CN117647807A - 一种基于毫米波雷达的机动车尺寸估计方法 - Google Patents

一种基于毫米波雷达的机动车尺寸估计方法 Download PDF

Info

Publication number
CN117647807A
CN117647807A CN202410125617.XA CN202410125617A CN117647807A CN 117647807 A CN117647807 A CN 117647807A CN 202410125617 A CN202410125617 A CN 202410125617A CN 117647807 A CN117647807 A CN 117647807A
Authority
CN
China
Prior art keywords
point
motor vehicle
condensation
radar
track
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
CN202410125617.XA
Other languages
English (en)
Other versions
CN117647807B (zh
Inventor
胡宗品
李昂
路同亚
秦胜贤
任梦奇
刘志勇
吴皓
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.)
Anhui Falcon Wave Technology Co ltd
Original Assignee
Anhui Falcon Wave Technology 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 Anhui Falcon Wave Technology Co ltd filed Critical Anhui Falcon Wave Technology Co ltd
Priority to CN202410125617.XA priority Critical patent/CN117647807B/zh
Publication of CN117647807A publication Critical patent/CN117647807A/zh
Application granted granted Critical
Publication of CN117647807B publication Critical patent/CN117647807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及机动车尺寸估计，具体涉及一种基于毫米波雷达的机动车尺寸估计方法，采集毫米波雷达点云数据，并进行点云凝聚；对凝聚点与航迹进行点航关联，并对航迹进行更新；计算航迹中历史关联凝聚点的参数，并记录对应的机动车尺寸；基于历史关联凝聚点的参数和对应的机动车尺寸构建训练数据集，并利用训练数据集进行机动车尺寸预测模型的训练；利用训练好的机动车尺寸预测模型实施机动车尺寸实时估计；本发明提供的技术方案能够有效克服现有技术所存在的因毫米波雷达点云数据稀疏而无法有效描述被探测物体外部轮廓的缺陷。

Description

一种基于毫米波雷达的机动车尺寸估计方法
技术领域
本发明涉及机动车尺寸估计，具体涉及一种基于毫米波雷达的机动车尺寸估计方法。
背景技术
毫米波雷达因具有体积小、探测距离远、测距测速精度高、全天时全天候工作能力等优势，近年来在安防、智能交通、辅助驾驶等领域得到广泛应用。然而，毫米波雷达输出的雷达点云较为稀疏，点云效果不够丰富，难以有效描述被探测物体的外部轮廓。
授权公告号为CN 115128571 B的发明专利中公开了一种基于毫米波雷达的多人与非机动车识别方法，该方法通过对每个被检出的单元计算得到点云数据，并对点云数据进行聚类，得到目标体积，根据体积判断目标是多人还是非机动车。上述方法属于对目标的粗分类，并未考虑点云聚类得到的目标体积与目标真实体积之间的关系。
发明内容
针对现有技术所存在的上述缺点，本发明提供了一种基于毫米波雷达的机动车尺寸估计方法，能够有效克服现有技术所存在的因毫米波雷达点云数据稀疏而无法有效描述被探测物体外部轮廓的缺陷。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于毫米波雷达的机动车尺寸估计方法，包括以下步骤：
S1、采集毫米波雷达点云数据，并进行点云凝聚；
S2、对凝聚点与航迹进行点航关联，并对航迹进行更新；
S3、计算航迹中历史关联凝聚点的参数，并记录对应的机动车尺寸；
S4、基于历史关联凝聚点的参数和对应的机动车尺寸构建训练数据集，并利用训练数据集进行机动车尺寸预测模型的训练；
S5、利用训练好的机动车尺寸预测模型实施机动车尺寸实时估计。
优选地，S1中采集毫米波雷达点云数据，包括：
S11、基于雷达点云数据的接收时间，连续存储N帧雷达点云数据P={P1,P2,P3,…,PN}，N为预先设定的固定值；
其中，第n帧雷达点云数据Pn中包含若干雷达点，即Pn={,/>,/>,…,/>}，/>为第n帧雷达点云数据中包含的雷达点云个数；
第n帧雷达点云数据Pn中的第m个雷达点包含相关点云信息，即/>={}，/>表示目标距离，/>表示目标角度，/>、/>分别为雷达点云在笛卡尔坐标系下的横坐标、纵坐标，且/>，/>，/>表示目标信号强度，/>表示目标速度。
优选地，S1中进行点云凝聚，包括：
S12、基于采集的N帧雷达点云数据P={P1,P2,P3,…,PN}，每一帧雷达点云数据分别采用DBSCAN算法进行点云凝聚，获得N帧雷达凝聚点ConP={ConP1，ConP2，ConP3，…，ConPN}；
其中，第n帧雷达凝聚点ConPn中包含若干凝聚点，即ConPn={…/>}，/>为第n帧雷达点云数据Pn经过点云凝聚后得到的凝聚点个数；
第n帧雷达凝聚点ConPn中第m个凝聚点为，/>、/>分别为凝聚点在笛卡尔坐标系下的横坐标、纵坐标，/>分别为构成凝聚点/>的雷达点中横、纵坐标的最大值，/>分别为构成凝聚点/>的雷达点中横、纵坐标的最小值，/>表示凝聚点的目标信号强度，/>表示凝聚点的速度；
因凝聚点是由多个雷达点进行点云凝聚构成，因此：
=/>/K；
=/>/K；
=/>；
=/>；
=/>；
=/>；
=/>/K；
=/>/K；
上式中，参与点云凝聚构成凝聚点的第n帧雷达点云数据Pn中的雷达点为,/>,…,/>，K为第n帧雷达点云数据Pn中参与点云凝聚构成凝聚点/>的雷达点个数。
优选地，S2中对凝聚点与航迹进行点航关联，并对航迹进行更新，包括：
S21、采用最近邻算法对凝聚点与航迹进行关联，分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点；
S22、基于最新的关联凝聚点对航迹进行更新；
其中，航迹={/>}，、/>分别为经卡尔曼滤波后航迹在X、Y方向的横坐标、纵坐标，/>，/>分别为经卡尔曼滤波后航迹在X、Y方向的横向速度、纵向速度，/>、/>、…、/>为航迹已关联的M帧雷达凝聚点中的关联凝聚点。
优选地，S21中采用最近邻算法对凝聚点与航迹进行关联，分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值，选择关联值最小的凝聚点作为航迹第n帧的关联凝聚点，包括：
S211、采用下式计算航迹与第n帧雷达凝聚点ConPn中第k个凝聚点/>之间的关联值AssValuek：
AssValuek=AssValuekX+AssValuekY+AssValuekV
其中，AssValuekX、AssValuekY、AssValuekV分别为X方向、Y方向、速度方向的关联值：
AssValuekX=*fabs(/>)；
AssValuekY=*fabs(/>)；
AssValuekV=*fabs(/>)；
上式中，、/>、/>分别为X方向、Y方向、速度方向的加权系数值，；
S212、分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值AssValue={AssValue1,AssValue2,AssValue3,…，AssValueCn}，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点；
其中，第n帧关联凝聚点的关联值AssValues=MIN(AssValue1,AssValue2,AssValue3,…,AssValueCn)。
优选地，S22中基于最新的关联凝聚点对航迹进行更新，包括：
基于最新的关联凝聚点，利用卡尔曼滤波匀速运动模型将航迹更新为；
其中，更新航迹包含对航迹位置、/>和速度/>、/>的更新，还包含添加最新的关联凝聚点/>和删除老旧的关联凝聚点/>，此处/>。
优选地，S3中计算航迹中历史关联凝聚点的参数，并记录对应的机动车尺寸，包括：
S31、基于更新后的航迹，计算航迹/>中历史关联凝聚点的平均长度meanL、平均宽度meanW，具体包括：
S311、分别计算航迹中各关联凝聚点的长度、宽度，对于关联凝聚点/>，其长度/>、宽度/>分别采用下式计算：
；
；
其中，分别为构成关联凝聚点/>的雷达点中横、纵坐标的最大值，/>分别为构成关联凝聚点/>的雷达点中横、纵坐标的最小值；
S312、基于航迹中各关联凝聚点的长度、宽度，采用下式计算航迹中历史关联凝聚点的平均长度meanL、平均宽度meanW：
meanL=/M；
meanW=/M；
S32、记录航迹对应的机动车尺寸vehicleS={l，w，h}，l、w、h分别表示机动车的长度、宽度、高度。
优选地，S4中基于历史关联凝聚点的参数和对应的机动车尺寸构建训练数据集，并利用训练数据集进行机动车尺寸预测模型的训练，包括：
S41、重复S1~S3，分别采集vehicleN辆机动车的雷达点云数据，计算航迹中历史关联凝聚点的平均长度、平均宽度，并记录对应的机动车尺寸，从而构建训练数据集tSet={MeanL,MeanW,VehicleS}；
其中，MeanL={,/>,…,/>}，MeanW={/>,,…,/>}，VehicleS={/>，/>,…,}；
S42、将训练数据集tSet输入机动车尺寸预测模型中用于拟合模型，并采用最小二乘法求解机动车尺寸预测模型的系数，以使残差平方和RSS最小，训练得到训练好的机动车尺寸预测模型。
优选地，所述机动车尺寸预测模型为多元线性回归模型：
preL=*meanL+/>；
preW=*meanW+/>；
preH=*meanL+/>*meanW+/>；
其中，preL、preW、preH分别为基于机动车尺寸预测模型预测得到的机动车尺寸的长度、宽度、高度，、/>分别为预测机动车尺寸的长度、宽度的权重系数，/>和/>为预测机动车尺寸的高度的权重系数，/>、/>、/>分别为预测机动车尺寸长度、宽度、高度的截距。
优选地，S5中利用训练好的机动车尺寸预测模型实施机动车尺寸实时估计，包括：
S51、毫米波雷达实时接收雷达点云数据，每接收到一帧雷达点云数据，便计算航迹中历史关联凝聚点的平均长度、平均宽度；
S52、将计算得到的航迹中历史关联凝聚点的平均长度、平均宽度输入训练好的机动车尺寸预测模型，以对机动车尺寸进行实时估计。
与现有技术相比，本发明所提供的一种基于毫米波雷达的机动车尺寸估计方法，具有以下有益效果：
1）本发明采用航迹关联凝聚点多帧积累的方法，并通过机动车尺寸预测模型建立机动车尺寸测量值与真实值之间的函数关系，有效提高了利用毫米波雷达点云数据进行机动车尺寸测量的精度；
2）利用机动车尺寸预测模型对通过雷达测量的机动车尺寸进行修正，有利于提高毫米波雷达目标分类方法的分类精度。
附图说明
为了更清楚地说明本发明实施例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的前提下，还可以根据这些附图获得其他的附图。
图1 为本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
一种基于毫米波雷达的机动车尺寸估计方法，如图1所示，S1、采集毫米波雷达点云数据，并进行点云凝聚。
1）采集毫米波雷达点云数据，包括：
S11、基于雷达点云数据的接收时间，连续存储N帧雷达点云数据P={P1,P2,P3,…,PN}，N为预先设定的固定值；
其中，第n帧雷达点云数据Pn中包含若干雷达点，即Pn={,/>,/>,,…,/>}，为第n帧雷达点云数据中包含的雷达点云个数；
第n帧雷达点云数据Pn中的第m个雷达点包含相关点云信息，即/>={}，/>表示目标距离，/>表示目标角度，/>、/>分别为雷达点云在笛卡尔坐标系下的横坐标、纵坐标，且/>，/>，/>表示目标信号强度，/>表示目标速度。
2）进行点云凝聚，包括：
S12、基于采集的N帧雷达点云数据P={P1,P2,P3,…,PN}，每一帧雷达点云数据分别采用DBSCAN算法进行点云凝聚，获得N帧雷达凝聚点ConP={ConP1，ConP2，ConP3，…，ConPN}；
其中，第n帧雷达凝聚点ConPn中包含若干凝聚点，即ConPn={…/>}，/>为第n帧雷达点云数据Pn经过点云凝聚后得到的凝聚点个数；
第n帧雷达凝聚点ConPn中第m个凝聚点为，/>、/>分别为凝聚点在笛卡尔坐标系下的横坐标、纵坐标，/>分别为构成凝聚点/>的雷达点中横、纵坐标的最大值，/>分别为构成凝聚点/>的雷达点中横、纵坐标的最小值，/>表示凝聚点的目标信号强度，/>表示凝聚点的速度；
因凝聚点是由多个雷达点进行点云凝聚构成，因此：
=/>/K；
=/>/K；
=/>；
=/>；
=/>；
=/>；
=/>/K；
=/>/K；
上式中，参与点云凝聚构成凝聚点的第n帧雷达点云数据Pn中的雷达点为,/>,…,/>，K为第n帧雷达点云数据Pn中参与点云凝聚构成凝聚点/>的雷达点个数。
S2、对凝聚点与航迹进行点航关联，并对航迹进行更新，具体包括：
S21、采用最近邻算法对凝聚点与航迹进行关联，分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点；
S22、基于最新的关联凝聚点对航迹进行更新；
其中，航迹={/>}，、/>分别为经卡尔曼滤波后航迹在X、Y方向的横坐标、纵坐标，/>，/>分别为经卡尔曼滤波后航迹在X、Y方向的横向速度、纵向速度，/>、/>、…、/>为航迹已关联的M帧雷达凝聚点中的关联凝聚点。
S21中采用最近邻算法对凝聚点与航迹进行关联，分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点，包括：
S211、采用下式计算航迹与第n帧雷达凝聚点ConPn中第k个凝聚点/>之间的关联值AssValuek：
AssValuek=AssValuekX+AssValuekY+AssValuekV
其中，AssValuekX、AssValuekY、AssValuekV分别为X方向、Y方向、速度方向的关联值：
AssValuekX=*fabs(/>)；
AssValuekY=*fabs(/>)；
AssValuekV=*fabs(/>)；
上式中，、/>、/>分别为X方向、Y方向、速度方向的加权系数值，；
S212、分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值AssValue={AssValue1,AssValue2,AssValue3,…，AssValueCn}，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点；
其中，第n帧关联凝聚点的关联值AssValues=MIN(AssValue1,AssValue2,AssValue3,…,AssValueCn)。
S22中基于最新的关联凝聚点对航迹进行更新，包括：
基于最新的关联凝聚点，利用卡尔曼滤波匀速运动模型将航迹更新为；
其中，更新航迹包含对航迹位置、/>和速度/>、/>的更新，还包含添加最新的关联凝聚点/>和删除老旧的关联凝聚点/>，此处/>。
S3、计算航迹中历史关联凝聚点的参数，并记录对应的机动车尺寸，具体包括：
S31、基于更新后的航迹，计算航迹/>中历史关联凝聚点的平均长度meanL、平均宽度meanW，具体包括：
S311、分别计算航迹中各关联凝聚点的长度、宽度，对于关联凝聚点/>，其长度/>、宽度/>分别采用下式计算：
；
；
其中，分别为构成关联凝聚点/>的雷达点中横、纵坐标的最大值，/>分别为构成关联凝聚点/>的雷达点中横、纵坐标的最小值；
S312、基于航迹中各关联凝聚点的长度、宽度，采用下式计算航迹中历史关联凝聚点的平均长度meanL、平均宽度meanW：
meanL=/M；
meanW=/M；
S32、记录航迹对应的机动车尺寸vehicleS={l，w，h}，l、w、h分别表示机动车的长度、宽度、高度。
S4、基于历史关联凝聚点的参数和对应的机动车尺寸构建训练数据集，并利用训练数据集进行机动车尺寸预测模型的训练，具体包括：
S41、重复S1~S3，分别采集vehicleN辆机动车的雷达点云数据，计算航迹中历史关联凝聚点的平均长度、平均宽度，并记录对应的机动车尺寸，从而构建训练数据集tSet={MeanL,MeanW,VehicleS}；
其中，MeanL={,/>,…,/>}，MeanW={/>,,…,/>}，VehicleS={/>，/>,…,}；
S42、将训练数据集tSet输入机动车尺寸预测模型中用于拟合模型，并采用最小二乘法求解机动车尺寸预测模型的系数，以使残差平方和RSS最小，训练得到训练好的机动车尺寸预测模型。
本申请技术方案中，机动车尺寸预测模型为多元线性回归模型：
preL=*meanL+/>；
preW=*meanW+/>；
preH=*meanL+/>*meanW+/>；
其中，preL、preW、preH分别为基于机动车尺寸预测模型预测得到的机动车尺寸的长度、宽度、高度，、/>分别为预测机动车尺寸的长度、宽度的权重系数，/>和/>为预测机动车尺寸的高度的权重系数，/>、/>、/>分别为预测机动车尺寸长度、宽度、高度的截距。
S5、利用训练好的机动车尺寸预测模型实施机动车尺寸实时估计，具体包括：
S51、毫米波雷达实时接收雷达点云数据，每接收到一帧雷达点云数据，便计算航迹中历史关联凝聚点的平均长度、平均宽度；
S52、将计算得到的航迹中历史关联凝聚点的平均长度、平均宽度输入训练好的机动车尺寸预测模型，以对机动车尺寸进行实时估计。
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，并不会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 (10)

1.一种基于毫米波雷达的机动车尺寸估计方法，其特征在于：包括以下步骤：
S1、采集毫米波雷达点云数据，并进行点云凝聚；
S2、对凝聚点与航迹进行点航关联，并对航迹进行更新；
S3、计算航迹中历史关联凝聚点的参数，并记录对应的机动车尺寸；
S4、基于历史关联凝聚点的参数和对应的机动车尺寸构建训练数据集，并利用训练数据集进行机动车尺寸预测模型的训练；
S5、利用训练好的机动车尺寸预测模型实施机动车尺寸实时估计。
2.根据权利要求1所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S1中采集毫米波雷达点云数据，包括：
S11、基于雷达点云数据的接收时间，连续存储N帧雷达点云数据P={P1,P2,P3,…,PN}，N为预先设定的固定值；
其中，第n帧雷达点云数据Pn中包含若干雷达点，即Pn={,/>,/>,…,/>}，/>为第n帧雷达点云数据中包含的雷达点云个数；
第n帧雷达点云数据Pn中的第m个雷达点包含相关点云信息，即/>={}，/>表示目标距离，/>表示目标角度，/>、/>分别为雷达点云在笛卡尔坐标系下的横坐标、纵坐标，且/>，/>，/>表示目标信号强度，/>表示目标速度。
3.根据权利要求2所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S1中进行点云凝聚，包括：
S12、基于采集的N帧雷达点云数据P={P1,P2,P3,…,PN}，每一帧雷达点云数据分别采用DBSCAN算法进行点云凝聚，获得N帧雷达凝聚点ConP={ConP1，ConP2，ConP3，…，ConPN}；
其中，第n帧雷达凝聚点ConPn中包含若干凝聚点，即ConPn={…}，/>为第n帧雷达点云数据Pn经过点云凝聚后得到的凝聚点个数；
第n帧雷达凝聚点ConPn中第m个凝聚点为，/>、/>分别为凝聚点在笛卡尔坐标系下的横坐标、纵坐标，/>分别为构成凝聚点/>的雷达点中横、纵坐标的最大值，/>分别为构成凝聚点/>的雷达点中横、纵坐标的最小值，/>表示凝聚点的目标信号强度，/>表示凝聚点的速度；
因凝聚点是由多个雷达点进行点云凝聚构成，因此：
=/>/K；
=/>/K；
=/>；
=/>；
=/>；
=/>；
=/>/K；
=/>/K；
上式中，参与点云凝聚构成凝聚点的第n帧雷达点云数据Pn中的雷达点为/>,,…,/>，K为第n帧雷达点云数据Pn中参与点云凝聚构成凝聚点/>的雷达点个数。
4.根据权利要求3所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S2中对凝聚点与航迹进行点航关联，并对航迹进行更新，包括：
S21、采用最近邻算法对凝聚点与航迹进行关联，分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点；
S22、基于最新的关联凝聚点对航迹进行更新；
其中，航迹={/>}，/>、分别为经卡尔曼滤波后航迹在X、Y方向的横坐标、纵坐标，/>，/>分别为经卡尔曼滤波后航迹在X、Y方向的横向速度、纵向速度，/>、/>、…、/>为航迹已关联的M帧雷达凝聚点中的关联凝聚点。
5.根据权利要求4所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S21中采用最近邻算法对凝聚点与航迹进行关联，分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点，包括：
S211、采用下式计算航迹与第n帧雷达凝聚点ConPn中第k个凝聚点/>之间的关联值AssValuek：
AssValuek=AssValuekX+AssValuekY+AssValuekV
其中，AssValuekX、AssValuekY、AssValuekV分别为X方向、Y方向、速度方向的关联值：
AssValuekX=*fabs(/>)；
AssValuekY=*fabs(/>)；
AssValuekV=*fabs(/>)；
上式中，、/>、/>分别为X方向、Y方向、速度方向的加权系数值，；
S212、分别计算航迹与第n帧雷达凝聚点ConPn中各凝聚点之间的关联值AssValue={AssValue1,AssValue2,AssValue3,…，AssValueCn}，选择关联值最小的凝聚点作为航迹/>第n帧的关联凝聚点；
其中，第n帧关联凝聚点的关联值AssValues=MIN(AssValue1,AssValue2,AssValue3,…,AssValueCn)。
6.根据权利要求5所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S22中基于最新的关联凝聚点对航迹进行更新，包括：
基于最新的关联凝聚点，利用卡尔曼滤波匀速运动模型将航迹更新为；
其中，更新航迹包含对航迹位置、/>和速度/>、/>的更新，还包含添加最新的关联凝聚点/>和删除老旧的关联凝聚点/>，此处/>。
7.根据权利要求4所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S3中计算航迹中历史关联凝聚点的参数，并记录对应的机动车尺寸，包括：
S31、基于更新后的航迹，计算航迹/>中历史关联凝聚点的平均长度meanL、平均宽度meanW，具体包括：
S311、分别计算航迹中各关联凝聚点的长度、宽度，对于关联凝聚点/>，其长度/>、宽度/>分别采用下式计算：
；
；
其中，分别为构成关联凝聚点/>的雷达点中横、纵坐标的最大值，/>分别为构成关联凝聚点/>的雷达点中横、纵坐标的最小值；
S312、基于航迹中各关联凝聚点的长度、宽度，采用下式计算航迹中历史关联凝聚点的平均长度meanL、平均宽度meanW：
meanL=/M；
meanW=/M；
S32、记录航迹对应的机动车尺寸vehicleS={l，w，h}，l、w、h分别表示机动车的长度、宽度、高度。
8.根据权利要求7所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S4中基于历史关联凝聚点的参数和对应的机动车尺寸构建训练数据集，并利用训练数据集进行机动车尺寸预测模型的训练，包括：
S41、重复S1~S3，分别采集vehicleN辆机动车的雷达点云数据，计算航迹中历史关联凝聚点的平均长度、平均宽度，并记录对应的机动车尺寸，从而构建训练数据集tSet={MeanL,MeanW,VehicleS}；
其中，MeanL={,/>,…,/>}，MeanW={/>,/>,…,/>}，VehicleS={/>，/>,…,/>}；
S42、将训练数据集tSet输入机动车尺寸预测模型中用于拟合模型，并采用最小二乘法求解机动车尺寸预测模型的系数，以使残差平方和RSS最小，训练得到训练好的机动车尺寸预测模型。
9.根据权利要求8所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：所述机动车尺寸预测模型为多元线性回归模型：
preL=*meanL+/>；
preW=*meanW+/>；
preH=*meanL+/>*meanW+/>；
其中，preL、preW、preH分别为基于机动车尺寸预测模型预测得到的机动车尺寸的长度、宽度、高度，、/>分别为预测机动车尺寸的长度、宽度的权重系数，/>和/>为预测机动车尺寸的高度的权重系数，/>、/>、/>分别为预测机动车尺寸长度、宽度、高度的截距。
10.根据权利要求8所述的基于毫米波雷达的机动车尺寸估计方法，其特征在于：S5中利用训练好的机动车尺寸预测模型实施机动车尺寸实时估计，包括：
S51、毫米波雷达实时接收雷达点云数据，每接收到一帧雷达点云数据，便计算航迹中历史关联凝聚点的平均长度、平均宽度；
S52、将计算得到的航迹中历史关联凝聚点的平均长度、平均宽度输入训练好的机动车尺寸预测模型，以对机动车尺寸进行实时估计。
CN202410125617.XA 2024-01-30 2024-01-30 一种基于毫米波雷达的机动车尺寸估计方法 Active CN117647807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410125617.XA CN117647807B (zh) 2024-01-30 2024-01-30 一种基于毫米波雷达的机动车尺寸估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410125617.XA CN117647807B (zh) 2024-01-30 2024-01-30 一种基于毫米波雷达的机动车尺寸估计方法

Publications (2)

Publication Number Publication Date
CN117647807A true CN117647807A (zh) 2024-03-05
CN117647807B CN117647807B (zh) 2024-04-19

Family

ID=90045605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410125617.XA Active CN117647807B (zh) 2024-01-30 2024-01-30 一种基于毫米波雷达的机动车尺寸估计方法

Country Status (1)

Country Link
CN (1) CN117647807B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180253095A1 (en) * 2017-03-02 2018-09-06 GM Global Technology Operations LLC Systems and methods for vehicle dimension prediction
US20190302252A1 (en) * 2018-03-27 2019-10-03 Infineon Technologies Ag System and method of monitoring an air flow using a millimeter-wave radar sensor
CN112731296A (zh) * 2020-11-30 2021-04-30 惠州市德赛西威智能交通技术研究院有限公司 一种汽车毫米波雷达点迹凝聚方法及系统
US20210192196A1 (en) * 2019-12-23 2021-06-24 Zoox, Inc. Pedestrian object detection training
CN113866742A (zh) * 2021-12-03 2021-12-31 南京楚航科技有限公司 一种4d毫米波雷达点云处理和目标分类的方法
CN114137509A (zh) * 2021-11-30 2022-03-04 南京慧尔视智能科技有限公司 一种基于毫米波雷达点云聚类方法及装置
CN114879192A (zh) * 2022-05-17 2022-08-09 安徽隼波科技有限公司 基于路侧毫米波雷达的决策树车型分类方法、电子设备
CN115327485A (zh) * 2022-08-11 2022-11-11 合肥保航汽车科技有限公司 一种车载雷达的航迹的生成方法、装置、设备及介质
CN115657005A (zh) * 2022-10-21 2023-01-31 四创电子股份有限公司 一种基于多普勒雷达多信息融合的无人机识别方法
CN116012628A (zh) * 2022-12-19 2023-04-25 连云港杰瑞电子有限公司 一种毫米波雷达点云聚类和多目标识别机器学习方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180253095A1 (en) * 2017-03-02 2018-09-06 GM Global Technology Operations LLC Systems and methods for vehicle dimension prediction
US20190302252A1 (en) * 2018-03-27 2019-10-03 Infineon Technologies Ag System and method of monitoring an air flow using a millimeter-wave radar sensor
US20210192196A1 (en) * 2019-12-23 2021-06-24 Zoox, Inc. Pedestrian object detection training
CN112731296A (zh) * 2020-11-30 2021-04-30 惠州市德赛西威智能交通技术研究院有限公司 一种汽车毫米波雷达点迹凝聚方法及系统
CN114137509A (zh) * 2021-11-30 2022-03-04 南京慧尔视智能科技有限公司 一种基于毫米波雷达点云聚类方法及装置
CN113866742A (zh) * 2021-12-03 2021-12-31 南京楚航科技有限公司 一种4d毫米波雷达点云处理和目标分类的方法
WO2023097971A1 (zh) * 2021-12-03 2023-06-08 南京楚航科技有限公司 4d毫米波雷达数据处理的方法
CN114879192A (zh) * 2022-05-17 2022-08-09 安徽隼波科技有限公司 基于路侧毫米波雷达的决策树车型分类方法、电子设备
CN115327485A (zh) * 2022-08-11 2022-11-11 合肥保航汽车科技有限公司 一种车载雷达的航迹的生成方法、装置、设备及介质
CN115657005A (zh) * 2022-10-21 2023-01-31 四创电子股份有限公司 一种基于多普勒雷达多信息融合的无人机识别方法
CN116012628A (zh) * 2022-12-19 2023-04-25 连云港杰瑞电子有限公司 一种毫米波雷达点云聚类和多目标识别机器学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MASAYUKI KISHIDA ET AL.: "79GHz-band high resolution millimeter wave radar", FUJITSU SCI.TECH, J, 31 October 2015 (2015-10-31), pages 55 - 59 *
刘熹;尹浩;吴泽民;田畅;: "无先验关联的雷达系统误差协同配准算法", 西安电子科技大学学报, no. 05, 6 June 2013 (2013-06-06) *
罗海峰;方莉娜;陈崇成;黄志文;: "基于DBN的车载激光点云路侧多目标提取", 测绘学报, no. 02, 15 February 2018 (2018-02-15), pages 234 - 246 *
韩燕;雷远宏;: "航管一次雷达精细化点迹处理设计与实现", 雷达科学与技术, no. 05, 15 October 2015 (2015-10-15), pages 463 - 466 *

Also Published As

Publication number Publication date
CN117647807B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
US11313950B2 (en) Machine learning based highway radar vehicle classification across multiple lanes and speeds
CN104200657B (zh) 一种基于视频和传感器的交通流量参数采集方法
CN108226951B (zh) 一种基于激光传感器的快速运动障碍物实时跟踪方法
CN106529493B (zh) 一种基于透视图的鲁棒性多车道线检测方法
CN103064086B (zh) 一种基于深度信息的车辆跟踪方法
CN108957453B (zh) 一种基于多目标跟踪的高精度动目标成像及识别方法
CN114612795A (zh) 基于激光雷达点云的路面场景目标识别方法
CN112379393B (zh) 一种列车碰撞预警方法及其装置
CN115620518B (zh) 基于深度学习的交叉口交通冲突判别方法
CN110599800A (zh) 一种停车场车位状态监测系统及监测方法
CN113808174A (zh) 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法
CN114137526A (zh) 基于标签的车载毫米波雷达多目标检测方法和系统
CN113848545A (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
CN108152812A (zh) 一种调整网格间距的改进agimm跟踪方法
CN113960587B (zh) 基于类别信息反馈的毫米波雷达多目标跟踪方法
CN109979194B (zh) 基于马尔可夫链的重型车辆坡道爬行行为识别方法
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN115630569A (zh) 一种应用于自动驾驶的毫米波雷达传感器建模方法
CN114609609A (zh) Fmcw激光雷达随机采样提取静止点云的速度估计方法
CN112991399B (zh) 一种基于rfs的公交车人数检测系统
CN112328651B (zh) 基于毫米波雷达数据统计特征的交通目标识别方法
CN116665188B (zh) 一种大客车图像系统数据分析方法
CN115792890B (zh) 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统
CN117647807A (zh) 一种基于毫米波雷达的机动车尺寸估计方法
CN107256382A (zh) 基于图像识别的虚拟保险杠控制方法和系统

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