0]T],
A2＝[A5，O2×4]，
其中表示第i个n维基向量。
根据量测数据所关联的扩展目标区域的子区域不同，H的形式不同，进而对应的量测方程不同，可以达到分区建模量测分布的目的。在给定数据区域量测组合和给定运动模型的条件下，量测方程可以为：
其中，是量测数据的量测模型，是多个测量的目标量测模型，为了得到量测数据对应的量测预测值的似然函数，可以将状态向量增广为：
于是，上述量测数据更新为：
其中，UT表示权重为采样点为的无迹变换，是的第l个采样点。
进而，可以得到量测数据对应的量测预测值的似然函数为：
其中，表示量测数据对应的量测预测值的似然函数,Zk表示量测预测值,表示采用无迹变换得到量测数据对应的量测预测值的均值及其误差协方差。
进一步地，根据量测数据对应的量测预测值的概率密度分布函数、量测数据在车辆的扩展目标区域的先验概率可以得到量测数据与扩展目标区域关联的概率(后验概率)。示例性地，根据量测数据对应的量测预测值的似然函数计算量测数据与扩展目标区域关联的概率(后验概率)的过程示例如下：
其中，表示量测数据与量测数据与扩展目标区域关联的概率，表示量测数据对应的量测预测值的似然函数，表示量测数据在车辆的扩展目标区域的先验概率。
本发明实施例提供的方法中，通过根据车辆的预测状态和车辆的量测数据，确定量测数据对应的量测预测值的概率密度分布函数，例如似然函数，进一步结合量测数据在车辆的扩展目标区域的先验概率，得到量测数据与扩展目标区域关联的概率，后续可以基于量测数据与扩展目标区域关联的概率对所述车辆的预测状态进行更新，使得最终得到的车辆的目标状态中充分考虑了量测数据与扩展目标区域的关联性，解决了车辆的扩展性导致的量测的复杂空间分布不易描述的问题。
可选地，根据量测数据对应的量测预测值的概率密度函数和量测数据在车辆的扩展目标区域的先验概率得到量测数据与扩展目标区域关联的概率之前，方法还可以包括：
根据车辆的预测状态，计算得到车辆的扩展目标区域；扩展目标区域为矩形波门范围，矩形波门范围包括五个子区域。
具体地，根据车辆的预测状态可以计算车辆的扩展目标区域，所述车辆的扩展目标区域为矩形波门范围，矩形波门范围中包括五个子区域。
如图3所示，扩展目标区域的每个子区域的波门范围都是一个矩形区域，示例性地，矩形区域的尺寸计算如下：
其中，t和是(0,1)上的缩放因子，可用于缩放波门范围的大小。
进一步地，可以扩展目标区域的顶点进一步预测车辆的目标状态，计算出每个区域的波门范围，一个量测可能落入到多个子区域的波门内范围内，产生的第η个数据区域组合例如表示为
本发明实施例提供的方法中，通过根据车辆的预测状态，计算得到车辆的扩展目标区域的矩形波门范围，从而可以根据量测数据和车辆的扩展目标区域的概率对车辆的预测状态进行进一步估计，最终得到的车辆目标状态较为准确，跟踪误差小。
可选地，量测数据在车辆的扩展目标区域的先验概率为根据车辆的预测状态和预先设定的量测数据的区域分布概率得到的。
具体地，前述提到量测数据在车辆的扩展目标区域的先验概率可以根据车辆的预测状态以及预先设定的量测数据的区域分布概率得到。示例性地，得到量测数据在车辆的扩展目标区域的先验概率的过程示例如下：
图4a和图4b为量测数据在车辆的扩展目标区域的先验概率的原理示意图。如图4a和图4b所示，其中表示第i个量测数据关联的区域，Pnear，Pfar，Pinterior预先设定的概率，满足：
Pnear+Pfar+Pinterior＝1,
其中，Pinterior表示量测数据出现在内部区域的概率，Pnear表示量测数据出现在靠近雷达的那条边的区域的概率，Pfar表示量测数据出现在远离雷达的那条边的区域的概率。
如果第i个量测数据出现在靠近雷达的那条边的区域，则有：
第i个量测数据在车辆的扩展目标区域的先验概率为：
其中，表示第i个量测数据在车辆的扩展目标区域的先验概率，θnear，θ′near表示基于矩形波门范围的扩展顶点量测点与车辆量测装置的位置角度关系。
反之，也即第i个量测数据出现在远离雷达的那条边的区域则有：
第i个量测数据在车辆的扩展目标区域的先验概率为：
其中，表示第i个量测数据在车辆的扩展目标区域的先验概率，θfar，θ′far表示基于矩形波门范围的扩展顶点量测点与车辆量测装置的位置角度关系。
本发明实施例提供的方法中，通过车辆的预测状态，结合预先设定的量测数据的区域分布概率可以得到量测数据在车辆的扩展目标区域的先验概率。本方法可以实现根据车辆最新的估计状态也即车辆的预测状态对量测数据与车辆的扩展目标区域的先验概率进行实时更新，从而基于车辆的扩展目标区域的先验概率得到的量测数据和扩展目标区域关联的概率更符合实际的场景。
可选地，多个运动模型包括以下至少一项：匀速运动CV模型、匀加速运动CA模型和协同转弯运动CT模型。
具体地，车辆在正常行驶过程中，一般会维持匀速运动，在实际场景中，当车辆发生机动行为例如急刹、加速和急转弯等。对应的，该方法中的运动模型可以有多种，例如匀速运动CV模型、匀加速运动CA模型、协同转弯运动CT模型。
本发明实施例提供的方法中，通过确定车辆机动场景下对应的多个运动模型，运动模型包括例如匀速运动CV模型、匀加速运动CA模型、协同转弯运动CT模型，最终运用交互式多模型对车辆的目标状态进行预测和估计，使得目标跟踪的误差大幅减少，跟踪精度提高。
可选地，得到车辆的目标状态之后，还可以包括：
根据k时刻车辆的目标状态以及k时刻目标运动模型的状态转移信息确定k+1时刻车辆的目标状态；k为大于或等于0的整数。
具体地，在该方法中获得了车辆的目标状态之后，还可以利用当前时刻例如k时刻车辆的目标状态，和k时刻假定的各个运动模型的状态转移信息确定k+1时刻车辆的目标状态。
可选地，还可以结合观测噪声例如高斯噪声以及其对应的协方差矩阵和驱动矩阵，得到k+1时刻车辆的目标状态，也即，考虑了观测噪声对目标状态估计的影响。示例性地，k+1时刻车辆的目标状态用以下公式表示：
xk+1＝Fkxk+Gkwk,
其中，xk+1表示k+1时刻车辆的目标状态，Fk表示k时刻给定运动模型的状态转移矩阵，xk表示k时刻车辆的目标状态，wk表示均值为0的高斯噪声，Gk表示高斯噪声对应的驱动矩阵。
本发明实施例提供的方法中，通过k时刻车辆的目标状态以及k时刻的多个运动模型的状态转移信息，可以确定k+1时刻车辆的目标状态，实现了车辆目标状态的实时递推估计。
下面对本发明提供的车辆状态的估计装置进行描述，下文描述的车辆状态的估计装置与上文描述的车辆状态的估计方法可相互对应参照。
图5为本发明提供的车辆状态的估计方法的流程示意图之二。
如图5所示，该方法包括：
步骤501、选择能够匹配车辆机动场景的多个运动模型，初始化每个运动模型的观测噪声方差、各个运动模型的目标状态和对应的误差协方差矩阵。
步骤502、针对每个运动模型，根据上一时刻车辆的目标状态或初始状态，计算该运动模型与多个运动模型中的其他运动模型交互输出的车辆的交互状态；
步骤503、根据车辆的预测状态，计算车辆扩展目标区域的四条边及内部五个子区域的矩形波门范围，将量测数据与五个子区域相关联；
步骤504、采用无迹变换方法计算量测数据对应的量测预测值的概率密度分布函数，并对车辆的交互状态进行更新，得到预测状态；
步骤505、根据量测数据对应的量测预测值的概率密度分布函数和量测数据出现区域的先验概率计算出数据区域关联的概率；
步骤506、根据量测数据对应的量测预测值的概率密度分布函数更新多个运动模型的概率；
步骤507、根据量测数据与扩展目标区域关联的概率和多个运动模型的概率，对各个运动模型输出的车辆的预测状态进行两级概率加权处理，得到车辆的目标状态。
具体地，首先选择能够匹配车辆机动场景的多个运动模型，常见的运动模型例如匀速(Constant Velocity，CV)运动模型、匀加速(Constant Acceleration，CA)运动模型和协同转弯(Constant turn，CT)运动模型，进一步地，可以初始化每个运动模型的观测噪声方差、各个运动模型的目标状态以及对应的误差协方差矩阵。
进一步地，针对每个运动模型，可以根据上一时刻车辆的目标状态或初始状态，计算该运动模型与多个运动模型中的其他运动模型交互输出的车辆的交互状态。
进一步地，根据车辆的预测状态，计算车辆扩展目标区域的四条边及内部五个子区域的矩形波门范围，将量测数据与五个子区域相关联，得到例如多个数据区域组合。
进一步地，可以采用无迹变换计算量测数据对应的量测预测值的概率密度分布函数，例如似然函数，并利用量测数据对应的量测预测值的似然函数对车辆的交互状态进行更新，得到车辆的预测状态。
进一步地，可以根据量测数据对应的量测预测值的概率密度分布函数例如似然函数，以及量测数据出现区域的先验概率计算出数据区域关联的概率，可以理解为后验概率。
进一步地，根据量测数据对应的量测预测值的概率密度分布函数更新多个运动模型的先验概率，得到多个运动模型的概率。
最后，根据量测数据与扩展目标区域关联的概率和多个运动模型的概率，对各个运动模型输出的车辆的预测状态进行两级概率加权处理，得到车辆的目标状态。
本发明实施例提供的方法中，解决了车辆这个扩展目标量测的复杂空间分布不易描述的问题，同时解决了车辆这个扩展目标在做机动运动时，运动模型不确定的问题，提高了对机动扩展目标跟踪的鲁棒性和准确性。
图6为本发明提供的车辆状态的估计装置600，如图6所示，车辆状态的估计装置600包括：
模型确定模块610，用于确定车辆机动场景下的多个运动模型；
交互预测模块620，用于针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
目标估计模块630，用于根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
本发明实施例提供的装置中，模型确定模块610通过先确定车辆机动场景下的多个运动模型，交互预测模块620针对每个运动模型，确定运动模型与多个运动模型中其他运动模型交互输出的所述车辆的交互状态，然后根据车辆的交互状态，以及该运动模型的状态转移信息，得到车辆的预测状态，进一步地，目标估计模块630，根据车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定量测数据与扩展目标区域关联的概率，最终根据多个运动模型的概率、量测数据与扩展目标区域关联的概率以及各个运动模型输出的车辆的预测状态，得到车辆的目标状态。因为该状态估计装置中采用交互的多个运动模型对车辆的状态进行预测，也即考虑多个运动模型之间的交互输出对车辆的目标状态的影响因素，并且，通过车辆的预测状态、车辆的量测数据和量测数据在车辆的扩展目标区域的先验概率，确定出量测数据与扩展目标区域关联的概率，进而，利用多个运动模型的概率对各个运动模型输出的车辆的预测状态进行更新，最终估计得到车辆的目标状态，从而解决了车辆这个扩展目标在做机动运动时导致的运动模型不确定的问题，减少了跟踪误差，提高了跟踪精度。
可选地，所述目标估计模块630，具体用于：
根据所述量测数据与所述扩展目标区域关联的概率对各个所述运动模型输出的车辆的预测状态进行加权处理，得到各个所述运动模型输出的车辆的目标状态；
根据所述多个运动模型的概率对各个所述运动模型输出的车辆的目标状态进行加权处理，得到所述车辆的目标状态。
可选地，所述多个运动模型的概率为根据所述概率密度分布函数对所述多个运动模型的先验概率进行更新得到的；所述多个运动模型的先验概率基于上一时刻所述多个运动模型的概率与所述模型转移概率相乘得到；所述模型转移概率基于预设的马尔科夫转移概率矩阵确定，所述马尔科夫转移概率矩阵表示所述多个运动模型之间相互转移的概率。
可选地，所述交互预测模块620具体用于：
根据上一时刻所述车辆的目标状态、所述运动模型的概率以及所述其他运动模型转换成所述目标运动模型的模型转移概率，得到所述车辆的交互状态。
可选地，所述量测数据可以包括以下至少一项：量测点和所述车辆的量测装置之间的距离、量测点和所述车辆的量测装置之间的径向多普勒速度，以及量测点和所述车辆的量测装置的视轴之间的方位角。
可选地，所述目标估计模块630，具体用于：
根据所述车辆的预测状态、所述车辆的量测数据，确定所述量测数据对应的量测预测值的概率密度分布函数；
根据所述量测数据对应的量测预测值的概率密度分布函数和所述量测数据在所述车辆的扩展目标区域的先验概率得到所述量测数据与所述扩展目标区域关联的概率。
可选地，所述车辆状态的估计装置600还包括扩展目标区域计算模块；
所述扩展目标区域计算模块，用于：
根据所述车辆的预测状态，计算得到所述车辆的扩展目标区域；所述扩展目标区域为矩形波门范围，所述矩形波门范围包括五个子区域。
可选地，所述量测数据在所述车辆的扩展目标区域的先验概率为根据所述运动模型输出的所述车辆的预测状态和预先设定的量测数据的区域分布概率得到的。
可选地，所述多个运动模型包括以下至少一项：匀速运动CV模型、匀加速运动CA模型和协同转弯运动CT模型。
可选地，所述车辆状态的估计装置600还包括目标递推模块；
所述目标递推模块，用于：
根据k时刻所述车辆的目标状态以及k时刻所述目标运动模型的状态转移信息确定k+1时刻所述车辆的目标状态；k为大于或等于0的整数。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行车辆状态的估计方法，该方法包括：
确定车辆机动场景下的多个运动模型；
针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；
根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；
根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的车辆状态的估计方法，该方法包括：
确定车辆机动场景下的多个运动模型；
针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；
根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；
根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的车辆状态的估计方法，该方法包括：
确定车辆机动场景下的多个运动模型；
针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；
根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；
根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种车辆状态的估计方法，其特征在于，包括：
确定车辆机动场景下的多个运动模型；
针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；
根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；
根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
2.根据权利要求1所述的车辆状态的估计方法，其特征在于，所述根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率，以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态，包括：
根据所述量测数据与所述扩展目标区域关联的概率对各个所述运动模型输出的车辆的预测状态进行加权处理，得到各个所述运动模型输出的车辆的目标状态；
根据所述多个运动模型的概率对各个所述运动模型输出的车辆的目标状态进行加权处理，得到所述车辆的目标状态。
3.根据权利要求1或2所述的车辆状态的估计方法，其特征在于，所述多个运动模型的概率为根据所述概率密度分布函数对所述多个运动模型的先验概率进行更新得到的；所述多个运动模型的先验概率基于上一时刻所述多个运动模型的概率与所述模型转移概率相乘得到；所述模型转移概率基于预设的马尔科夫转移概率矩阵确定，所述马尔科夫转移概率矩阵表示所述多个运动模型之间相互转移的概率。
4.根据权利要求1所述的车辆状态的估计方法，其特征在于，所述确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态，包括：
根据上一时刻所述车辆的目标状态、所述运动模型的概率以及所述其他运动模型转换成所述目标运动模型的模型转移概率，得到所述车辆的交互状态。
5.根据权利要求1或2或4所述的车辆状态的估计方法，其特征在于，包括：所述量测数据包括以下至少一项：量测点和所述车辆的量测装置之间的距离、量测点和所述车辆的量测装置之间的径向多普勒速度，以及量测点和所述车辆的量测装置的视轴之间的方位角。
6.根据权利要求1所述的车辆状态的估计方法，其特征在于，所述根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率，包括：
根据所述车辆的预测状态和所述车辆的量测数据，确定所述量测数据对应的量测预测值的概率密度分布函数；
根据所述量测数据对应的量测预测值的概率密度分布函数和所述量测数据在所述车辆的扩展目标区域的先验概率得到所述量测数据与所述扩展目标区域关联的概率。
7.根据权利要求6所述的车辆状态的估计方法，其特征在于，所述根据所述量测数据对应的量测预测值的概率密度分布函数和所述量测数据在所述车辆的扩展目标区域的先验概率得到所述量测数据与所述扩展目标区域关联的概率之前，还包括：
根据所述车辆的预测状态，计算得到所述车辆的扩展目标区域；所述扩展目标区域为矩形波门范围，所述矩形波门范围包括五个子区域。
8.根据权利要求6-7任一项所述的车辆状态的估计方法，其特征在于，所述量测数据在所述车辆的扩展目标区域的先验概率为根据所述车辆的预测状态和预先设定的量测数据的区域分布概率得到的。
9.根据权利要求1或2或4或6-7任一项所述的车辆状态的估计方法，其特征在于，包括：所述多个运动模型包括以下至少一项：匀速运动CV模型、匀加速运动CA模型和协同转弯运动CT模型。
10.根据权利要求1或2或4或6-7任一项所述的车辆状态的估计方法，其特征在于，所述得到所述车辆的目标状态之后，还包括：
根据k时刻所述车辆的目标状态以及k时刻所述目标运动模型的状态转移信息确定k+1时刻所述车辆的目标状态；k为大于或等于0的整数。
11.一种车辆状态的估计装置，其特征在于，包括：
模型确定模块，用于确定车辆机动场景下的多个运动模型；
交互预测模块，用于针对每个所述运动模型，确定所述运动模型与所述多个运动模型中其他运动模型交互输出的所述车辆的交互状态；根据所述车辆的交互状态，以及所述运动模型的状态转移信息，得到所述车辆的预测状态；
目标估计模块，用于根据所述车辆的预测状态、所述车辆的量测数据和所述量测数据在所述车辆的扩展目标区域的先验概率，确定所述量测数据与所述扩展目标区域关联的概率；根据所述多个运动模型的概率、所述量测数据与所述扩展目标区域关联的概率以及各个所述运动模型输出的车辆的预测状态，得到所述车辆的目标状态。
12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至10任一项所述车辆状态的估计方法。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述车辆状态的估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310641395.2A CN116822154A (zh) | 2023-06-01 | 2023-06-01 | 车辆状态的估计方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310641395.2A CN116822154A (zh) | 2023-06-01 | 2023-06-01 | 车辆状态的估计方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822154A true CN116822154A (zh) | 2023-09-29 |
Family
ID=88140243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310641395.2A Pending CN116822154A (zh) | 2023-06-01 | 2023-06-01 | 车辆状态的估计方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822154A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110307841A (zh) * | 2019-06-14 | 2019-10-08 | 南京工程学院 | 一种基于信息量测不完全的车辆运动参数估计方法 |
| CN113511194A (zh) * | 2021-04-29 | 2021-10-19 | 无锡物联网创新中心有限公司 | 一种纵向避撞预警方法及相关装置 |
| WO2022234695A1 (en) * | 2021-05-05 | 2022-11-10 | Mitsubishi Electric Corporation | System and method for tracking an expanded state of a moving object using a compound measurement model |
-
2023
- 2023-06-01 CN CN202310641395.2A patent/CN116822154A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110307841A (zh) * | 2019-06-14 | 2019-10-08 | 南京工程学院 | 一种基于信息量测不完全的车辆运动参数估计方法 |
| CN113511194A (zh) * | 2021-04-29 | 2021-10-19 | 无锡物联网创新中心有限公司 | 一种纵向避撞预警方法及相关装置 |
| WO2022234695A1 (en) * | 2021-05-05 | 2022-11-10 | Mitsubishi Electric Corporation | System and method for tracking an expanded state of a moving object using a compound measurement model |
Non-Patent Citations (1)
| Title |
|---|
| HONGFEI XU: "A Novel Method for Maneuvering Extended Vehicle Tracking with Automotive Radar", 《EASYCHAIR》, 31 May 2023 (2023-05-31), pages 1 - 7 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107972662B (zh) | 一种基于深度学习的车辆前向碰撞预警方法 | |
| US11188089B2 (en) | Localization for autonomous vehicles using gaussian mixture models | |
| RU2767955C1 (ru) | Способы и системы для определения компьютером наличия динамических объектов | |
| CN107341819B (zh) | 目标跟踪方法及存储介质 | |
| JP7297172B2 (ja) | 物体の拡大状態を追跡するためのシステムおよび方法 | |
| JP7301245B2 (ja) | モデル幾何学学習を用いて移動物体の拡大状態を追跡するためのシステムおよび方法 | |
| CN105699964A (zh) | 一种基于汽车防撞雷达的道路多目标跟踪方法 | |
| CN110596696A (zh) | 用于改善的雷达波束成形的设备及方法 | |
| CN114565616B (zh) | 一种非结构化道路状态参数估计方法及系统 | |
| CN117222915A (zh) | 用于使用复合测量模型跟踪移动对象的扩张状态的系统和方法 | |
| CN112446466A (zh) | 在深度神经网络中测量置信度 | |
| CN111612818A (zh) | 新型双目视觉多目标跟踪方法及系统 | |
| CN113281718A (zh) | 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法 | |
| CN111007880B (zh) | 一种基于汽车雷达的扩展目标跟踪方法 | |
| CN116022163A (zh) | 基于超局部子图的自动驾驶车辆扫描匹配和雷达姿态估计器 | |
| Xia et al. | Extended object tracking with automotive radar using learned structural measurement model | |
| CN115792894A (zh) | 一种多传感器融合车辆目标跟踪方法、系统及存储介质 | |
| CN113191427B (zh) | 一种多目标车辆跟踪方法及相关装置 | |
| CN113176562B (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
| Lee et al. | Probabilistic inference of traffic participants' lane change intention for enhancing adaptive cruise control | |
| CN113511194A (zh) | 一种纵向避撞预警方法及相关装置 | |
| CN112615604A (zh) | 智能驾驶感知系统的滤波方法、装置及电子设备 | |
| CN114740448B (zh) | 用于车载雷达的目标状态估计方法、装置及存储介质 | |
| CN116822154A (zh) | 车辆状态的估计方法、装置、设备和存储介质 | |
| 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 |
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 |