CN117055019A - 一种基于车载雷达的车速的计算方法以及相应的装置和模块 - Google Patents
一种基于车载雷达的车速的计算方法以及相应的装置和模块 Download PDFInfo
- Publication number
- CN117055019A CN117055019A CN202311057264.6A CN202311057264A CN117055019A CN 117055019 A CN117055019 A CN 117055019A CN 202311057264 A CN202311057264 A CN 202311057264A CN 117055019 A CN117055019 A CN 117055019A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point
- trace
- class
- speed
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000015654 memory Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 27
- 238000004891 communication Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 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
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
Abstract
本发明涉及车载雷达技术领域,提供了一种基于车载雷达的车速的计算方法以及相应的装置和模块。方法包括对每一帧中所包含的点进行归类获取对应的点迹类,并计算各所述点迹类的纵向速度,包括:对于任意点k,若第k点的纵向速度与其中一点迹类的纵向速度相差小于预设门限值时,则将所述第k点归类为该点迹类中的一员,并基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度;在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,并以所述静止物的纵向速度作为自车的当前车速。发明解决了在后装市场有的车辆无法提供车身信息,如何通过雷达自己推算车辆的速度的问题。
Description
技术领域
本发明涉及车载雷达技术领域,特别是涉及一种基于车载雷达的车速的计算方法以及相应的装置和模块。
背景技术
车载雷达在使用过程中通常需要接入车身信息辅助目标跟踪,车身信息包括车速和横摆角速度。在后装市场有的车辆无法提供车身信息,此时需要雷达自己通过算法来推算车辆的速度和横摆角速度。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明要解决的技术问题是现有技术中多采用接入车身信息,即通过第三方接口直接获取车速和横摆角速度,而在后装市场有的车辆无法提供车身信息,因此,如何通过车载雷达计算出车速和横摆角速度便成了急需解决的技术问题。
本发明采用如下技术方案:
第一方面,本发明提供了一种基于车载雷达的车速的计算方法,包括:
获取雷达采集到的每一帧的点迹信息;
对每一帧中所包含的点进行归类获取对应的点迹类,并计算各所述点迹类的纵向速度,包括:对于任意点k,若第k点的纵向速度与其中一点迹类的纵向速度相差小于预设门限值时,则将所述第k点归类为该点迹类中的一员,并基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度;
在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,并以所述静止物的纵向速度作为自车的当前车速。
优选的,在第m点的纵向速度与已存在的各点迹类的纵向速度相差均大于预设门限值时,新建点迹类;并以所述第m点的纵向速度作为所述新建点迹类的纵向速度。
优选的,所述基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度包括:当有新的点归类到所述点迹类时,基于新加入的点纵向速度更新所述点迹类的纵向速度。
优选的,所述更新为基于递归滤波的方式更新所述点迹类的纵向速度,包括:
将第k点的纵向速度和点迹类c的纵向速度进行加权求和,得到更新后的点迹类c的纵向速度。
优选的,在对每一帧中所包含的点进行归类获取对应的点迹类时,还包括同步计算各所述点迹类的横摆角速度,并基于所述静止物的横摆角速度计算自车的当前横摆角速度的步骤。
优选的,所述计算各所述点迹类的横摆角速度具体包括:
在第k点归类到点迹类c后,将第k点的横摆角速度与点迹类c的横摆角速度进行累加求和,并将累加求和后的结果更新为所述点迹类c的横摆角速度;
优选的,所述基于所述静止物的横摆角速度计算自车的当前横摆角速度包括:
在确认出作为静止物的点迹类后,将相应作为静止物的点迹类的横摆角速度求均值,作为自车的当前横摆角速度。
第二方面,本发明还提供了一种基于车载雷达的车速的计算装置,用于实现第一方面所述的基于车载雷达的车速的计算方法,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行第一方面所述的基于车载雷达的车速的计算方法。
第三方面,本发明还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成第一方面所述的基于车载雷达的车速的计算方法。
第四方面,本发明还提供了一种基于车载雷达的车速的计算模块,包括获取模块、归类模块和分析模块,各个模块之间依次建立数据互通:
获取模块,用于获取雷达采集到的每一帧的点迹信息;
归类模块,用于对每一帧中所包含的点进行归类,其中,在第k点的纵向速度与点迹类c的纵向速度相差小于预设门限值时,将所述第k点归类为点迹类c中的一员;其中,所述纵向速度是以车辆纵向轴线标定的方向上的速度;
分析模块,用于在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,以所述静止物的纵向速度作为自车的当前车速。
本发明通过发现车辆运行时雷达视场中检测到的绝对静止物的数量最多,故所含点迹数量最大的类可代表绝对静止物,由于绝对静止物速度为0,其与车辆之间的相对速度即可认为是本车的车速的特性;不仅解决了在后装市场有的车辆无法提供车身信息,如何通过雷达自己推算车辆的速度的问题,并且,所采用的方法计算复杂度较低,并且能够保证较高的准确性。
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中所需要使用的附图作简单地介绍。显而易见地,下面所描述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是本发明实施例提供的一种基于车载雷达的车辆结构示意图;
图2是本发明实施例提供的一种基于车载雷达的车辆结构俯视图;
图3是本发明实施例提供的一种基于车载雷达的点迹效果示意图;
图4是本发明实施例提供的一种基于车载雷达的车辆中的自主驾驶系统架构示意图;
图5是本发明实施例提供的步骤20的具体流程示意图;
图6是本发明实施例提供的雷达和第k点的控件位置关系示意图;
图7是本发明实施例提供的一种基于车载雷达的车速的计算方法的流程示意图;
图8是本发明实施例提供的另一种基于车载雷达的车速的计算方法流程示意图;
图9是本发明实施例提供的一种基于车载雷达的车速的计算模块的结构示意图;
图10是本发明实施例提供的一种基于车载雷达的车速的计算装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明中术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明中还会涉及以名称对象结合字符的方式进行一类对象中的个体表述,其目的更多的是为了上下文清楚地阐述针对该个体的方法逻辑线,而并非说相应的字符具有特殊的限定意义,例如第k点迹,其自设只是诸多点迹中的一员,并非说其字符k具有特殊的含义;类似的,点迹类c中的字符c也仅仅是为了阐述一条逻辑线做服务使用,为的就是在客观存在多个点迹类的大环境下,能够有一个较为清晰的方法内容承载体,而不至于出现一个点迹类和多个点迹类之间来回横跳的不清楚问题。在本发明各实施例中,相关的字符参数一旦都是自然数,若要从0开始计数,则可认定为包含0在内的正整数(例如k,c,i,M,N等等)。
在本申请中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连。此外,术语“耦接”可以是实现信号传输的电性连接的方式。
本发明实施例中所使用术语“模块”是指单独或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置,包括但不限于:专用集成电路(ApplicationSpecific Integrated Circuit,简写为:ASIC)、现场可编程门阵列(Field ProgrammableGate Array,简写为:FPGA)、电子电路、处理器(共享、专用或成组)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能性的其他合适部件。
本发明实施例中可以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是,这些块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如,本发明实施例可以采用各种集成电路部件(例如,存储器元件、数字信号处理元件、逻辑元件、查找表等,其可以在一个或多个微处理器或其他控制装置的控制下执行多种功能)。
为了简明起见,本发明实施例可以不详细描述与信号处理、数字传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析以及该系统(和该系统的单独操作部件)的其他功能方面有关的常规技术。另外,本发明实施例所包括的各个图示中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是,在本发明实施例中可以存在许多替代或附加的功能关系或物理连接。
图1和图2描绘了包括微波雷达(波束检测和测距)系统102的示例性车辆100。图1呈现了示例性车辆100的侧视图,而图2呈现示例性车辆100的俯视图。示例性微波雷达系统102安装在示例性车辆100的表面(例如,车顶表面)上,还可以是在车内的挡风玻璃顶部,还可以是位于前胎附近的车辆的两侧。示例性微波雷达系统102包括旋转(例如,在逆时针方向上)并发射多个波束104的传感器。示例性微波雷达系统102测量波束返回到车辆100的波长变化和时间量,以测量相距车辆100周围的物体的距离和运动速度。
图3描绘了可以可视化为:在示例性车辆100周围空间的计算机化三维表里,示例性车辆100的前方形成的示例性点迹信息108。示例性点迹信息108由多个点迹110(在该示例中一个立体方块代表单个点迹,在本发明实施例中为了和点迹信息在表述上更好的区分开,也被简称为点)组成。多个连续的点可以指示单个物体或一个或多个聚类物体。
如图1中所描绘,车辆100通常包括底盘12、车身14、前轮16以及后轮18。车身14被布置在底盘12上并且大致包围车辆100的部件。车身14和底盘12可以共同形成框架。车轮16和车轮18各自在车身14的相应拐角附近旋转地联接到底盘12。
在各种实施例中,车辆100是自主车辆。自主车辆100例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。但是应当明白的是,车辆100也可以使用包括摩托车、卡车、运动型多用途车辆(Sport Utility Vehicle,简写为:SUV)、休闲车辆(Recreation Vehicle,简写为:RV)、船舶、飞行器等任何其他交通工具。
在示例性实施例中,自主车辆100对应于汽车工程师协会(Society ofAutomotive Engineers,简写为:SAE)“J3016”标准分类的自动驾驶等级下的四级或五级自动化系统。使用该术语,四级系统指示“高度自动化”,其指代自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式,即使人类驾驶员对干预请求没有做出适当响应。另一方面,五级系统指示“全自动化”,其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境状况下在动态驾驶任务的所有方面的全面性能的驾驶模式。然而,应当明白的是,根据本主题的实施例不限于自动化类别的任何特定的分类学或标题。另外,根据本实施例的系统可以与实施本主题的任何车辆结合使用,而不管该车辆的自主权等级为何。
如图1和图4所示,自主车辆100通常包括推进系统20、变速器系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34以及通信系统36。推进系统20在各种实施例中可以包括内燃机、诸如牵引电动机等电机和/或燃料电池推进系统。变速器系统22被配置为根据可选速比将来自推进系统20的动力传输到车轮16和车轮18。根据各种实施例,变速器系统22可以包括分级传动比自动变速器、无级变速器或其他适当的变速器。
制动系统26被配置为向车轮16和车轮18提供制动转矩。在各种实施例中,制动系统26可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统,和/或其他适当的制动系统。
转向系统24影响车轮16和/或18的位置。虽然为了说明目的而被描绘为包括方向盘25,但是在本发明预期的一些实施例中,转向系统24可以不包括方向盘。
传感器系统28包括感测自主车辆100的外部环境和/或内部环境的可观察状况(诸如一个或多个乘员的状态)并生成与该状况有关的传感器数据的一个或多个感测装置40a到40n。感测装置40a-40n可以包括但不限于雷达(例如,远程、中程-短程)、激光雷达、全球定位系统、光学相机(例如,前视、360度、后视、侧视、立体等)、热相机(例如,红外相机)、超声波传感器、测距传感器(例如,编码器)和/或可以结合根据本主题的系统和方法利用的其他传感器。
致动器系统30包括一个或多个致动器42a到42n,其控制一个或多个车辆特征,诸如但不限于推进系统20、变速器系统22、转向系统24以及制动系统26。在各种实施例中,自主车辆100还可以包括图1中未说明的内部和/或外部车辆特征,诸如各种车门、行李箱以及诸如无线电、音乐、照明、触摸屏显示部件(诸如与导航系统连接中所使用的部件)等驾驶室特征。
数据存储装置32存储用于自动控制自主车辆100的数据。在各种实施例中,数据存储装置32存储限定的可导航环境地图。在各种实施例中,限定地图可以由远程系统预定义并且从远程系统获取。例如,限定地图可以由远程系统组装并且(以无线方式和/或以有线方式)传送到自主车辆100并存储在数据存储装置32中。路线信息也可以被存储在数据存储装置32内,一组路段(在地理上与一个或多个限定地图相关联),一起限定了用户可以从起始位置(例如,用户的当前位置)行驶到目标位置所采取的路线。如将明白的是,数据存储装置32可以为控制器34的一部分,与控制器34分开,或作为控制器34的一部分以及单独系统的一部分。
控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可以为任何定制的或商业上可用的处理器、中央处理单元(Central Processing Unit,简写为:CPU)、图形处理单元(Graphics Processing Unit,简写为:GPU)、专用集成电路(Application Specific Integrated Circuit,简写为:ASIC)(例如,实施神经网络的定制ASIC)、现场可编程门阵列(Field Programmable Gate Array,简写为:FPGA)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片集的形式)、它们的任何组合或通常用于执行指令的任何装置。计算机可读存储装置或介质46可以包括例如只读存储器(Read-Only Memory,简写为:ROM)、随机存取存储器(Random AccessMemory,简写为:RAM)和保活存储器(Keep Alive Memory,简写为:KAM)中的易失性和非易失性存储装置。KAM是一种持久或非易失性存储器,其可以在处理器44断电时用于存储各种操作变量。计算机可读存储装置或介质46可以使用诸如可编程只读存储器(Programmableread-only memory,简写为:PROM)、电动程控只读存储器(Electrical Programmable ReadOnly Memory,简写为:EPROM)、电可擦可编程只读存储器(Electrically ErasableProgrammable read only memory,简写为EEPROM)、闪速存储器或能够存储数据的任何其他电动、磁性、光学或组合存储器装置的许多已知存储器中的任何一种来实施,其中的一些数据表示由控制器34用于控制自主车辆100的可执行指令。
指令可以包括一个或多个单独的程序,每个程序包括用于实施逻辑功能的可执行指令的有序列表。指令在由处理器44执行时接收并处理来自传感器系统28的信号(例如,传感器数据),执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法,并且生成控制信号,其被传输到致动器系统30以基于逻辑、计算、方法和/或算法来自动地控制自主车辆100的部件。虽然图1中仅示出了一个控制器34,但是自主车辆100的实施例可以包括通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法并且生成控制信号以自动控制自主车辆100的特征的任意数量的控制器34。
通信系统36被配置为向其他实体48无线地传送信息或从其接收信息,该实体48诸如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、网络(“V2N”通信)、行人(“V2P”通信)、远程运输系统和/或用户装置。其中,V2V(Vehicle-to-Vehicle,车对车),V2I(Vehicle to Infrastructure,车对基础设施),V2N(Vehicle-to-Network,车辆对网络),V2P(Vehicle to People,车辆对行人)。在示例性实施例中,通信系统36是被配置为经由使用IEEE802.11标准的无线局域网(Wireless Local Area Networks,简写为:WLAN)或通过使用蜂窝数据通信来进行通信的无线通信系统。然而,诸如专用短程通信(DedicatedShort Range Communication,简写为:DSRC)信道等附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专门为汽车使用以及对应的一组协议和标准而设计的单向或双向短程到中程无线通信信道。
根据各种实施例,控制器34实施如图4中所示的自主驾驶系统(AutonomousDriving System,简写为:ADS)70。即,利用控制器34的合适软件和/或硬件部件(例如,处理器44和计算机可读存储装置46)来提供与车辆100结合使用的自主驾驶系统70。
在各种实施例中,自主驾驶系统70的指令可以由功能或系统组织。例如,如图4中所示,自主驾驶系统70可以包括感知系统74、定位系统76、路径规划系统78以及车辆控制系统80。如可以明白的是,在各种实施例中,由于本公开不限于本示例,所以可以将指令组织(例如,组合、进一步划分等)为任何数量的系统。
在各种实施例中,感知系统74合成并处理所获取的传感器数据并且预测物体的存在、位置、分类和/或路径以及车辆100的环境的特征。在各种实施例中,感知系统74可以包含来自多个传感器(例如,传感器系统28)(包括但不限于相机、微波雷达、激光雷达、雷达和/或任何数量的其他类型的传感器)的信息。
定位系统76处理传感器数据以及其他数据以确定车辆100相对于环境的位置(例如,相对于地图的本地位置、相对于道路车道的确切位置、车辆航向等)。如可以明白的是,可以采用各种技术来实现这种定位,包括例如同时定位和映射(SimultaneousLocalization and Mapping,简写为:SLAM)、粒子滤波器、卡尔曼滤波器、贝叶斯滤波器等。
路径规划系统78处理传感器数据以及其他数据以确定车辆10遵循的路径。车辆控制系统80根据所确定的路径生成用于控制车辆100的控制信号。
在各种实施例中,控制器34实施机器学习技术以辅助控制器34的功能,诸如特征检测/分类、障碍减少、路线穿越、映射、传感器集成、地面实况确定等。
在本发明各实施例中,所涉及的纵向速度是车辆行驶过程中,实时表现出的车辆的行驶方向。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
本发明实施例1提供了一种基于车载雷达的车速的计算方法,所述计算方法适用于当前较为常规的车载雷达,如图5所示,包括:
在步骤201中,获取雷达采集到的每一帧的点迹信息。
在本发明实施例中,点迹信息由一帧点迹所包含的所有点的相关信息构成,其中,每个点的相关信息包括点距离雷达的径向距离、点的径向速度、点与雷达方向的方位夹角、点横向速度和点纵向速度中的一项或者多项。
而每一帧的点迹信息,则是由一轮雷达探测信号所能捕捉的探测结果内容构成,而用“帧”的描述方式,正如相机拍摄过程中,每一次镜头有效内容采集就被描述为一帧,而在本发明车载雷达领域,则是将一个探测周期内所采集到的信息称为一帧,而相应采集到的信息的表现形式就是所述点迹信息。
在步骤202中,对每一帧中所包含的点进行归类获取对应的点迹类,并计算各所述点迹类的纵向速度,包括:对于任意点k,若第k点的纵向速度与其中一点迹类的纵向速度相差小于预设门限值时,则将所述第k点归类为该点迹类中的一员,并基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度。
正如具体实施方式开篇描述的,此处的字符k和c不具备具体限定意义,仅仅是为了表述更为清楚,以字符标识其中典型一组对象进行阐述,避免理解方案过程中出现在单个个体和一类群体之间来回横跳的可能性。
此处预设门限值为一经验值,并且,根据场景的不同相应的预设门限值也可以设定的不同。例如,在城市主干道,考虑到主要对象都是车流,此时预设门限值可以设置的值大一些,例如10Km/h-15Km/h;在闹市区,考虑到要人流和非机动车的影响,那么预设门限值可以设置为3Km/h-5Km/h便能够将一般人流归类为一类点迹类。之所以要调整预设门限值,也是为了能够将除静止物以外的对象尽量划分为几大类,从而能够简化各个点的分析过程。须知,在相应的点迹类的分类越多情况下,所涉及的计算量相对也会增加。而作为本发明的优选方案而言,在针对每一个点的归类分析,按照已经存在的各个点迹类所包含的点的数量多少进行排序,其中,包含点的数量更多的点迹类被以更高优先级参与点的归类分析。这也是考虑到了在一种场景之中,越是包含的点数越多的点迹类,越高概率会是当前所分析的点的归类结果所指向的地方。
作为本发明实施例而言,最为高效的预设门限值设定,可以将点迹类简单划分为两类:运动类点迹和静止类点迹(即步骤203中的静止物,此时的点迹类c应当被理解为是静止类点迹)。然而,实际操作过程中,可能需要实现更细分的操作,从而为本发明可能遇到的应用场景提供技术支撑,并且,不同点迹类(例如点迹类a、点迹类b、...、点迹类n等等)可能对应的门限值也会有所差异,这也是为了上述细分出不同点迹类而服务,并且,各个点迹类对应其各自的区间值,此处先不做详尽展开阐述,在后面具体涉及到扩展实现方案时,再进行详尽描述。
其中,所述第k点的点迹信息包括第k点距离雷达的径向距离、第k点的径向速度、第k点与雷达方向的方位夹角、第k点横向速度和第k点纵向速度中的一项或者多项。参考图6所示的雷达和第k点的控件位置关系,上述第k点的点迹信息具体可表征为{R(k),V(k),A(k),Vx(k),Vy(k)},其中,第k点距离雷达的径向距离R(k)、第k点的径向速度V(k)、第k点与雷达方向的方位夹角A(k)、第k点横向速度Vy(k)和第k点纵向速度Vx(k)。
在步骤203中,在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,并以所述静止物的纵向速度作为自车的当前车速。
车辆运行时,雷达视场中检测到的绝对静止物的数量最多,故所含点迹数量最大的类可代表绝对静止物,由于绝对静止物速度为0,其与车辆之间的相对速度即可认为是本车的车速。本发明不仅解决了在后装市场有的车辆无法提供车身信息,如何通过雷达自己推算车辆的速度的问题,并且,所采用的方法计算复杂度较低,并且,在使用纵向速度作为分析依据情况下,能够保证较高的准确性。
在上述步骤202中,仅示例出了相应第k点满足点迹类c的归属情况下过程,但是,既然存在满足情况,那么也自然存在不满足情况,以第m点作为示例阐述,在第m点的纵向速度与已存在的各点迹类的纵向速度相差均大于预设门限值时,新建点迹类;并以所述第m点的纵向速度作为所述新建点迹类的纵向速度。
在上述过程阐述了最初一个点迹类在生成时,其初始的点迹类的纵向速度是如何获得的。而在本发明方案实际实现过程中,考虑到车辆更多情况都是在行驶的,则雷达所检测的环境也是变化的,从而相应生成的点迹信息也会随着时间的推移、场景的更替发生着变化,因此,也就对于各点迹类的纵向速度提出了更新的需求。结合本发明实施例,仍然以步骤202中确认第k点归类为点迹类c情况下,如何进一步完成点迹类c的纵向速度更新给予一种可实现的方法过程,即所述基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度包括:当有新的点归类到所述点迹类时,基于新加入的点纵向速度更新所述点迹类的纵向速度。所述基于新加入的点纵向速度更新所述点迹类的纵向速度的一种可选实施方式是:将点迹类中所有点的纵向速度的平均值作为点迹类的纵向速度。
本实施例还提供了一种优选的实施方式,即所述更新为基于递归滤波的方式更新所述点迹类的纵向速度,包括:将第k点的纵向速度和点迹类c的纵向速度进行加权求和,得到更新后的点迹类c的纵向速度。
如当再有新的点迹归类到所述点迹类c时,以新归类进来的点迹的纵向速度和前一轮更新后的点迹类c的纵向速度进行加权求和得到当前轮更新的点迹类c的纵向速度。其中,进行加权求和过程中所使用的权重值由本领域技术人员根据经验分析得到。
增加了上述针对点迹类的纵向速度的更新后的优势在于,使得相应的更新后的点迹类的纵向速度更加具备场景代表性,并且,也能够适配车辆在行驶过程中,场景环境一直在变化的客观情况。
在本发明实施例实现了主体的车速如何计算的情况下,还包括计算车辆的横摆角度速度,如图7所示,具体包括:
在步骤301中,在对每一帧中所包含的点进行归类获取对应的点迹类时,还包括同步计算各所述点迹类的横摆角速度。
在步骤302中,并基于所述静止物的横摆角速度计算自车的当前横摆角速度的步骤。
仍然以第k点归类到点迹类c过程为例:在第k点归类到点迹类c后,将第k点的横摆角速度与点迹类c的横摆角速度进行累加求和,并将累加求和后的结果更新为所述点迹类c的横摆角速度。在确认出作为静止物的点迹类后,将相应作为静止物的点迹类的横摆角速度求均值,作为自车的当前横摆角速度。
车辆的横摆角速度是车辆智能系统完成车辆的安全辅助控制非常重要的一个指标,现有技术中依赖加速度传感器实现的方案,在较为颠簸的环境下容易产生计算数据的冗余,而此时使用本发明方法获得的车辆的横摆角速度反而有着更宏观的参考价值,能够进一步提高车辆智能控制系统对车辆状况的分析准确度。
在围绕本发明所示例的点迹信息包括点距离雷达的径向距离、点的径向速度、点与雷达方向的方位夹角、点横向速度和点纵向速度中的一项或者多项情况下。在可选的实施场景下,所述雷达为微波雷达,下面将微波雷达为例就上述各个点迹信息参数如何获得进行较为详尽的阐述。
上述各个点迹信息参数获取方法具体包括:所述点迹信息通过微波雷达发射的微波信号,在接收到微波反射信号时,通过傅里叶变换获取多普勒信息,从而计算得到所述点迹信息。对于本发明实施例所提出的方案而言,采用微波雷达是最容易获取上述点迹信息的,原因就在于可以利用多普勒效应,直接计算得到每个点发射波中携带的速度内容。而其他信息参数例如径向距离则可以直接通过波发送到接收所使用的时间长度,配合相应的微波在空气中传播速度计算得到。还有类似的点与雷达方向的方位夹角在计算相应点径向速度和点径向距离过程中,依赖上述傅里叶变换过程即可求出,在此不做过多赘述。
实施例2:
在实施例1已经较为系统的阐述了本发明所提出的基于车载雷达的车速的计算方法,以及其延伸能够计算得到的车辆的横摆角速度;并且,也从微波雷达这一典型场景出发,细分了方法实现过程,在此基础上,也对本发明实施例各个实现步骤过程的深意进行了解释和分析。至此,本发明实施例则是以结合参数和伪代码的方式,从微波雷达应用场景出发,从较为初始的阶段出发阐述本发明实施例较为完整的流程过程,相应的各个过程的设计深意可以参考实施例1中相关描述,相应的可扩展方案也可以参考实施例1进行自由组合,在本实施例中则不一一做重复描述。如图8所述,方法包括:
在步骤401中,初始化当前帧中的扫描的点的编号k的值为0。
在步骤402中,获取第k点的纵向速度Vy(k)、第k点的横向速度Vx(k)、第k点的径向距离R(k)、第k点与雷达方向的方位夹角A(k)。
在步骤403中,判断k是否为0,若是,则确认当前帧中计算刚开始执行,相应的点迹类理论上都还没有生成,进入步骤404;否则,当前帧的计算已经非首次执行,进入步骤405。
在步骤404中,若判断k为0则将当前的点的点迹信息参数赋值给生成的第一个点迹类,其中,第一个点迹类的纵向速度C_V(0)=Vy(k),点迹类的横摆角速度C_W(0)=Vx(k)/cos(A(k))/R(k);回到步骤402,继续遍历当前帧中其他点。
以图6为例,在进行分类的同时求解所有点迹的切向速度Vz(k)=Vx(k)/cos(A(k)),根据横摆角速度与目标切向运动速度的关系可得第k点的横摆角速度W=Vz(k)/R(k),R(k)为旋转半径,因此,有了上述公式的点迹类的横摆角速度C_W(k)=Vx(k)/cos(A(k))/R(k)。
在步骤405中,初始化点迹分类的索引编号i为0,即从步骤406开始,就要为第k点遍历当前帧计算过程中历史所生成的各个点迹类。
在步骤406中,获取对应编号为i的点迹类的纵向速度C_V(i),进入步骤407。
在步骤407中,对于编号为i的点迹类的纵向速度C_V(i)和当前获取的第k点的纵向速度Vy(k)做差值运算,并对运算结果做绝对值处理后,与预设门限△l进行比较。若小于预设门限值,则进入步骤408,执行归类后的点迹类的相关更新内容;否则大于等于预设门限值,则进入步骤414。
在步骤408中,递归滤波更新C_V(i):C_V(i)=0.7*C_V(i)+0.3*Vy(k);C_W(i)=C_W(i)+Vx(k)/cos(A(k))/R(k);C_N(i)=C_N(i)+1;此处的0.7和0.3便是实施例1中所阐述的权重值,而相应值仅仅是示例性的使用,并不对本发明实施例的保护范围造成实质性影响。此处的C_N(i)为相应第i个点迹类(或者描述为点迹类i)中所包含的属于当前帧的点的数量。
在步骤409中,执行i=i+1操作,即对于已经存在点迹类,按照其标识号自加方式遍历到下一个点迹类来分析当前的第k点是否还归属于其他点迹类可能。
在步骤410中,判断i是否小于N,其中,N是当前帧分析过中已经生成的点迹类的总数。若小于N,则代表还没有遍历到最后一个点迹类,则跳帧到步骤406,循环执行上述步骤407-步骤410过程。若大于等于N,则代表已经遍历到最后一个点迹类了,此时进入步骤411来完成相应k的自加操作,以便回到步骤402中对当前帧所包含的其他点的遍历过程。
在步骤411中,执行k=k+1操作。
在步骤412中,判断k是否小于M,其中,M是当前帧所包含的点的总数量,若小于M则表明还没有遍历到当前帧的最后一个点,然后跳转回406中对当前帧所包含的其他点的遍历过程(包括执行上述步骤407-步骤412过程);若大于等于M则表明已经遍历到当前帧的最后一个点,然后进入步骤413.
在步骤413中,得到各点迹类中包含点数量最多的第j个点迹类,以第j个点迹类的C_V(j)为车辆的车速;第j个点迹类的C_W(j)/C_N(j)为车辆的横摆角速度,结束当前帧的分析。
在步骤414中,判断i是否小于N,即确定是否遍历完当前存在的所有点迹类;若为否,则进入步骤416;若为是,则进入步骤415。
在步骤415中,执行i=i+1,然后跳转回步骤406,完成当前第k点就剩余点迹类的归类关系进行步骤407的判断,以及相关后续流程的执行。
在步骤416中,执行N=N+1后;生成C_V(N)=Vy(k);C_W(N)=Vx(k)/cos(A(k))/R(k);C_N(N)=1。然后跳转到步骤411,完成对第k点是否为当前帧最后一个点的相关判断过程。
这里相当于在步骤414中获知了第k点已经遍历已存在的所有N个点迹类,但是都没有找到归类关系,此时步骤416就是为相应第k点新生成一个点迹类的过程。
本实施例还提供了一种基于车载雷达的车速的计算模块,如图9所示,包括获取模块、归类模块和分析模块,各个模块之间依次建立数据互通。
获取模块,用于获取雷达采集到的每一帧的点迹信息。
归类模块,用于对每一帧中所包含的点进行归类,其中,在第k点的纵向速度与点迹类c的纵向速度相差小于预设门限值时,将所述第k点归类为点迹类c中的一员;其中,所述纵向速度是以车辆纵向轴线标定的方向上的速度。
分析模块,用于在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,以所述静止物的纵向速度作为自车的当前车速。从而执行上述实施例中的基于车载雷达的车速的计算方法。在此需要说明的是,上述实施例中的基于车载雷达的车速的计算方法在所述基于车载雷达的车速的计算模块中均适用,在此不再赘述。
实施例3:
如图10所示,是本发明实施例的基于车载雷达的车速的计算装置的架构示意图。本实施例的基于车载雷达的车速的计算装置包括一个或多个处理器501以及存储器502。其中,图10中以一个处理器501为例。
处理器501和存储器502可以通过总线或者其他方式连接,图10中以通过总线连接为例。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序和非易失性计算机可执行程序,如实施例1中的基于车载雷达的车速的计算方法。处理器501通过运行存储在存储器502中的非易失性软件程序和指令,从而执行基于车载雷达的车速的计算方法。
存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至处理器501。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器502中,当被所述一个或者多个处理器501执行时,执行上述实施例1中的基于车载雷达的车速的计算方法,例如,执行以上描述的图5、图7和图8所示的各个步骤。
值得说明的是,上述装置和系统内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于车载雷达的车速的计算方法,其特征在于,包括:
获取雷达采集到的每一帧的点迹信息;
对每一帧中所包含的点进行归类获取对应的点迹类,并计算各所述点迹类的纵向速度,包括:对于任意点k,若第k点的纵向速度与其中一点迹类的纵向速度相差小于预设门限值时,则将所述第k点归类为该点迹类中的一员,并基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度;
在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,并以所述静止物的纵向速度作为自车的当前车速。
2.根据权利要求1所述的基于车载雷达的车速的计算方法,其特征在于,在第m点的纵向速度与已存在的各点迹类的纵向速度相差均大于预设门限值时,新建点迹类;并以所述第m点的纵向速度作为所述新建点迹类的纵向速度。
3.根据权利要求1或2所述的基于车载雷达的车速的计算方法,其特征在于,所述基于所述点迹类中的各点的纵向速度确定所述点迹类的纵向速度包括:当有新的点归类到所述点迹类时,基于新加入的点纵向速度更新所述点迹类的纵向速度。
4.根据权利要求3所述的基于车载雷达的车速的计算方法,其特征在于,所述更新为基于递归滤波的方式更新所述点迹类的纵向速度,包括:
将第k点的纵向速度和点迹类c的纵向速度进行加权求和,得到更新后的点迹类c的纵向速度。
5.根据权利要求1所述的基于车载雷达的车速的计算方法,其特征在于,在对每一帧中所包含的点进行归类获取对应的点迹类时,还包括同步计算各所述点迹类的横摆角速度,并基于所述静止物的横摆角速度计算自车的当前横摆角速度的步骤。
6.根据权利要求5所述的基于车载雷达的车速的计算方法,其特征在于,所述计算各所述点迹类的横摆角速度具体包括:
在第k点归类到点迹类c后,将第k点的横摆角速度与点迹类c的横摆角速度进行累加求和,并将累加求和后的结果更新为所述点迹类c的横摆角速度。
7.根据权利要求5所述的基于车载雷达的车速的计算方法,其特征在于,所述基于所述静止物的横摆角速度计算自车的当前横摆角速度包括:
在确认出作为静止物的点迹类后,将相应作为静止物的点迹类的横摆角速度求均值,作为自车的当前横摆角速度。
8.一种基于车载雷达的车速的计算装置,其特征在于,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行权利要求1-7任一所述的基于车载雷达的车速的计算方法。
9.一种非易失性计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成权利要求1-7任一所述的基于车载雷达的车速的计算方法。
10.一种基于车载雷达的车速的计算模块,其特征在于,包括获取模块、归类模块和分析模块,各个模块之间依次建立数据互通:
获取模块,用于获取雷达采集到的每一帧的点迹信息;
归类模块,用于对每一帧中所包含的点进行归类,其中,在第k点的纵向速度与点迹类c的纵向速度相差小于预设门限值时,将所述第k点归类为点迹类c中的一员;其中,所述纵向速度是以车辆纵向轴线标定的方向上的速度;
分析模块,用于在完成一帧中所包含的点到各个点迹类的归类后,以其中包含点数量最多的点迹类作为相应帧的静止物,以所述静止物的纵向速度作为自车的当前车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311057264.6A CN117055019A (zh) | 2023-08-21 | 2023-08-21 | 一种基于车载雷达的车速的计算方法以及相应的装置和模块 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311057264.6A CN117055019A (zh) | 2023-08-21 | 2023-08-21 | 一种基于车载雷达的车速的计算方法以及相应的装置和模块 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117055019A true CN117055019A (zh) | 2023-11-14 |
Family
ID=88655100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311057264.6A Pending CN117055019A (zh) | 2023-08-21 | 2023-08-21 | 一种基于车载雷达的车速的计算方法以及相应的装置和模块 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117055019A (zh) |
-
2023
- 2023-08-21 CN CN202311057264.6A patent/CN117055019A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814544B (zh) | 用于在自主车辆中操纵绕过障碍物的系统和方法 | |
CN110471415B (zh) | 具有自动驾驶模式的车辆及其控制方法和系统 | |
US20190079526A1 (en) | Orientation Determination in Object Detection and Tracking for Autonomous Vehicles | |
CN111458700B (zh) | 车辆映射和定位的方法和系统 | |
US20190056231A1 (en) | Method and apparatus for participative map anomaly detection and correction | |
US11625038B2 (en) | Autonomous driving device | |
US10935652B2 (en) | Systems and methods for using road understanding to constrain radar tracks | |
WO2020123104A1 (en) | Lidar-based trailer tracking | |
CN110858325A (zh) | 车辆自适应学习 | |
US10733420B2 (en) | Systems and methods for free space inference to break apart clustered objects in vehicle perception systems | |
US20180074200A1 (en) | Systems and methods for determining the velocity of lidar points | |
CN108466621B (zh) | 车辆和用于控制车辆的至少一个功能的系统 | |
US10377383B2 (en) | Vehicle lane change | |
CN111391830A (zh) | 自动驾驶车辆的纵向决策系统及纵向决策确定方法 | |
CN115339437A (zh) | 自主车辆的远程对象检测、定位、跟踪和分类 | |
CN111599166B (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和系统 | |
US20200387161A1 (en) | Systems and methods for training an autonomous vehicle | |
US20230009173A1 (en) | Lane change negotiation methods and systems | |
CN117055019A (zh) | 一种基于车载雷达的车速的计算方法以及相应的装置和模块 | |
CN116859406B (zh) | 一种基于激光雷达的车速的计算方法和装置 | |
US20220092985A1 (en) | Variable threshold for in-path object detection | |
US20230278562A1 (en) | Method to arbitrate multiple automatic lane change requests in proximity to route splits | |
US11640716B2 (en) | Lane curvature determination | |
US11794777B1 (en) | Systems and methods for estimating heading and yaw rate for automated driving | |
CN111376903B (zh) | 车辆的控制方法、装置及车辆 |
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 |