CN117302249A - 自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统 - Google Patents
自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统 Download PDFInfo
- Publication number
- CN117302249A CN117302249A CN202210715544.0A CN202210715544A CN117302249A CN 117302249 A CN117302249 A CN 117302249A CN 202210715544 A CN202210715544 A CN 202210715544A CN 117302249 A CN117302249 A CN 117302249A
- Authority
- CN
- China
- Prior art keywords
- tracking
- objects
- tracked
- merging
- autonomous vehicle
- 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 44
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
Abstract
本发明涉及自动驾驶技术领域,提供一种自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统。本发明所述的方法包括:将当前存在的至少两个跟踪对象划分为包括关联于相应传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中;在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象;将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合;以及对对象融合后的跟踪对象进行属性更新。本发明提出了跟踪对象(track)之间的合并方案,解决了自动驾驶场景下的目标分裂问题,且具有较强的通用性。
Description
技术领域
本发明涉及自动驾驶技术领域,特别涉及一种自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统。
背景技术
目标融合系统是自动驾驶系统的一部分,它的主要功能是处理多种车载感知设备探测的目标数据,并将具有相同属性的数据相互融合,得到优于单个传感器探测性能的一种方法。这种融合方式可以增强系统功能或增加系统安全特性,比如,毫米波雷达和激光雷达两种传感器同时工作以探测前方对象,目标融合系统则对两者探测的对象进行融合,而输出的融合后的目标不仅提高了测量精度,而且可以保证在某一传感器失效的情况下自动驾驶系统仍可以运行,达到失效可运行的功能安全需求。
如图1所示,目前的主流融合架构是sensor_to_track,其中sensor表示检测对象的传感器,而track则表示被稳定跟踪的对象(本申请简称跟踪对象)。参考图1,sensor_to_track融合架构中要求每进入一个传感器(例如sensor1、sensor2和sensor3),就将该传感器检测的对象与自动驾驶融合系统列表中的track相关联,以最终实现各传感器检测的对象的数据融合。但是,本申请发明人在实现本申请的过程中发现这种sensor_to_track融合架构存在一个比较明显的问题,即:当sensor与现有列表中的track都无法关联时,就会直接创建track,例如sensor1和sensor2检测的是同一对象,均应与列表中的track1关联,但sensor2会因关联不上track1而另外创建的track2,而创建的该track2实际是与原来列表中的一个track1属于一个障碍物,这样就导致一个真实的障碍物被两个track分别描述,进而导致后续的目标选择策略、控制策略及显示策略受到较大影响。
因此,需要新的方案来解决目前的sensor_to_track融合架构所存在的这一问题。
发明内容
有鉴于此,本发明旨在提出一种自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统,以至少部分地解决上述技术问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种自动驾驶车辆的跟踪对象合并方法,包括:将当前存在的至少两个跟踪对象划分为包括关联于相应传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中;在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象;将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合;以及对对象融合后的跟踪对象进行属性更新。
进一步的,所述在所述两个对象列表之间进行对象匹配包括:确定关于所述两个对象列表之间的跟踪对象的代价矩阵,该代价矩阵示出了针对同一目标的多个跟踪对象;以及采用匈牙利算法确定所述代价矩阵中的各个跟踪对象之间的匹配关系,以提取出具有最优匹配的跟踪对象作为关于同一目标的跟踪对象。
进一步的,所述确定关于所述两个对象列表之间的跟踪对象的代价矩阵包括:设置适配于距离、速度、目标类型和/或运动朝向的自适应阈值;以及计算所述两个对象列表中的跟踪对象之间的欧氏距离或者马氏距离,确定所计算的欧氏距离或者马氏距离小于或等于所述自适应阈值的跟踪对象来形成所述代价矩阵。
进一步的,所述采用匈牙利算法确定所述代价矩阵中的各个跟踪对象之间的匹配关系包括:根据所述代价矩阵内的各个跟踪对象的属性确定预设的跟踪门阈值范围内的全部跟踪对象;以及采用匈牙利算法对所确定的全部跟踪对象进行全局最优匹配,并调整各个跟踪对象在所述跟踪门阈值范围内的匹配关系,以保证得到最优匹配。
进一步的,所述将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征包括:针对所提取的不同跟踪对象,保留对应的传感器可靠性更高的跟踪对象的对象ID作为统一的对象ID;以及在不能确定各个跟踪对象对应的传感器可靠性的情况下,保留生命周期更长的跟踪对象的对象ID作为统一的对象ID。
进一步的,所述对对象融合后的跟踪对象进行属性更新包括:针对运动属性,采用卡尔曼算法对对象融合后的跟踪对象进行属性更新;以及针对非运动属性,按照预设规则选择任意跟踪对象的属性赋值给融合后的跟踪对象。
相对于现有技术,本发明所述的自动驾驶的跟踪对象方法提出了跟踪对象(track)之间的再次合并方案,解决了很多自动驾驶场景下的目标分裂问题,能够避免同一对象被两个track分别描述所导致的目标选择等策略错误,且此方案具有较强的通用性,对不同传感器的跟踪对象都可以进行合并处理。
本发明的技术方案还提出了一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述任意的自动驾驶车辆的跟踪对象合并方法。
本发明的技术方案还提出一种自动驾驶车辆的跟踪对象合并装置,包括:分类模块,用于将当前存在的至少两个跟踪对象划分为包括关联于相应传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中;匹配模块,用于在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象;管理模块,用于将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合;以及更新模块,用于对对象融合后的跟踪对象进行属性更新。
本发明的技术方案还提供了一种自动驾驶车辆的跟踪对象合并装置,包括:存储器,其存储有能够在处理器上运行的程序;以及所述处理器,其被配置为执行所述程序时实现上述任意的自动驾驶车辆的跟踪对象合并方法。
本发明的技术方案还提供了一种自动驾驶车辆的目标融合系统,所述目标融合系统包括上述任意的自动驾驶车辆的跟踪对象合并装置。
所述机器可读存储介质、自动驾驶车辆的跟踪对象合并装置和自动驾驶车辆的目标融合系统与上述自动驾驶车辆的跟踪对象合并相对于现有技术所具有的优势相同,在此不再赘述。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是目前的主流融合架构sensor_to_track的结构示意图;
图2是目前的sensor_to_track架构导致track与track无法合并的情形示意图;
图3是本发明实施例的自动驾驶车辆的跟踪对象合并方法的流程示意图;
图4是本发明实施例的示例中进行目标ID管理的流程示意图;
图5是本发明实施例的自动驾驶车辆的跟踪对象合并装置的结构示意图;以及
图6是本发明实施例的另一自动驾驶车辆的跟踪对象合并装置的结构示意图。
附图标记说明:
100、分类模块;200、匹配模块;300、管理模块;400、更新模块。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。
需说明的是,在本发明实施例中,“目标”、“对象”及“track”在相关场景下是可以交换进行理解的,而“目标”更具体地是指对象融合最终得到的结果,而“对象”更具体地是指传感器实时检测的目标,“track”则是前两者在领域内的示例性表述。
下面将参考附图并结合实施方式来详细说明本发明。
针对图1所示出的目前的主流sensor_to_track融合架构的结构示意图,图2进一步示出了该sensor_to_track架构导致track与track无法合并的情形。如图2所示,在T1时刻,雷达(radar)检测与列表中的track1成功关联;而后进入T2时刻,摄像头(camera)介入检测同一目标,但其检测结果因为与雷达检测结果之间的关联阈值太大(即摄像头检测结果与雷达检测结果之间的差值满足预设关联阈值,两者才能被关联作为同一目标的检测结果)等原因,而无法关联到track1中,从而直接形成了track2;而后在T3时刻,track1和track2同时存在,但只能进行传感器(sensor)与跟踪对象(track)之间的关联的sensor_to_track架构不能实现track1和track2的合并。如此,最终针对同一目标存在track1和track2,使得后续易引发目标分裂,导致目标融合的可视化界面错乱,并最终影响目标融合的准确性及可靠性。
据此,图3是本发明实施例的自动驾驶车辆的跟踪对象合并方法的流程示意图,该跟踪对象合并方法旨在解决上述技术问题,但相关术语的应用与图2相一致,例如同样通过track来表示跟踪对象,通过camera表示摄像头,通过radar表示雷达。
如图3所示,自动驾驶车辆的跟踪对象合并方法可以包括以下步骤S100-S400:
步骤S100,将当前存在的至少两个跟踪对象划分为包括关联于传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中。
步骤S200,在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象。
步骤S300,将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合。
步骤S400,对对象融合后的跟踪对象进行属性更新。
针对步骤S100,举例而言,在track与track合并之前需要对不同类的track进行提取,而不同类track的提取包括:在进行传感器与其检测的track的匹配的过程中提取出关联于相应传感器的第一类跟踪对象(第一类track)和不关联于所述传感器的第二类跟踪对象(第二类track)。其中,“track关联于传感器”可理解为该track是由该传感器所检测的。即,步骤S100进行了track的划分,将其划分为不关联于传感器的track与关联于该传感器的track。例如,当匹配camera的时候,匹配的结果存在两种情况:一种是camera检测出的track,另外一种则不是camera检测出的track。如此,将划分的两类track分别放在两个列表中,用于下面的其他操作。
针对步骤S200,在优选的实施例中,该步骤S200可以包括以下的步骤S210和步骤S220:
步骤S210,确定关于所述两个对象列表之间的跟踪对象的代价矩阵。其中,该代价矩阵示出了针对同一目标的多个跟踪对象。即,通过代价矩阵从两个对象列表中进行对象筛选。
在更为优选的实施例中,步骤S210又可以包括:步骤S211,设置适配于距离、速度、目标类型和/或运动朝向的自适应阈值;步骤S212,计算所述两个对象列表中的跟踪对象之间的欧氏距离或者马氏距离,确定所计算的欧氏距离或者马氏距离小于或等于所述自适应阈值的跟踪对象来形成所述代价矩阵。
步骤S220,采用匈牙利算法确定所述代价矩阵中的各个跟踪对象之间的匹配关系,以提取出具有最优匹配的跟踪对象作为关于同一目标的跟踪对象。
在更为优选的实施例中,步骤S220又可以包括:步骤S221,根据所述代价矩阵内的各个跟踪对象的属性确定预设的跟踪门阈值范围内的全部跟踪对象;以及步骤S222,采用匈牙利算法对所确定的全部跟踪对象进行全局最优匹配,并调整各个跟踪对象在所述跟踪门阈值范围内的匹配关系,以保证得到最优匹配。
下面通过示例来具体介绍上述关于步骤S200及其子步骤的实现,在示例中,两个列表分别为track列表1和track列表2,而track列表1和track列表2之间的对象匹配类似于sensor与track之间的匹配,大致的匹配逻辑包括如下的代价矩阵部分和匈牙利匹配计算部分:
1)track列表1和track列表2的代价矩阵计算。
在示例中,track列表1和track列表2的代价矩阵计算主要通过两种方式,一种是欧式距离的初筛条件,另外一种是马氏距离的细筛条件。
其中,欧式距离的初筛条件是根据不同的距离、不同的速度、不同的目标类型以及不同的运动朝向等要素实现自适应阈值设置,并据此可以将大部分不属于一个目标的track剔除掉(即删除掉两者之间的欧氏距离大于自适应阈值的track),极大地减少后续的计算量。举例而言,从track列表1和track列表2中各自选择一个track,计算所选择的两个track的欧氏距离,而若是所计算的欧氏距离大于根据不同的距离、不同的速度、不同的目标类型以及不同的运动朝向等要素确定的自适应阈值,则表明这两个track不属于同一个目标,从而将这两个track剔除出后续的对象匹配阶段。
其中,马氏距离细筛条件是根据马氏距离的计算公式,实现track列表1和track列表2中的track与track的统计距离的计算。其中,马氏距离表示数据的协方差距离,其是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是,马氏距离考虑到各种特性之间的联系(例如距离和速度之间的联系),特别是考虑与尺度无关的联系,以消除样本不同维度间的量纲差异,进而得到不同维度加权的一个综合距离属性。本发明实施例的示例使用的属性维度为距离、速度、加速度三个维度。
进一步地,马氏距离如上所述,可作为不同维度加权的一个综合距离属性,其例如采用以下的计算公式确定:
其中:
d:马氏距离,在该示例为基于距离、速度和加速度加权的综合属性运算值;
xi:i时刻传感器量测状态,可以是运动朝向信息、速度信息、多维度方差信息及目标与自车的相对距离等等;
xj:i-1时刻跟踪对象的轨迹的预测值,即目标track位置;
S:xi和xj两样本之间的协方差。
需说明的是,上述的马氏距离计算公式是本领域的常规计算公式。
2)匈牙利匹配计算。
计算代价矩阵后,使用匈牙利匹配对track与track的全局最优匹配关系进行计算,根据track属性寻找跟踪门阈值范围内的其他track(除了最优的匹配之外,还要进行非最优匹配),然后再利用匈牙利算法完成全局最优、最大匹配,匹配的过程中为了保证整体的最优,会对跟踪门阈值范围内的匹配关系进行调整,最终保证得到的是最优匹配。举例而言,在发现跟踪门阈值范围内不存在匹配的track时,应调大跟踪门阈值范围,以使得有track落入相应范围。
需说明的是,局部最优匹配受track找track的顺序影响,有可能找到的不是最优的匹配,而本发明实施例的全局最优匹配则没有此问题。还需说明是,使用匈牙利算法进行匹配是目标融合领域的常用手段,故在此未对匈牙利算法的细节进行过多描述,但是现有技术中主要是将匈牙利算法用于局部最优匹配,而本发明实施例则是巧妙地进行全局最优匹配。
针对步骤S300,在优选的实施例中,该步骤S300可以包括:步骤S310,针对所提取的不同跟踪对象,保留传感器可靠性更高的跟踪对象的对象ID作为统一的对象ID;以及步骤S320,在不能确定各个跟踪对象对应的传感器可靠性的情况下,保留生命周期更长的跟踪对象的对象ID作为统一的对象ID。其中,传感器可靠性可根据经验确定,例如摄像头的可靠性高于雷达。
即,对track与track的合并进行目标ID管理,因为后续的目标选择、控制、显示等策略多是基于目标ID进行的,故而ID管理的合理性直接影响到后端功能对目标的使用。下面通过示例具体介绍基于上述步骤S300及其子步骤的目标ID管理的策略。
图4是本发明实施例的示例中进行目标ID管理的流程示意图,该示例中例如同一目标的两个跟踪对象所对应的ID分别为track ID1和track ID2,且它们分别对应的传感器为摄像头和雷达,而摄像头比雷达在目标检测可靠性更高,特别是对于行人及自行车目标。如图4所示,具体包括以下步骤:
步骤S410,保留分类为行人或者自行车的camera的track ID。
即,由于摄像头对行人及自行车目标比雷达等传感器更有优势,所以当track包含camera,且分类为行人或者自行车的时候,以此track为主进行ID(即track ID1)的继承,此时不再考虑track的生命周期。其中,track的生命周期是指其被跟踪的时间。
步骤S420,保留生命周期更长的track ID。
举例而言,在不符合步骤S410的条件,即在不存在传感器可靠性区别的情况下,以生命周期更长(或跟踪时间更长)的track为主进行ID继承。
步骤S430,track ID继承。
举例而言,对于track ID1和track ID2,保留track ID1作为提取出的同一目标的不同跟踪对象的统一对象ID,而释放掉track ID2。
回到图3,针对步骤S400,在优选的实施例中,该步骤S400包括:针对运动属性,采用卡尔曼(kalman)算法对对象融合后的跟踪对象进行属性更新;以及针对非运动属性,按照预设规则选择任意跟踪对象的属性赋值给融合后的跟踪对象。
举例而言,在非运动属性方面,根据预测规则,如果存在属性比较擅长的track,那么将此属性直接赋值给融合后的track,比如track1的分类比较精准(是camera形成的track),而track2的分类相对不精准(是radar形成的track),那么直接使用track1的分类属性赋予融合后的track;在运动属性方面,直接使用卡尔曼算法对融合后的track进行属性更新。需说明的是,卡尔曼算法是本领域常用的融合算法,故而在此不对其进行具体介绍。
综上所述,本发明实施例的自动驾驶车辆的跟踪对象合并方法具有以下方面的优势:
1)本发明实施例的自动驾驶的跟踪对象方法提出了track与track的再次合并方案,解决了很多自动驾驶场景下的目标分裂问题,且此方案具有较强的通用性,对不同传感器的track都可以进行合并处理。
2)本发明实施例的自动驾驶的跟踪对象方法保证了目标跟踪的ID的唯一性和稳定性,有助于提升目标跟踪的性能及场景适用性。
3)本发明实施例的自动驾驶的跟踪对象方法通过track融合后属性更新,提升了目标属性的精确度。
图5是本发明实施例的自动驾驶车辆的跟踪对象合并装置的结构示意图。如图5所示,该跟踪对象合并装置包括:分类模块100,用于将当前存在的至少两个跟踪对象划分为包括关联于相应传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中;匹配模块200,用于在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象;管理模块300,用于将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合;以及更新模块400,用于对对象融合后的跟踪对象进行属性更新。
其中,关于各模块的实施细节及该跟踪对象合并装置的效果可参考上述关于自动驾驶车辆的跟踪对象合并方法的实施例,在此则不再进行赘述。
图6是本发明实施例的另一自动驾驶车辆的跟踪对象合并装置的结构示意图,该装置包括:存储器,其存储有能够在处理器上运行的程序;以及所述处理器,其被配置为执行所述程序时上述任意实施例所述的自动驾驶车辆的跟踪对象合并方法。需要说明的是,该跟踪对象合并装置在此例如是计算机设备。
本发明另一实施例还提供了一种自动驾驶车辆的目标融合系统,其包括上述任意实施例的自动驾驶车辆的跟踪对象合并装置,例如图5或图6所示出的跟踪对象合并装置。
本发明另一实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行如上所述的自动驾驶车辆的跟踪对象合并装置。
对于计算机设备及机器可读存储介质中的跟踪对象合并方法可参考上述实施例进行理解,在此不再赘述。下面主要结合应用场景对计算机设备及机器可读存储介质进行进一步介绍。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置(设备或系统)、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(设备或系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、存储器、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明实施例可提供为方法、系统或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,例如改变步骤执行顺序,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种自动驾驶车辆的跟踪对象合并方法,其特征在于,所述自动驾驶车辆的跟踪对象合并方法包括:
将当前存在的至少两个跟踪对象划分为包括关联于传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中;
在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象;
将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合;以及
对对象融合后的跟踪对象进行属性更新。
2.根据权利要求1所述的自动驾驶车辆的跟踪对象合并方法,其特征在于,所述在所述两个对象列表之间进行对象匹配包括:
确定关于所述两个对象列表之间的跟踪对象的代价矩阵,该代价矩阵示出了针对同一目标的多个跟踪对象;以及
采用匈牙利算法确定所述代价矩阵中的各个跟踪对象之间的匹配关系,以提取出具有最优匹配的跟踪对象作为关于同一目标的跟踪对象。
3.根据权利要求2所述的自动驾驶车辆的跟踪对象合并方法,其特征在于,所述确定关于所述两个对象列表之间的跟踪对象的代价矩阵包括:
设置适配于距离、速度、目标类型和/或运动朝向的自适应阈值;以及
计算所述两个对象列表中的跟踪对象之间的欧氏距离或者马氏距离,确定所计算的欧氏距离或者马氏距离小于或等于所述自适应阈值的跟踪对象来形成所述代价矩阵。
4.根据权利要求2所述的自动驾驶车辆的跟踪对象合并方法,其特征在于,所述采用匈牙利算法确定所述代价矩阵中的各个跟踪对象之间的匹配关系包括:
根据所述代价矩阵内的各个跟踪对象的属性确定预设的跟踪门阈值范围内的全部跟踪对象;以及
采用匈牙利算法对所确定的全部跟踪对象进行全局最优匹配,并调整各个跟踪对象在所述跟踪门阈值范围内的匹配关系,以保证得到最优匹配。
5.根据权利要求1所述的自动驾驶车辆的跟踪对象合并方法,其特征在于,所述将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征包括:
针对所提取的不同跟踪对象,保留传感器可靠性更高的跟踪对象的对象ID作为统一的对象ID;以及
在不能确定各个跟踪对象对应的传感器可靠性的情况下,保留生命周期更长的跟踪对象的对象ID作为统一的对象ID。
6.根据权利要求1所述的自动驾驶车辆的跟踪对象合并方法,其特征在于,所述对对象融合后的跟踪对象进行属性更新包括:
针对运动属性,采用卡尔曼算法对对象融合后的跟踪对象进行属性更新;以及
针对非运动属性,按照预设规则选择任意跟踪对象的属性赋值给融合后的跟踪对象。
7.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1至6中任意一项所述的自动驾驶车辆的跟踪对象合并方法。
8.一种自动驾驶车辆的跟踪对象合并装置,其特征在于,所述自动驾驶车辆的跟踪对象合并装置包括:
分类模块,用于将当前存在的至少两个跟踪对象划分为包括关联于相应传感器的第一类跟踪对象和不关联于所述传感器的第二类跟踪对象,并将所划分的两类跟踪对象分别存放于两个对象列表中;
匹配模块,用于在所述两个对象列表之间进行对象匹配,以提取出关于同一目标的不同跟踪对象;
管理模块,用于将所提取的不同跟踪对象调整为通过统一的对象标识号ID表征,并基于该统一的对象ID进行对象融合;以及
更新模块,用于对对象融合后的跟踪对象进行属性更新。
9.一种自动驾驶车辆的跟踪对象合并装置,其特征在于,所述自动驾驶车辆的跟踪对象合并装置包括:
存储器,其存储有能够在处理器上运行的程序;以及
所述处理器,其被配置为执行所述程序时实现1至6中任意一项所述的自动驾驶车辆的跟踪对象合并方法。
10.一种自动驾驶车辆的目标融合系统,其特征在于,所述目标融合系统包括权利要求8或9所述的自动驾驶车辆的跟踪对象合并装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210715544.0A CN117302249A (zh) | 2022-06-22 | 2022-06-22 | 自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210715544.0A CN117302249A (zh) | 2022-06-22 | 2022-06-22 | 自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117302249A true CN117302249A (zh) | 2023-12-29 |
Family
ID=89295875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210715544.0A Pending CN117302249A (zh) | 2022-06-22 | 2022-06-22 | 自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117302249A (zh) |
-
2022
- 2022-06-22 CN CN202210715544.0A patent/CN117302249A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436815B2 (en) | Method for limiting object detection area in a mobile system equipped with a rotation sensor or a position sensor with an image sensor, and apparatus for performing the same | |
US20240005674A1 (en) | Road edge recognition based on laser point cloud | |
KR102569900B1 (ko) | 전방위 센서퓨전 장치 및 그의 센서퓨전 방법과 그를 포함하는 차량 | |
US20200180646A1 (en) | Sensor fusion target prediction device and method for vehicles and vehicle including the device | |
CN116430375A (zh) | 一种多传感器融合的多目标跟踪方法及对应的系统 | |
CN115641454A (zh) | 目标跟踪方法、装置及电子设备、计算机可读存储介质 | |
US20210339750A1 (en) | Methods and Systems for Tracking an Object | |
CN117197796A (zh) | 一种车辆遮挡识别方法及相关装置 | |
CN115792945B (zh) | 一种浮空障碍物检测方法、装置和电子设备、存储介质 | |
CN117302249A (zh) | 自动驾驶车辆的跟踪对象合并方法、装置及目标融合系统 | |
CN110378178B (zh) | 目标跟踪方法及装置 | |
CN114397671B (zh) | 目标的航向角平滑方法、装置及计算机可读存储介质 | |
CN116147652A (zh) | 导航路线计算方法、系统、设备及存储介质 | |
CN115556827A (zh) | 自动驾驶车辆的航向角确定方法、装置及电子设备 | |
CN112116634B (zh) | 一种半在线机置的多目标跟踪方法 | |
CN115575942A (zh) | 激光雷达数据和毫米波雷达数据的融合方法及融合系统 | |
CN115597599A (zh) | 航迹融合方法、融合装置、处理器和融合系统 | |
CN113900133A (zh) | 目标轨迹的平滑方法和装置、电子设备和存储介质 | |
CN116228820B (zh) | 一种障碍物检测方法、装置和电子设备、存储介质 | |
WO2022215348A1 (ja) | 物標検出装置 | |
US20230258792A1 (en) | Object Tracking Method by Using Sensor Fusion Technology and Vehicle Driving System by the Same | |
CN117491965B (zh) | 基于4d毫米波雷达的目标航迹起始方法 | |
CN112363131B (zh) | 车载毫米波雷达数据的处理方法、装置及计算机存储介质 | |
CN117911459A (zh) | 一种多目标跟踪方法、装置、电子设备及存储介质 | |
CN116702085A (zh) | 目标轨迹融合方法、装置及电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |