DE102018106478A1

DE102018106478A1 - Zielverfolgung unter verwendung von regionskovarianz

Info

Publication number: DE102018106478A1
Application number: DE102018106478.0A
Authority: DE
Inventors: Igal Bilik; Ishai Eljarat; Shahar Villeval
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2017-03-23
Filing date: 2018-03-20
Publication date: 2018-09-27
Also published as: CN108627822A; US20180275265A1

Abstract

Ein Fahrzeug, System und Verfahren zum Verfolgen eines Objekts in Bezug auf das Fahrzeug. Ein Radarsystem empfängt eine erste Vielzahl von Erfassungen von einem Objekt während eines ersten Zeitrahmens und eine zweite Vielzahl von Erfassungen während eines zweiten Zeitrahmens. Eine Regionskovarianzmatrix wird für ein Cluster berechnet, das aus der ersten Vielzahl von Erfassungen gebildet ist. Eine aktualisierte Kovarianzmatrix für das Cluster wird aus der Regionskovarianzmatrix des ersten Zeitrahmens berechnet. Eine Regionskovarianzmatrix wird für jeden einer Vielzahl von Clustern berechnet, die aus der zweiten Vielzahl von Erfassungen gebildet sind. Eine Metrik wird zwischen der aktualisierten Kovarianzmatrix und jeder Regionskovarianzmatrix aus dem zweiten Zeitrahmen ermittelt. Das Objekt wird verfolgt, indem die Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik der Regionskovarianzmatrix des ersten Zeitrahmens zugeordnet wird.

Description

EINLEITUNG
Die vorliegende Offenbarung betrifft eine Verfolgungsbewegung eines Objekts unter Verwendung eines Radarsystems und insbesondere ein Verfahren zum Verfolgen einer Progression eines Clusters von Radarerfassungen, die von dem Objekt über eine Vielzahl von Zeitrahmen empfangen werden.
Fahrzeugverfolgungssysteme verwenden Radarsysteme, die während jedes einer Vielzahl von Zeitrahmen ein oder mehrere Quellensignale erzeugen und in Reaktion eine Vielzahl von Radarerfassungen während jedes der Vielzahl von Zeitrahmen empfangen. Für einen ausgewählten Zeitrahmen erzeugt jedes Objekt in der Fahrzeugumgebung, das das eine oder die mehreren Quellensignale des Zeitrahmens empfängt, eine Vielzahl von Radarechos oder -reflexionen, die hierin auch als Erfassungen bezeichnet werden. Um die Vielzahl von Erfassungen effizient zu verarbeiten, ist es nützlich, die Erfassungen eines ausgewählten Zeitrahmens in separate Cluster zu gruppieren, wobei jedes Cluster während des Zeitrahmens ein Objekt in der Fahrzeugumgebung darstellt. Wenn sich das Objekt in Bezug auf das Radarsystem bewegt, bewegen sich die dem Objekt zugeordneten Erfassungen innerhalb des Bezugsrahmens des Radarsystems. Um das Objekt effizient zu verfolgen, muss daher das Cluster, das für das Objekt während eines Zeitrahmens repräsentativ ist, während eines nachfolgenden Zeitrahmens korrekt einem das Objekt repräsentierenden Cluster zugeordnet werden. Diese Zuordnung kann kompliziert sein, wenn mehrere Objekte erfasst werden und wenn Objekte nahe beieinander liegen. Dementsprechend ist es wünschenswert, ein Verfahren zum Zuordnen eines Clusters von einem Zeitrahmen mit einem Cluster von einem nachfolgenden Zeitrahmen bereitzustellen, um ein Objekt zu verfolgen, das diesen Clustern zugeordnet ist.
KURZDARSTELLUNG
In einer exemplarischen Ausführungsform wird ein Verfahren zur Verfolgung eines Objekts offenbart. Das Verfahren beinhaltet das Berechnen einer Regionskovarianzmatrix für ein Cluster von Erfassungen, die das Objekt in einem ersten Zeitrahmen darstellen, das Berechnen einer aktualisierten Kovarianzmatrix für das Cluster aus der Regionskovarianzmatrix des ersten Zeitrahmens, das Berechnen einer Regionskovarianzmatrix für jeden von einer Vielzahl von Erfassungsclustern in einem zweiten Zeitrahmen, die eine Vielzahl von Metriken ermitteln, wobei jede Metrik zwischen der aktualisierten Kovarianzmatrix und einer Regionskovarianzmatrix aus dem zweiten Zeitrahmen ermittelt wird, und das Objekt durch Zuordnen der Regionskovarianzmatrix des zweite Zeitrahmens, der die kleinste Metrik aufweist, mit der Regionskovarianzmatrix des ersten Zeitrahmens verfolgt.
Durch Zuordnen der Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik zu der Regionskovarianzmatrix des ersten Zeitrahmens wird ein Cluster in dem ersten Zeitrahmen einem Cluster in dem zweiten Zeitrahmen zugeordnet, der der zugeordneten Regionskovarianzmatrix des zweiten Zeitrahmens entspricht. Das Berechnen der aktualisierten Kovarianzmatrix für das Cluster beinhaltet ferner das Anwenden von Lie-Algebra auf den Vektorraum der Regionskovarianzmatrix des ersten Zeitrahmens. Das Berechnen der aktualisierten Kovarianzmatrix beinhaltet das zeitliche Entwickeln der Regionskovarianzmatrix des ersten Zeitrahmens zu dem zweiten Zeitrahmen. In einer Ausführungsform wird das Cluster von für das Objekt repräsentativen Erfassungen erhalten, indem während des ersten Zeitrahmens eine Reflexion eines Quellensignals empfangen wird, das während des ersten Zeitrahmens zu dem Objekt gesendet wird. Wenn ein Weg in Bezug auf das verfolgte Objekt ermittelt wird, kann ein Fahrzeug entlang des Weges manövriert werden, um das verfolgte Objekt zu vermeiden.
In einer anderen exemplarischen Ausführungsform wird ein Fahrsystem für ein Fahrzeug offenbart. Das System beinhaltet ein Radarsystem, das eine erste Vielzahl von Erfassungen von einem Objekt während eines ersten Zeitrahmens und eine zweite Vielzahl von Erfassungen während eines zweiten Zeitrahmens empfängt, und einen Prozessor. Der Prozessor ist konfiguriert zum Berechnen einer Regionskovarianzmatrix für ein Cluster, das für das Objekt in dem ersten Zeitrahmen repräsentativ ist, wobei das Cluster aus der ersten Vielzahl von Erfassungen gebildet wird, um eine aktualisierte Kovarianzmatrix für das Cluster aus der Regionskovarianzmatrix des ersten Zeitrahmens zu berechnen; Berechnen einer Regionskovarianzmatrix für jeden einer Vielzahl von Clustern in einem zweiten Zeitrahmen, wobei die Vielzahl von Clustern aus der zweiten Vielzahl von Erfassungen gebildet wird, Ermitteln einer Vielzahl von Metriken, wobei jede Metrik zwischen der aktualisierten Kovarianzmatrix und einer Regionskovarianzmatrix von dem zweiten Zeitrahmen ermittelt wird, und Verfolgen des Objekts durch Zuordnen der Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik zu der Regionskovarianzmatrix des ersten Zeitrahmens.
Der Prozessor kann das Cluster in dem ersten Zeitrahmen einem Cluster in dem zweiten Zeitrahmen zuordnen, der der zugeordneten Regionskovarianzmatrix des zweiten Zeitrahmens entspricht, indem die Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik der Regionskovarianzmatrix des ersten Zeitrahmens zugeordnet wird. Der Prozessor kann die aktualisierte Kovarianzmatrix für das Cluster berechnen, indem er Lie-Algebra auf den Vektorraum der Regionskovarianzmatrix des ersten Zeitrahmens anwendet. In einer Ausführungsform beinhaltet das Berechnen der aktualisierten Kovarianzmatrix für das Cluster das zeitliche Entwickeln der Regionskovarianzmatrix des ersten Zeitrahmens zu dem zweiten Zeitrahmen. Der Prozessor kann die erste Vielzahl von Erfassungen erhalten, indem während des ersten Zeitrahmens eine Reflexion eines Quellensignals empfangen wird, das während des ersten Zeitrahmens zu dem Objekt gesendet wird. Die zweite Vielzahl von Erfassungen kann Erfassungen enthalten, die von dem Objekt und von mindestens einem anderen Objekt empfangen werden. In einer Ausführungsform beinhaltet das System ein autonomes Fahrsystem, das ein Fahrzeug entlang eines Weges manövriert, der in Bezug auf das verfolgte Objekt ermittelt ist.
In noch einer anderen exemplarischen Ausführungsform wird ein Fahrzeug offenbart. Das Fahrzeug beinhaltet ein Radarsystem, das eine erste Vielzahl von Erfassungen von einem Objekt während eines ersten Zeitrahmens und eine zweite Vielzahl von Erfassungen während eines zweiten Zeitrahmens empfängt, und einen Prozessor. Der Prozessor ist konfiguriert zum Berechnen einer Regionskovarianzmatrix für ein Cluster, das für das Objekt in dem ersten Zeitrahmen repräsentativ ist, wobei das Cluster aus der ersten Vielzahl von Erfassungen gebildet wird, um eine aktualisierte Kovarianzmatrix für das Cluster aus der Regionskovarianzmatrix des ersten Zeitrahmens zu berechnen; Berechnen einer Regionskovarianzmatrix für jeden einer Vielzahl von Clustern in einem zweiten Zeitrahmen, wobei die Vielzahl von Clustern aus der zweiten Vielzahl von Erfassungen gebildet wird, Ermitteln einer Vielzahl von Metriken, wobei jede Metrik zwischen der aktualisierten Kovarianzmatrix und einer Regionskovarianzmatrix von dem zweiten Zeitrahmen ermittelt wird, und Verfolgen des Objekts durch Zuordnen der Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik zu der Regionskovarianzmatrix des ersten Zeitrahmens.
Der Prozessor kann das Cluster in dem ersten Zeitrahmen einem Cluster in dem zweiten Zeitrahmen zuordnen, der der zugeordneten Regionskovarianzmatrix des zweiten Zeitrahmens entspricht, indem die Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik der Regionskovarianzmatrix des ersten Zeitrahmens zugeordnet wird. Der Prozessor kann die aktualisierte Kovarianzmatrix für das Cluster berechnen, indem er Lie-Algebra auf den Vektorraum der Regionskovarianzmatrix des ersten Zeitrahmens anwendet. In einer Ausführungsform beinhaltet das Berechnen der aktualisierten Kovarianzmatrix für das Cluster das zeitliche Entwickeln der Regionskovarianzmatrix des ersten Zeitrahmens zu dem zweiten Zeitrahmen. Der Prozessor kann das erste Cluster von Erfassungen erhalten, indem er während des ersten Zeitrahmens eine Reflexion eines Quellensignals empfängt, das während des ersten Zeitrahmens zu dem Objekt gesendet wird. Die zweite Vielzahl von Erfassungen kann Erfassungen enthalten, die von dem Objekt und von mindestens einem anderen Objekt empfangen werden. In einer Ausführungsform beinhaltet das Fahrzeug ein autonomes Fahrsystem, das das Fahrzeug entlang eines Weges manövriert, der in Bezug auf das verfolgte Objekt ermittelt ist.
Die oben genannten Eigenschaften und Vorteile sowie anderen Eigenschaften und Funktionen der vorliegenden Offenbarung gehen aus der folgenden ausführlichen Beschreibung in Verbindung mit den zugehörigen Zeichnungen ohne weiteres hervor.
Figurenliste
Andere Merkmale, Vorteile und Details erscheinen nur exemplarisch in der folgenden ausführlichen Beschreibung der Ausführungsformen, wobei sich die ausführliche Beschreibung auf die Zeichnungen bezieht, wobei gilt:

1 zeigt ein Fahrzeug, das ein autonomes Fahrsystem beinhaltet, welches das Fahrzeug in Bezug auf verschiedene Objekte oder Ziele in der Umgebung des Fahrzeuges navigiert;
2 veranschaulicht eine Verfolgungskarte, die eine Vielzahl von Erfassungen zeigt, die von einem oder mehreren Objekten während eines einzelnen Zeitrahmens empfangen werden;
3 veranschaulicht eine Karte, die mehrere Cluster enthält, die während eines einzelnen Zeitrahmens aus der Vielzahl von Erfassungen gebildet werden;
4 ist ein Diagramm, das schematisch den Verfolgungsvorgang der vorliegenden Offenbarung veranschaulicht; und
5 zeigt ein Ablaufdiagramm zum Verfolgen eines Objekts unter Verwendung der hierin offenbarten Verfahren.

AUSFÜHRLICHE BESCHREIBUNG
Die folgende Beschreibung ist lediglich exemplarischer Natur und nicht dazu gedacht, die vorliegende Erfindung in ihren An- oder Verwendungen zu beschränken. Es sollte verstanden werden, dass in den Zeichnungen entsprechende Bezugszeichen gleiche oder entsprechende Teile und Merkmale bezeichnen.
Gemäß einer exemplarischen Ausführungsform der Offenbarung zeigt 1 ein Fahrzeug 100, beispielsweise ein Automobil, das ein autonomes Fahrsystem 102 beinhaltet, dass das Fahrzeug 100 bezüglich verschiedener Objekte oder Ziele in der Umgebung des Fahrzeugs 100 navigiert. Das autonome Fahrsystem 102 umfasst ein Radarsystem 104, das zum Bereitstellen von Hochfrequenzsignalen geeignet ist, die verwendet werden können, um eine Entfernung und/oder eine relative Geschwindigkeit von verschiedenen Objekten in Bezug auf das Fahrzeug 100 zu ermitteln. In der in 1 dargestellten Ausführungsform beinhaltet das Radarsystem 104 einen Sender 106 und einen Empfänger 108. In alternativen Ausführungsformen kann das Radarsystem 104 ein MIMO (Multiple-Input Multiple-Output)-Radarsystem sein, das eine Reihe von Sendern und Empfängern umfasst. Das Radarsystem 104 steuert und betreibt den Sender 106, um eine Hochfrequenzwellenfront (ein „Quellsignal“ 120) zu erzeugen. In einer Ausführungsform beinhaltet das Quellsignal 120 eine lineare, frequenzmodulierte kontinuierliche Welle (LFM-CW), die häufig als Chirp-Signal bezeichnet wird. Alternativ kann das Quellsignal 120 ein gepulstes Signal oder eine Kombination aus gepulsten und gechirpten Signalen sein.
Das Quellsignal 120 wird von verschiedenen Objekten in der Umgebung des Fahrzeuges 100 reflektiert. Beispielhafte Objekte in 1 beinhalten, sind aber nicht beschränkt auf einen Fußgänger 122, ein externes Fahrzeug 124, einen Lampenmast 126 und einen Bordsteinrand 128. Einige dieser Objekte (z. B. Lampenmast 126 und Bordstein 128) sind in ihrer Umgebung bewegungslos, während andere Objekte (z. B. Fußgänger 122 und externes Fahrzeug 124) in Bezug auf ihre Umgebung in Bewegung sind. Die Bewegung des externen Fahrzeuges 124 wird durch den Vektor ν1 angezeigt, und die Bewegung des Fußgängers 122 wird durch den Vektor ν2 angezeigt. Jedes dieser Objekte erzeugt ein oder mehrere reflektierte Signale in Reaktion auf das Empfangen des Quellsignals 122. Der Fußgänger 122 erzeugt das reflektierte Signal 130 und das externe Fahrzeug 124 erzeugt das reflektierte Signal 132. Der Lampenmast 126 erzeugt das reflektierte Signal 134 und der Bordstein 128 erzeugt das reflektierte Signal 136. Die reflektierten Signale werden von dem Empfänger 108 des Radarsystems 104 empfangen, der im Allgemeinen eine Schaltung zum Abtasten der reflektierten Signale beinhaltet. Reflektierte Signale werden vom Radarsystem 104 an eine Steuereinheit 110 bereitgestellt, die einen Prozessor 114 beinhaltet, der die hierin offenbarten Verfahren zur Verfolgung Objekten ausführt.
In einer Ausführungsform sendet das Radarsystem 104 Quellensignale 120 und empfängt reflektierte Signale für jeden einer Vielzahl von Zeitrahmen. Für einen ausgewählten Zeitrahmen sendet der Sender 106 ein oder mehrere Quellensignale und der Empfänger 108 empfängt eine Vielzahl von reflektierten Signalen oder „Erfassungen“, die aus Reflexionen des einen oder der mehreren Quellensignale von den verschiedenen Objekten in der Umgebung des Fahrzeugs 100 resultieren. Jedes Objekt, das das eine oder die mehreren Quellensignale empfängt, kann mehrere reflektierte Signale übertragen. Daher kann die Vielzahl von Erfassungen, die an dem Empfänger 108 empfangen werden, einen Satz von Erfassungen beinhalten, die einem ersten Objekt zugeordnet sind (oder von diesem empfangen werden), einen anderen Satz von Erfassungen, die einem zweiten Objekt zugeordnet sind (oder von diesem empfangen werden), usw. Die Steuereinheit 110 beinhaltet einen Prozessor 114, der Verfahren zum Gruppieren eines Satzes von Erfassungen zu Clustern durchführt, um ein Cluster bereitzustellen, das ein Objekt in der Fahrzeugumgebung darstellt. Für jeden Zeitrahmen gruppiert der Prozessor 114 die Vielzahl von Erfassungen unter Verwendung von Gruppierungsverfahren in einen oder mehrere Cluster, sodass ein Cluster von Erfassungen einem Objekt in der Umgebung zugeordnet ist. Wenn sich das Objekt innerhalb des Bezugsrahmens des Radarsystems 104 bewegt, bewegt sich das Cluster von Erfassungen, die dem Objekt zugeordnet sind, entsprechend innerhalb des Bezugsrahmens des Radarsystems 104 von einem Zeitrahmen zum nächsten. Der Prozessor 114 führt die hierin offenbarten Verfahren durch, um ein Cluster, das ein Objekt in einem Zeitrahmen repräsentiert, mit einem Cluster, das das Objekt in einem anderen Zeitrahmen darstellt, zu assoziieren. Eine solche Zuordnung von Clustern über Zeitrahmen erlaubt es dem Prozessor, das Objekt zu verfolgen. Ein verfolgtes Objekt kann dem Kollisionsvermeidungssystem 112 bereitgestellt werden, um die Fahrsicherheit zu verbessern.
Das Kollisionsvermeidungssystem 112 kann die Lenkungs- und Beschleunigungs-/Verzögerungskomponenten zum Durchführen der erforderlichen Fahrzeugmanöver steuern, um das Objekt zu vermeiden. Durch das Verfolgen des Objektes kann das Fahrzeug 100 manövrieren, z. B. durch Beschleunigen bzw. Abbremsen oder Lenken des Fahrzeuges, um das Objekt zu umgehen. In einer weiteren Ausführungsform stellt die Steuereinheit 110 ein Signal zur Verfügung, das einen Fahrer des Fahrzeuges 100 alarmiert, sodass der Fahrer jede erforderliche Maßnahme ergreifen kann, um das Objekt zu umgehen.
2 veranschaulicht eine Verfolgungskarte 200, die eine Vielzahl von Erfassungen 210 zeigt, die von einem oder mehreren Objekten während eines einzelnen Zeitrahmens empfangen werden. Es wird gezeigt, dass die Erfassungen 210 Cluster bilden, z. B. Cluster 1 (202), Cluster 2 (204) und Cluster 3 (206). Jedes Cluster kann einem Objekt in der Umgebung zugeordnet werden. Häufig kann ein Cluster von Erfassungen eine Form annehmen, die auf ihr zugeordnetes Objekt hinweist. Zum Beispiel kann ein einem Fahrzeug zugeordneter Cluster eine L-Form annehmen, ein Cluster, das einem Bordstein zugeordnet ist, kann eine horizontale lineare Konfiguration annehmen, und ein Cluster, das einem Mast zugeordnet ist, kann eine vertikale Konfiguration annehmen.
3 veranschaulicht eine Karte 300, die mehrere Cluster enthält, die während eines einzelnen Zeitrahmens aus der Vielzahl von Erfassungen 210 gebildet werden. Der Prozessor 114 ordnet die Vielzahl von Erfassungen 210, die während des Zeitrahmens empfangen wurden, den verschiedenen veranschaulichenden Clustern 202, 204 und 206 zu. Jede Erfassung 210 wird durch ihren Merkmalsvektor dargestellt. Ein Merkmalsvektor f(x, y, z, vel) für eine Erfassung beinhaltet einen Positionsvektor und einen Geschwindigkeitsvektor der Erfassung in Bezug auf einen Ursprungs- oder Bezugsrahmen für das Radarsystem 104. Erfassungen sind oft mit einem Cluster verbunden, für den der Abstand zwischen dem Erfassungs- und dem mittleren Merkmalsvektor ein Minimum ist. Sobald die Erfassungen einem Cluster zugeordnet sind, kann ein mittlerer Merkmalsvektor µ für jedes Cluster ermittelt werden. Der mittlere Merkmalsvektor µ für ein Cluster enthält einen mittleren Positionsvektor, der ein Mittelwert der Positionsvektoren der Erfassungen in dem Cluster ist, und einen mittleren Geschwindigkeitsvektor, der ein Durchschnitt der Geschwindigkeitsvektoren der Erfassungen in dem Cluster ist.
Sobald ein Cluster identifiziert wurde und sein mittlerer Merkmalsvektor µ berechnet wurde, kann eine Regionskovarianzmatrix für das Cluster berechnet werden. Eine exemplarische Regionskovarianzmatrix wird ausgedrückt in Gl. (1): $C = \frac{1}{N_{d e t e c t}} k = 1 N_{d e t e c t} (f_{k} - μ) {(f_{k} - μ)}^{T}$
worin N_detect eine Reihe von Erfassungen im Cluster ist, f_k ist ein Merkmalsvektor für die k-te Erfassung im Cluster und µ ist der mittlere Merkmalsvektor des Clusters. Die Regionskovarianzmatrizen für den ersten Cluster 202, den zweiten Cluster 204 und den dritten Cluster 206 von 2 sind daher jeweils durch die Gleichungen (2)-(4) gegeben: $C_{1} = \frac{1}{N_{d e t e c t 1}} \sum_{k = 1}^{N_{d e t e c t 1}} (f_{k}^{(1)} - μ_{1}) {(f_{k}^{(1)} - μ_{1})}^{T}$
$C_{2} = \frac{1}{N_{d e t e c t 2}} \sum_{k = 1}^{N_{d e t e c t 2}} (f_{k}^{(2)} - μ_{2}) {(f_{k}^{(2)} - μ_{2})}^{T}$
$C_{3} = \frac{1}{N_{d e t e c t 3}} \sum_{k = 1}^{N_{d e t e c t 3}} (f_{k}^{(3)} - μ_{3}) {(f_{k}^{(3)} - μ_{3})}^{T}$
Diese Regionskovarianzmatrizen, die für Objekte während eines bestimmten Zeitrahmens repräsentativ sind, können mit Regionskovarianzmatrizen von Clustern in anderen Zeitrahmen verglichen werden, um die Bewegung der Objekte zu verfolgen.
Um ein bestimmtes Objekt über Zeitrahmen hinweg zu verfolgen, wird die Regionskovarianzmatrix für ein Cluster, das das bestimmte Objekt in einem ersten Zeitrahmen repräsentiert, „aktualisiert“, um eine aktualisierte Regionskovarianzmatrix zu erhalten, die das Objekt während eines zweiten oder nachfolgenden Zeitrahmens darstellt. Es können verschiedene Verfahren verwendet werden, um die Regionskovarianzmatrix von einem Zeitrahmen zu einem anderen Zeitrahmen zu aktualisieren. In einer Ausführungsform stellt das Anwenden einer Lie-Algebra über den Vektorraum der Regionskovarianzmatrix des ersten Zeitrahmens die aktualisierte Regionskovarianzmatrix für den zweiten Zeitrahmen bereit. Sobald die aktualisierte Regionskovarianzmatrix erhalten wird, kann sie mit Regionskovarianzmatrizen für den zweiten Zeitrahmen verglichen werden, um eine engste Übereinstimmung zu ermitteln. Dieses Verfahren wird unter Bezugnahme auf 4 erörtert.
4 ist ein Diagramm 400, das schematisch den Verfolgungsvorgang der vorliegenden Offenbarung veranschaulicht. Eine Regionskovarianzmatrix C_1,k wird für ein erstes Cluster während eines ersten Zeitrahmens (Zeitrahmenk) berechnet. Die Regionskovarianzmatrix wird dann aktualisiert C_1,k → C₁, _up, wobei C_1,up ein Ergebnis der Änderung ist, die in dem ersten Cluster zwischen dem ersten Zeitrahmen und einem zweiten Rahmen auftritt. Für den zweiten Zeitrahmen (Zeitrahmen k+1) werden Cluster aus der Vielzahl von Erfassungen gebildet, die während des zweiten Zeitrahmens erhalten werden, und entsprechende Regionskovarianzmatrizen werden für diese Cluster ermittelt. Die Regionskovarianzmatrizen für die Cluster des zweiten Zeitrahmens sind dargestellt durch C_1,k+1, C_2,k+1, C_3,k+1. Für jedes Cluster des zweiten Zeitrahmens wird ein Abstand oder eine Metrik zwischen der entsprechenden Regionskovarianzmatrix und der aktualisierten Kovarianzmatrix C_1,up ermittelt. In einer Ausführungsform wird die Metrik zwischen zwei Kovarianzmatrizes berechnet unter Verwendung von Gl. (4): $ρ (C_{i}, C_{j}) = \sqrt{\sum_{k = 1}^{d} l n^{2} [λ_{k} (C_{i}, C_{j})]}$
worin (C_i,C_j) das Produkt von C_i und C_j ist und λ_k(C_i,C_j) sind die verallgemeinerten Eigenwerte dieses Produkts. Daher werden die Metriken ρ(C_1,up, C_1,k+1), ρ(C_1,up, C_2,k+1) und ρ(C_1,up, C_3,k+1) für ihre jeweiligen Regionskovarianzmatrizen des zweiten Zeitrahmens berechnet (d. h. C_1,k+1 C₂, _k+1. C_3,k+1). Die Regionskovarianzmatrix des zweiten Zeitrahmens, der die kleinste Metrik (min|ρ(C_i,C_j)|) bereitstellt, wird ermittelt, um dem Cluster des zweiten Zeitrahmens zugeordnet zu sein, der vom ersten Zeitrahmen am besten mit dem Cluster übereinstimmt. Somit kann das Cluster des ersten Zeitrahmens einem Cluster des zweiten Zeitrahmens zugeordnet werden, wodurch das Verfolgen des Objekts ermöglicht wird.
4 zeigt den Vergleich eines einzelnen Clusters in einem ersten Zeitrahmen mit drei Clustern in einem zweiten Zeitrahmen. Dies ist jedoch nur zur Veranschaulichung gedacht. Eine Vielzahl von Clustern in dem ersten Zeitrahmen kann mit einer Vielzahl von Clustern in dem zweiten Zeitrahmen verglichen werden, um Assoziationen zwischen Clustern über Zeitrahmen hinweg bereitzustellen, die das Verfolgen für eine Vielzahl von Objekten ermöglichen.
5 zeigt ein Ablaufdiagramm 500 zum Verfolgen eines Objekts unter Verwendung der hierin offenbarten Verfahren. In Kasten 502 wird eine Regionskovarianzmatrix für ein Cluster in einem ersten Zeitrahmen gebildet, wobei das Cluster in dem ersten Zeitrahmen aus Erfassungen ermittelt wird, die während des ersten Zeitrahmens von dem Objekt empfangen werden. In Kasten 504 wird ein Aktualisierungsverfahren an der Regionskovarianzmatrix durchgeführt, um eine aktualisierte Kovarianzmatrix zu erhalten, die das Cluster in einem zweiten Zeitrahmen darstellt. In Kasten 506 wird eine Regionskovarianzmatrix für jeden einer Vielzahl von Clustern in dem zweiten Zeitrahmen gebildet, wobei jedes Cluster in dem zweiten Zeitrahmen aus Erfassungen ermittelt wird, die während des zweiten Zeitrahmens empfangen werden. In Kasten 508 wird eine Metrik zwischen der aktualisierten Kovarianzmatrix und einer oder mehreren der Regionskovarianzmatrizen des zweiten Zeitrahmens berechnet. In Kasten 510 ist das Cluster, das der Regionskovarianzmatrix mit der kleinsten Metrik in Bezug auf die aktualisierte Regionskovarianzmatrix zugeordnet ist, dem Cluster in dem ersten Zeitrahmen zugeordnet. Die zugordneten Cluster repräsentieren daher dasselbe Objekt in zwei verschiedenen Zeitrahmen, d. h. dem ersten Zeitrahmen und dem zweiten Zeitrahmen. Die Bewegung eines Objekts kann verfolgt werden, indem dieses Verfahren über eine Vielzahl von Zeitrahmen fortgesetzt wird.
Während die obige Offenbarung mit Bezug auf exemplarische Ausführungsformen beschrieben wurde, werden Fachleute verstehen, dass unterschiedliche Änderungen vorgenommen und die einzelnen Teile durch entsprechende andere Teile ausgetauscht werden können, ohne vom Umfang der Offenbarung abzuweichen. Darüber hinaus können viele Modifikationen vorgenommen werden, um eine bestimmte Materialsituation an die Lehren der Offenbarung anzupassen, ohne von deren wesentlichem Umfang abzuweichen. Daher ist vorgesehen, dass die Erfindung nicht auf die offenbarten speziellen Ausführungsformen eingeschränkt sein soll, sondern dass sie auch alle Ausführungsformen beinhaltet, die innerhalb des Umfangs der Anmeldung fallen.

Claims

Verfahren zum Verfolgen eines Objekts, umfassend: das Berechnen einer Regionskovarianzmatrix für ein Cluster von Erfassungen, die das Objekt in einem ersten Zeitrahmen darstellen; das Berechnen der aktualisierten Kovarianzmatrix für das Cluster der Regionskovarianzmatrix von dem ersten Zeitrahmen; das Berechnen einer Regionskovarianzmatrix für jeden einer Vielzahl von Clustern von Erfassungen in einem zweiten Zeitrahmen; das Ermitteln einer Vielzahl von Metriken, wobei jede Metrik zwischen der aktualisierten Kovarianzmatrix und einer Regionskovarianzmatrix aus dem zweiten Zeitrahmen ermittelt wird; und das Verfolgen des Objekts durch Zuordnen der Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik zu der Regionskovarianzmatrix des ersten Zeitrahmens.
Verfahren nach Anspruch 1, wobei das Zuordnen der Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik zu der Regionskovarianzmatrix des ersten Zeitrahmens ein Cluster in dem ersten Zeitrahmen einem Cluster in dem zweiten Zeitrahmen zuordnet, der der zugeordneten Regionskovarianzmatrix des zweiten Zeitrahmens entspricht.
Verfahren nach Anspruch 1, worin das Berechnen der aktualisierten Kovarianzmatrix für das Cluster ferner das Anwenden von Lie-Algebra auf den Vektorraum der Regionskovarianzmatrix des ersten Zeitrahmens umfasst.
Verfahren nach Anspruch 1, worin das Berechnen der aktualisierten Kovarianzmatrix ferner das zeitliche Entwickeln der Regionskovarianzmatrix des ersten Zeitrahmens zu dem zweiten Zeitrahmen umfasst.
Verfahren nach Anspruch 1, ferner umfassend das Erhalten des Clusters von Erfassungen, die für das Objekt repräsentativ sind, durch das Empfangen einer Reflexion eines Quellensignals, das während des ersten Zeitrahmens zu dem Objekt gesendet wird, während des ersten Zeitrahmens.
System zum Fahren eines Fahrzeugs, umfassend: ein Radarsystem, das eine erste Vielzahl von Erfassungen von einem Objekt während eines ersten Zeitrahmens und eine zweite Vielzahl von Erfassungen während eines zweiten Zeitrahmens empfängt; und einen Prozessor, konfiguriert zum: Berechnen einer Regionskovarianzmatrix für ein Cluster, das für das Objekt in dem ersten Zeitrahmen repräsentativ ist, wobei das Cluster aus der ersten Vielzahl von Erfassungen gebildet wird; Berechnen einer aktualisierten Kovarianzmatrix für das Cluster aus der Regionskovarianzmatrix des ersten Zeitrahmens; Berechnen einer Regionskovarianzmatrix für jeden einer Vielzahl von Clustern in einem zweiten Zeitrahmen, wobei die Vielzahl von Clustern aus der zweiten Vielzahl von Erfassungen gebildet ist; Ermitteln einer Vielzahl von Metriken, wobei jede Metrik zwischen der aktualisierten Kovarianzmatrix und einer Regionskovarianzmatrix aus dem zweiten Zeitrahmen ermittelt wird; und Verfolgen des Objekts durch Zuordnen der Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik zu der Regionskovarianzmatrix des ersten Zeitrahmens.
System nach Anspruch 6, worin der Prozessor das Cluster in dem ersten Zeitrahmen einem Cluster in dem zweiten Zeitrahmen zuordnet, der der zugeordneten Regionskovarianzmatrix des zweiten Zeitrahmens entspricht, indem die Regionskovarianzmatrix von dem zweiten Zeitrahmen mit der kleinsten Metrik der Regionskovarianzmatrix des ersten Zeitrahmens zugeordnet wird.
System nach Anspruch 6, worin das Berechnen der aktualisierten Kovarianzmatrix für das Cluster ferner das zeitliche Entwickeln der Regionskovarianzmatrix des ersten Zeitrahmens zu dem zweiten Zeitrahmen umfasst.
System nach Anspruch 6, worin der Prozessor die erste Vielzahl von Erfassungen erhält, indem während des ersten Zeitrahmens eine Reflexion eines Quellensignals empfangen wird, das während des ersten Zeitrahmens zu dem Objekt gesendet wird.
System nach Anspruch 6, worin die zweite Vielzahl von Erfassungen Erfassungen beinhaltet, die von dem Objekt und von mindestens einem anderen Objekt empfangen werden.