-
Diese Anmeldung beansprucht die Priorität der chinesischen Patentanmeldung Nr.
202111466169.2 , eingereicht am 3. Dezember 2021 bei der chinesischen Behörde für geistiges Eigentum, deren Offenbarung hiermit durch Bezugnahme in vollem Umfang in den vorliegenden Text aufgenommen wird.
-
GEBIET
-
Die vorliegende Offenbarung betrifft das Gebiet der Punktwolkendatenverarbeitungstechnologien für 4D-Millimeterwellenradar, zum Beispiel ein Datenverarbeitungsverfahren für 4D-Millimeterwellenradar.
-
HINTERGRUND
-
Gegenwärtig sind Punktwolken des Millimeterwellenradars spärlich und umfassen nur wenige Punktmerkmale eines Ziels. Außerdem werden bei einem Klassifizierungsverfahren, das Punktmerkmale verwendet, verschiedene Richtungen eines Ziels während seiner Fahrt nicht vollständig bei der Zielklassifizierung berücksichtigt. Beides hat eine niedrige Genauigkeitsquote und eine schlechte Praktikabilität des Zielklassifizierungsverfahrens auf der Grundlage des Millimeterwellenradars zur Folge, was wiederum die Entwicklung des Millimeterwellenradars in praktischen Anwendungen vor große Herausforderungen stellt. Die auf dem Millimeterwellenradar basierende Zielklassifizierung wird im Stand der Technik hauptsächlich zur Unterscheidung von Fußgängern und Fahrzeugen angewendet. Der Zielklassifizierungsbedarf des Marktes geht allerdings weit darüber hinaus.
-
KURZDARSTELLUNG
-
Gemäß der vorliegenden Offenbarung wird ein Datenverarbeitungsverfahren für ein 4D-Millimeterwellenradar bereitgestellt.
-
Das 4D-Millimeterwellenradar stellt zusätzlich zu Informationen über eine Entfernung, einen horizontalen Winkel und eine Geschwindigkeit auch Informationen über einen Nickwinkel bereit, so dass ein Formmerkmal eines Ziels räumlich von einer zweidimensionalen Ebene zu einem dreidimensionalen Stereo erweitert wird und das Formmerkmal des Ziels deutlicher erkennbar wird. Verglichen mit dem Fall, dass die Punktwolken des Millimeterwellenradars im Stand der Technik spärlich sind und eine Vielzahl verschiedener Richtungswinkel der Ziele die Zielklassifizierungsbestimmung in praktischen Situationen beeinflussen, verbessert das 4D-Radar die Anzahl der Punkte und die Qualität der Punkte weiter und führt die Punktwolkenverarbeitung auf der Grundlage des dreidimensionalen Raums durch, um die Kursinformationen des Ziels zu extrahieren. Gemäß Informationen über Punkte, die mit dem Ziel in mehreren Frames in einem Gleitfenster verknüpft sind, führt das 4D-Radar eine Rotation an den Punkten gemäß Informationen über einen Kurswinkel durch und führt eine Verschiebung an den Punkten anhand der Positionsbeziehung zwischen virtuellen Punkten in mehreren Vollbildern durch und berechnet Merkmale der Länge, der Breite, der Höhe und der Form des Ziels, was das Problem beseitigt, dass die Merkmale von Abmessungen des Ziels nicht offensichtlich sind, und die Anwendbarkeit der Klassifizierung der Ziele verbessert, wenn die Ziele in verschiedene Richtungen fahren. Wenn darüber hinaus die Länge, die Breite, die Höhe, den Radarquerschnitt (Radar Cross Section, RCS), das Volumen und dergleichen des Ziels zusammen als die Merkmale des Ziels genommen werden, die Wahrscheinlichkeit jeder der Klassen, zu denen die Ziele in jedem Frame von Gleitfensterdaten gehören, eingestellt werden, Klassifizierungswahrscheinlichkeiten der Ziele in jedem Frame des Gleitfensters erhalten werden, indem eine gewichtete Berechnung an historischen Wahrscheinlichkeiten und Klassenwahrscheinlichkeiten in jedem Frame von Gleitfensterdaten durchgeführt wird, und die Klasse mit einer maximalen Wahrscheinlichkeit in jedem Frame der Spurdaten als ein Klassifizierungsergebnis der Ziele in einem momentanen Frame der Spurdaten genommen werden, so können Fußgänger, Zweiradfahrzeuge, Pkw und Nutzfahrzeuge besser in Echtzeit identifiziert werden, so dass die Genauigkeit und Anwendbarkeit der Zielklassifizierung weiter verbessert werden kann.
-
Die vorliegende Offenbarung stellt ein Datenverarbeitungsverfahren für ein 4D-Millimeterwellenradar bereit, das umfasst:
- Vorverarbeiten von Punkten eines durch das 4D-Millimeterwellenradar erfassten Ziels, wobei Messungen der Punkte eine Entfernung .r0, des Ziels, einen horizontalen Winkel .θ0 des Ziels, einen Nickwinkel .φ0 des Ziels und eine Radialgeschwindigkeit .ν0 des Ziels umfassen;
- Durchführen einer Kalman-Filterungsvorhersage an existierenden Spuren vor dem momentanen Frame der Spurdaten und für alle existierenden Spuren, die der Kalman-Filterungsvorhersage unterzogen wurden, Erhöhen einer Anzahl von Verlustzeiten loseCount um eins, Erhöhen eines Lebenszyklus lifeCycle um eins und Erhöhen einer Verlängerungsdauer um einen Radarzyklus T;
- Zuordnen der vorverarbeiteten Punkte zu allen existierenden Spuren, die einer Kalman-Filterungsvorhersage unterzogen wurden;
- Clustern vorverarbeiteter Punkte, die keiner von allen existierenden Spuren zugeordnet sind, die einer Kalman-Filterungsvorhersage unterzogen worden, in einer Form der Dichte-basierten räumlichen Clusterung von Anwendungen mit Rauschen (Density-Based Spatial Clustering Of Applications With Noise, DBSCAN), um ein Clusterungsergebnis zu erhalten;
- Konstruieren einer Startspur in dem momentanen Frame der Spurdaten gemäß dem Clusterungsergebnis;
- Aktualisieren von Spuren in dem momentanen Frame der Spurdaten in der Weise, dass das Aktualisieren eine Kalman-Filterungsaktualisierung umfasst, wobei die Kalman-Filterungsaktualisierung umfasst: Durchqueren von Spuren, die in dem momentanen Frame der Spurdaten existieren, Bestimmen, ob jede der Spuren einen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist; anhand eines Bestimmungsergebnisses, dass jede der Spuren einen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist, und einer Bestimmung, dass der Lebenszyklus jeder der Spuren 2 ist, Initialisieren eines Kalman-Filters für jede der Spuren; anhand eines Bestimmungsergebnisses, dass jede der Spuren einen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist, und einer Bestimmung, dass der Lebenszyklus jeder der Spuren mindestens 3 ist, Durchführen einer Kalman-Filterungsaktualisierung an jeder der Spuren; und Durchführen der folgenden Operationen an jeder Spur, die einen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist: Aktualisieren eines Radarquerschnitts als ein maximaler Radarquerschnitt von zugeordneten Punkten in dem momentanen Frame der Spurdaten, Zurücksetzen einer Anzahl der zugeordneten Punkte jeder Spur auf 0, Verringern der Anzahl der Verlustzeiten loseCount jeder Spur um eins und Zurücksetzen der Verlängerungsdauer jeder Spur auf 0, wobei der momentane Frame der Spurdaten mehrere Spuren umfasst; und
- Löschen entweder einer Spur eines nicht-realen Ziels oder einer Spur eines Ziels, das sich nicht innerhalb einer Detektionsreichweite des Millimeterwellenradars befunden hat.
-
Figurenliste
-
- 1 ist eine schematische Darstellung eines Koordinatensystems, das bei der Punktverarbeitung gemäß einer Ausführungsform der vorliegenden Offenbarung verwendet wird;
- 2 ist ein Flussdiagramm eines Datenverarbeitungsverfahrens für ein 4D-Millimeterwellenradar gemäß einer Ausführungsform der vorliegenden Offenbarung;
- 3 ist ein Flussdiagramm einer Punktclusterung gemäß einer Ausführungsform der vorliegenden Offenbarung;
- 4 ist ein schematisches Flussdiagramm der Zielklassifizierung gemäß einer Ausführungsform der vorliegenden Offenbarung;
- 5 ist eine schematische Darstellung, die ein Gleitfenster zeigt, das Mehrfach-Frames von Spurdaten eines Ziels gemäß einer Ausführungsform der vorliegenden Offenbarung speichert;
- 6 ist eine schematische Darstellung des Berechnens einer Länge, einer Breite und einer Höhe eines Ziels gemäß einer Ausführungsform der vorliegenden Offenbarung; und
- 7 ist ein schematisches Flussdiagramm der Klassifizierung von Zielen auf der Grundlage berechneter Klassenwahrscheinlichkeiten gemäß einer Ausführungsform der vorliegenden Offenbarung.
-
DETAILLIERTE BESCHREIBUNG
-
Wie in 1 bis 7 gezeigt, wird ein Verfahren zur Verarbeitung von 4D-Millimeterwellenradar-Punktwolken und zur Zielklassifizierung gemäß Ausführungsformen der vorliegenden Offenbarung bereitgestellt. In dem Verfahren wird die Punktverarbeitung auf der Grundlage eines in 1 gezeigten Koordinatensystems durchgeführt. Das Radar ist an einem Koordinatenursprung in 1 installiert und in 1 ist das Radar korrekt installiert, das heißt, eine Normallinie des Radars stimmt mit der X-Achse des Koordinatensystems überein. Das Verfahren umfasst.
-
Punkte eines Ziels, das von einem 4D-Millimeterwellenradar erfasst wurde, werden vorverarbeitet, und die Messung der Punkte umfasst eine Entfernung r
0, einen horizontalen Winkel θ
0, einen Nickwinkel φ
0 und eine Radialgeschwindigkeit ν
0 des Ziels. Das Vorverarbeiten der oben erwähnten Punkte umfasst eine Winkelkorrektur. Ein horizontaler Winkel θ', welcher der Winkelkorrektur unterzogen wird, und ein Nickwinkel φ', welcher der Winkelkorrektur unterzogen wird, sind jeweils wie folgt:
wobei α, β ein kalibrierter horizontaler Winkel bzw. ein kalibrierter Nickwinkel des Millimeterwellenradars sind.
-
Das Vorverarbeiten, das an den oben erwähnten Punkten durchgeführt wird, kann außerdem eine dynamisch-statische Trennung umfassen, und die dynamisch-statische Trennung wird wie folgt durchgeführt.
-
Eine Radialgeschwindigkeit ν0 eines Punktes wird in eine Ebene xoy zerlegt, um eine Geschwindigkeit vxoy zu erhalten, eine Geschwindigkeit eines Fahrzeugs mit dem Millimeterwellenradar wird in eine radiale Richtung des Punktes zerlegt und die zerlegte Radialgeschwindigkeit des Fahrzeugs mit dem Millimeterwellenradar wird dann auf die Ebene xoy projiziert, um eine Geschwindigkeit νxxoy zu erhalten, und die Radialgeschwindigkeit ν0 des Punktes wird in eine Z-Achsenrichtung zerlegt, um eine Geschwindigkeit νz zu erhalten. In Reaktion auf das Bestimmen, dass eine Summe der Geschwindigkeit νxoy und der Geschwindigkeit νxxoy kleiner als eine Schwelle thr1 ist und die Geschwindigkeit νz kleiner als eine Schwelle thr2 ist, wird der Punkt als ein statischer Punkt bestimmt; und in Reaktion auf das Bestimmen, dass eine der folgenden Bedingungen erfüllt ist, wird der Punkt als ein dynamischer Punkt bestimmt: die Summe der Geschwindigkeit vxoy und der Geschwindigkeit νxxoy ist mindestens so hoch wie die Schwelle thr1, und die Geschwindigkeit νz ist mindestens so hoch wie die Schwelle thr2.
-
Eine Kalman-Filterungsvorhersage wird an allen existierenden Spuren durchgeführt, um eine Vorhersagekovarianz und eine vorhergesagte Entfernung des Ziels, einen vorhergesagten horizontalen Winkel des Ziels, einen vorhergesagten Nickwinkel des Ziels und eine vorhergesagte Radialgeschwindigkeit des Ziels auszurechnen, und für jede aller existierenden Spuren, die der Kalman-Filterungsvorhersage unterzogen werden, wird eine Anzahl von Verlustzeiten loseCount um eins erhöht, ein Lebenszyklus lifeCycle wird um eins erhöht und eine Verlängerungsdauer wird um einen Radarzyklus T erhöht. Die existierenden Spuren vor dem momentanen Frame von Spurdaten beziehen sich auf alle Spuren, die in allen Spurdaten vor dem momentanen Frame der Spurdaten existierten.
-
In der vorliegenden Offenbarung wird zum Beispiel ein einheitliches Linearbewegungsmodell verwendet, um die Kalman-Filterungsvorhersage durchzuführen, und die Gleichung des einheitlichen Linearbewegungsmodells lautet wie folgt:
wobei X(k+ 1) ein Zustandsvektor eines (k+1)-ten Messpunktes des Ziels ist, der durch die Vorhersage erhalten wird, ε(k) Prozessrauschen ist, X(k) ein Zustandsvektor eines k-ten Messpunktes des Ziels ist, der durch die Vorhersage erhalten wird, und X(k) ausgedrückt werden kann als:
wobei x(k), y(k), z(k), x(k), y(k) und i(k) - in der genannten Reihenfolge - eine Position auf der X-Achse, eine Position auf der Y-Achse, eine Position auf der Z-Achse, eine Geschwindigkeit auf der X-Achse, eine Geschwindigkeit auf der Y-Achse bzw. eine Geschwindigkeit auf der Z-Achse des Ziels sind, das der Filterung und Aktualisierung zum k-ten Mal unterzogen wird, und k eine ganze Zahl größer als 0 ist.
-
F(k) ist eine Zustandsübergangsmatrix, und F(k) wird ausgedrückt als:
wobei T eine Einzelframedauer des Radars ist.
-
Beim Aktualisieren wird ein in das Kalman-Filter eingegebener Beobachtungswert Z(k) wie folgt gemessen:
wobei r(k), θ(k), φ(k) und ν(k) eine Entfernung, ein horizontaler Winkel, ein Nickwinkel bzw. eine Radialgeschwindigkeit eines k-ten Messpunktes des Ziels sind und eine Beobachtungsgleichung des Ziels lautet:
wobei δ(h) das Messrauschen ist und H(X(k)) eine Beobachtungsfunktion ist:
wobei a und b Variablen in der Funktion tan
-1 () sind.
-
Das Zuordnen vorverarbeiteter Punkte zu den existierenden Spuren, die der Kalman-Filterungsvorhersage vor dem momentanen Frame der Spurdaten unterzogen wurden, umfasst, wenn ein vorverarbeiteter Punkt ein Entfernungs-Wellengatter, ein Horizontalwinkel-Wellengatter, ein Nickwinkel-Wellengatter und ein Radialgeschwindigkeits-Wellengatter, die für eine Spur festgelegt sind, passiert, das Aufzeichnen einer Entfernung zwischen diesem vorverarbeiteten Punkt und dieser Spur und schließlich das Zuordnen des vorverarbeiteten Punktes zu einer Spur in Form der Nächster-Nachbar-Zuordnung, wobei die zugeordnete Spur dem vorverarbeiteten Punkt in allen existierenden Spuren, die der vorverarbeitete Punkt passiert, am nächsten liegt. Ein Grundsatz für das Zuordnen eines Punktes zu einer Spur ist, dass ein einzelner Punkt nur einer einzigen Spur zugeordnet werden kann, eine einzelne Spur kann jedoch mehreren Punkten zugeordnet werden.
-
Unter Bezug auf das Flussdiagramm der Punktclusterung in 3 werden in den Ausführungsformen der vorliegenden Offenbarung die vorverarbeiteten Punkte, die keiner Spur, die der Kalman-Filterungsvorhersage unterzogen wurden, zugeordnet sind, in einer Form der Dichte-basierten räumlichen Clusterung von Anwendungen mit Rauschen (Density-Based Spatial Clustering Of Applications With Noise, DBSCAN) geclustert. Der Clusterungsprozess umfasst folgende Operationen in den Schritten 1 bis 6.
-
In Schritt 1 werden Variablen Eps und Minpts eingestellt. Wenn ein euklidischer Abstand zwischen einem Punkt A und einem Punkt B gleich D ist, was D < Eps erfüllt, so wird der Punkt B als ein Punkt in einer Nachbarschaftsdomäne von Punkt A bezeichnet und, wenn eine Anzahl von Punkten in der Nachbarschaftsdomäne von Punkt A Num ist, was Num > Minpts erfüllt, so wird der Punkt A als ein Kernobjekt bezeichnet und die Punkte in der Nachbarschaftsdomäne von A sind alle durch den Punkt A direkt Dichte-erreichbar. Eine Variable ClusterID wird mit 1 initialisiert, und ein Datensatz wird als ein nicht-klassifizierter Datensatz markiert, das heißt, ein Clusterattribut clusterID von Punkten in dem Datensatz wird auf -1 initialisiert und die Punkte werden als nicht-klassifizierte Punkte markiert.
-
In Schritt 2 wird ein Punkt p aus dem Datensatz erfasst, und es wird bestimmt, ob der Punkt p nicht klassifiziert ist. Wenn der Punkt p nicht klassifiziert ist, so wird bestimmt, ob der Punkt p ein Kernobjekt ist.
-
Wenn der Punkt p kein Kernobjekt ist, so wird der Punkt p in Schritt 3 als ein Rauschpunkt markiert, das heißt, die clusterID des Punktes p wird als -2 markiert.
-
Wenn der Punkt p ein Kernobjekt ist, so wird er in Schritt 4 als ein Kernobjekt markiert, und der clusterID des Punktes p wird ein Wert zugewiesen. Die clusterID des Punktes p wird als ClusterID markiert. Der clusterID jedes der Punkte (Punkte, deren clusterlD -1 ist), der durch den Punkt p direkt Dichte-erreichbar ist und noch nicht klassifiziert ist, wird ein Wert ClusterID zugewiesen (die clusterID jedes Punktes, dessen clusterID -1 ist, so wird als ClusterID markiert) und diese Punkte werden in eine Nachbarschaftsdomänen-Warteschlange des Punktes p eingegliedert; und der clusterID jedes der Punkte (Punkte, deren clusterID -2 ist), der durch den Punkt p direkt Dichte-erreichbar ist und als ein Rauschpunkt markiert ist, wird ein Wert ClusterID zugewiesen (die clusterID jedes Punktes, dessen clusterID -2 ist, so wird als ClusterID markiert).
-
In Schritt 5 werden die Punkte in der Nachbarschaftsdomänen-Warteschlange des Punktes p durchquert und, bevor das Durchqueren beendet ist, wird ein Punkt aus der Nachbarschaftsdomänen-Warteschlange erfasst und es wird bestimmt, ob der Punkt ein Kernobjekt ist. Und wenn der Punkt ein Kernobjekt ist, so geht der Prozess zu Schritt 4 und, wenn der Punkt kein Kernobjekt ist, so geht der Prozess zu Schritt 3, bis das Durchqueren der Punkte in der Nachbarschaftsdomänen-Warteschlange des Punktes p endet. ClusterID++ bedeutet, dass die Clusterkennungsvariable ClusterID um eins erhöht wird.
-
In Schritt 6 wird bestimmt, ob es immer noch einen Punkt in dem Datensatz gibt, der noch nicht klassifiziert wurde. Wenn es immer noch einen Punkt in dem Datensatz gibt, der noch nicht klassifiziert wurde, so geht der Prozess zu Schritt 2. Wenn es keinen Punkt in dem Datensatz gibt, der noch nicht klassifiziert wurde, das heißt, wenn das Durchqueren der Punkte in dem Datensatz endet, so werden die Punkte in dem Datensatz gemäß ihrer jeweiligen clusterID getrennt und das Clustern endet.
-
Das Clusterungsergebnis kann mehrere Cluster umfassen, wobei jedes Cluster einem einzelnen Ziel entspricht.
-
Gemäß dem Clusterungsergebnis wird eine Startspur erstellt. Zum Beispiel werden das Clusterungsergebnis und ein Array, das Spurdaten speichert, durchquert. Wenn eine bestimmte Position in dem Array, das die Spurdaten speichert, leer ist, so wird eine neue Spur (das heißt die Startspur) an dieser Position gespeichert.
-
Eine dynamisch-statische Überprüfung wird an den Punkten innerhalb jedes Clusters in dem Clusterungsergebnis durchgeführt, und ein Zustand der Startspur wird bestimmt durch: Bestimmen der Startspur als eine dynamische Spur, wenn ein Verhältnis einer Anzahl sich bewegender Punkte zu einer Gesamtzahl zugeordneter Punkte größer als eine Schwelle ist, und Bestimmen der Startspur als eine statische Spur, wenn das Verhältnis der Anzahl sich bewegender Punkte zu der Gesamtzahl zugeordneter Punkte maximal so groß ist wie die Schwelle thr3 ist.
-
Es wird ein virtueller Spurmesspunkt der Anfangsspur konstruiert. Da das Signal-Rausch-Verhältnis eines Punktes die Stärke eines Signals widerspiegeln kann, wird allgemein davon ausgegangen, dass die Genauigkeit des Punktes in verschiedenen Aspekten höher ist, wenn das Signal-Rausch-Verhältnis größer ist. Daher kann der virtuelle Spurmesspunkt durch Gewichten des Signal-Rausch-Verhältnisses konstruiert werden, und jedes einer Entfernung r, eines horizontalen Winkels θ, eines Nickwinkels φ und einer Radialgeschwindigkeit V des virtuellen Spurmesspunktes können durch die folgenden Formeln bestimmt werden:
wobei n eine Anzahl aller Punkte in einem Cluster ist, r
i eine Entfernung eines i-ten Punktes in dem Cluster ist, θ
i ein horizontaler Winkel des i-ten Punktes in dem Cluster ist, φ
i ein Nickwinkel des i-ten Punktes in dem Cluster ist, ν
i eine radiale Geschwindigkeit des i-ten Punktes in dem Cluster ist und w
i ein Gewichtswert eines Signal-Rausch-Verhältnisses jedes Punktes in dem Cluster zu einer Summe von Signal-Rausch-Verhältnissen aller Punkte in dem Cluster ist.
-
Die Startspur wird initialisiert, um eine Anfangsspur zu erhalten, die Spur-ID trackID der Anfangsspur wird initialisiert, und ein Lebenszyklus lifeCycle der Anfangsspur wird auf 1 initialisiert, eine Anzahl von Verlustzeiten loseCount der Anfangsspur wird auf 0 initialisiert, ein Filterungszustand der Anfangsspur wird auf nicht-initialisiert eingestellt, eine Anzahl von Punkten, die Spuren der Anfangsspur zugeordnet sind, wird auf 0 initialisiert, und eine Entfernung der Anfangsspur r'', ein horizontaler Winkel θ'', ein Nickwinkel φ'' und eine Radialgeschwindigkeit ν'' sind gleich der Entfernung r des virtuellen Spurmesspunktes, dem horizontalen Winkel θ des virtuellen Spurmesspunktes, dem Nickwinkel φ des virtuellen Spurmesspunktes bzw. der Radialgeschwindigkeit ν des virtuellen Spurmesspunktes.
-
Eine Aktualisierung wird an aktiven Spuren durchgeführt, was die Durchführung einer Kalman-Filterungsaktualisierung an den aktiven Spuren umfasst. Das Durchführen der Kalman-Filterungsaktualisierung an den aktiven Spuren umfasst das Durchqueren aller aktiven Spuren und das Bestimmen, ob jede der aktiven Spuren einen zugeordneten Punkt in einem momentanen Frame der Spurdaten aufweist, und, wenn eine aktive Spur keinen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist, so wird keine Operation durchgeführt; und, wenn die aktive Spur einen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist und der Lebenszyklus der aktiven Spur in dem momentanen Frame der Spurdaten 2 ist, so wird ein Kalman-Filter für die aktive Spur initialisiert. Wenn die aktive Spur einen zugeordneten Punkt in dem momentanen Frame der Spurdaten aufweist und der Lebenszyklus der aktiven Spur in dem momentanen Frame der Spurdaten als mindestens 3 bestimmt wird (das heißt, die Spur wird in mehr als zwei Frames der Spurdaten dargestellt), so wird eine Kalman-Filterungsaktualisierung für die aktive Spur durchgeführt, wodurch ein Filterungszustand und eine Filterungskovarianz der aktiven Spur aktualisiert werden. Die folgenden Operationen werden an allen aktiven Spuren mit einem zugeordneten Punkt in dem momentanen Frame der Spurdaten durchgeführt: Aktualisieren eines Radarquerschnitts (RCS) einer jeweiligen Spur als einen Maximalwert der Radarquerschnitte der zugeordneten Punkte in dem momentanen Frame der Spurdaten, Zurücksetzen einer Anzahl zugeordneter Punkte der jeweiligen Spur auf 0, Verringern einer Anzahl von Verlustzeiten loseCount der jeweiligen Spur um eins und Zurücksetzen einer Verlängerungsdauer der jeweiligen Spur auf 0. Die aktiven Spuren sind alle Spuren, die in dem momentanen Frame der Spurdaten existieren. Zu den in dem momentanen Frame der Spurdaten existierenden Spuren können die in dem momentanen Frame konstruierte Startspur sowie Spuren gehören, die vor dem momentanen Frame der Spurdaten begonnen wurden und in dem momentanen Frame der Spurdaten immer noch existieren. Eine Spur, die vor dem momentanen Frame der Spurdaten existiert, in dem momentanen Frame der Spurdaten jedoch nicht mehr existiert, muss nicht aktualisiert werden.
-
Das Spurmanagement wird durchgeführt, um eine Spur eines nicht-realen Ziels sowie eine Spur eines Ziels, das sich nicht innerhalb einer Detektionsentfernung des Millimeterwellenradars befunden hat und nicht stabil verfolgt werden kann, zu löschen. Zum Beispiel werden alle Spuren durchquert, um eine Anzahl ihrer Verlustzeiten und ihre Verlängerungsdauer zu ermitteln. In einer Spurinitialisierungsphase befindet sich eine Spur eines nicht-realen Ziels allgemein in etwa ersten L Frames der Spurdaten, oder eine Anzahl von Verlustzeiten einer Spur ist mindestens m, so dass die Spur gelöscht werden muss. Eine Spur eines Ziels, das sich nicht innerhalb der Detektionsentfernung des Millimeterwellenradars befindet, bezieht sich auf eine Spur, deren Verlängerungsdauer größer ist als eine Radarzykluszeit von s Frames. Gemäß einer solchen Spur kann ein Ziel nicht stabil verfolgt werden, und eine solche Spur muss gelöscht werden. Im Allgemeinen kann ein Wert von L aus einem Bereich von 4 bis 8 genommen werden, ein Wert von m kann aus einem Bereich von 2 bis 4 genommen werden, und ein Wert von s kann aus einem Bereich von 5 bis 8 genommen werden.
-
Die Spuraktualisierung der Ausführungsformen der vorliegenden Offenbarung umfasst des Weiteren eine Zielklassifizierung (es kann auf 4 Bezug genommen werden), und die Ziele können in der folgenden Weise klassifiziert werden.
-
Mehrere Frames von Spurdaten eines Ziels werden in einem Gleitfenster gespeichert. Jeder Frame von Spurdaten umfasst einen Kurswinkel α des Ziels in einer Ebene xoy, eine Position eines virtuellen Spurmesspunktes der Spur und alle zugeordneten Punkte der Spur. Ein Maximalwert Max_Xjedes der projektiven Punkte aller zugeordneten Punkte in jedem Frame der Spurdaten auf der X-Achse in der xoy-Ebene, ein Maximalwert Max_Yjedes der projektiven Punkte aller zugeordneten Punkte in jedem Frame der Spurdaten auf der Y-Achse in der xoy-Ebene, nachdem die projektiven Punkte im Uhrzeigersinn um den Kurswinkel α gedreht wurden, indem die Position eines virtuellen Spurmesspunktes der Spur als ein Ursprung genommen wird, ein Minimalwert Mn_Xjedes der projektiven Punkte aller zugeordneten Punkte in jedem Frame der Spurdaten auf der X-Achse in der xoy-Ebene, ein Minimalwert Min_Y jedes der projektiven Punkte aller zugeordneten Punkte in jedem Frame der Spurdaten auf der Y-Achse in der xoy-Ebene, nachdem die projektiven Punkte im Uhrzeigersinn um den Kurswinkel α gedreht wurden, indem die Position eines virtuellen Spurmesspunktes der Spur als ein Ursprung genommen wird, und ein Maximalwert Max_Z und ein Minimalwert Min_Z aller zugeordneten Punkte in jedem Frame der Spurdaten auf der Z-Achse werden jeweils berechnet. Zum Beispiel ist 5 eine schematische Darstellung des Speicherns mehrerer Frame von Spurdaten in einem Gleitfenster gemäß Ausführungsformen der vorliegenden Offenbarung. Unter Bezug auf 5 sind kleine schwarze Punkte darin Punkte, die durch Projizieren der zugeordneten Punkte der Spur auf die Ebene xoy erhalten werden, und ein kleiner grauer Punkt darin ist ein Punkt, der durch Projizieren des virtuellen Spurmesspunktes auf die Ebene xoy erhalten wird, α ist der Kurswinkel, der gemäß einer Geschwindigkeit der Spur in der Ebene xoy berechnet wird, und alle kleinen schwarzen Punkte werden im Uhrzeigersinn um den Winkel α gedreht, indem der kleine graue Punkt als der Ursprung genommen wird, und nach der Drehung werden jeweils die Maximalwerte Max_X, Max_Y, die Minimalwerte Min_X, und Min_Y dieser Punkte auf der X-Achse bzw. der Y-Achse berechnet. Der Maximalwert Max_Z und der Minimalwert Min_Z aller zugeordneten Punkte in jedem Frame der Spurdaten auf der Z-Achse werden berechnet, und das Max_Z und das Min_Z werden direkt gemäß einer maximalen Höhe und einer minimalen Höhe der zugeordneten Punkte erhalten.
-
6 ist eine schematische Darstellung des Berechnens einer Länge, einer Breite und einer Höhe eines Ziels gemäß einer Ausführungsform der vorliegenden Offenbarung. Unter Bezug auf 6 sind kleine schwarze Punkte in der Figur Punkte, die durch Projizieren von Spurmesspunkten in einem ersten Frame von Spurdaten auf die xoy-Ebene erhalten werden, und kleine weiße Punkte sind Punkte, die durch Projizieren von Spurmesspunkten in Spurdaten eines bestimmten nicht-ersten Frames auf die xoy-Ebene erhalten werden, und kleine graue Punkte sind Punkte, die durch Projizieren des virtuellen Spurmesspunktes in jedem Frame von Spurdaten auf die xoy-Ebene erhalten werden. Die Max_X, Max_Y, Min_X, Min_Y, die für alle zugeordneten Punkte der Spuren in den mehreren Frames von Spurdaten berechneten wurden, werden jeweils nach dem Prinzip verschoben, dass die Koordinate des virtuellen Spurmesspunktes in jedem Frame von Spurdaten mit der Koordinate des Spurmesspunktes im ersten Frame der Spurdaten übereinstimmt, um die Maximalwerte Max_X1 und Max_Y1 auf der X-Achse bzw. der Y-Achse der projektiven Punkte aller zugeordneten Punkte in jedem Frame der Spurdaten auf der Ebene xoy zu bestimmen, nachdem die projektiven Punkte verschoben wurden, und die Minimalwerte Min_X1 und Min_Y1 auf der X-Achse bzw. der Y-Achse der projektiven Punkte aller zugeordneten Punkte in jedem Frame der Spurdaten auf der Ebene xoy zu bestimmen, nachdem die projektiven Punkte verschoben wurden. Die Max_Z, Min_Z aller zugeordneten Punkte der Spuren in den mehreren Frames von Spurdaten werden jeweils nach dem Prinzip verschoben, dass die Koordinate auf der Z-Achse des virtuellen Spurmesspunktes in jedem Frame von Spurdaten mit der Koordinate auf der Z-Achse des Spurmesspunktes im ersten Frame der Spurdaten übereinstimmt, um den Maximalwert Max_Z1 und den Minimalwert Min_Z1 auf der Z-Achse aller zugeordneten Punkte in jedem Frame der Spurdaten zu bestimmen, nachdem die Punkte verschoben wurden. Die Länge, die Breite, die Höhe und das Volumen des Ziels werden jeweils nach den folgenden Formeln berechnet.
-
Die Länge des Ziels, length = Max_X1 - Min_X1,
die Breite des Ziels, width= Max_Y1 - Min_Y1,
die Höhe des Ziels, height = Max_Z1 - Min_Z1, und
das Volumen des Ziels, ν = length * width * height.
-
7 ist ein schematisches Flussdiagramm der Klassifizierung von Zielen auf der Grundlage berechneter Klassenwahrscheinlichkeiten gemäß einer Ausführungsform der vorliegenden Offenbarung. Unter Bezug auf 7 wird ein Erfahrungswert jeder Zielklasse durch Analysieren einer großen Menge von offline erfassten Daten erhalten, und eine Schwelle der Länge, eine Schwelle des Radarquerschnitts und eine Schwelle des Volumens jeder Klasse in den mehreren Klassen, zu denen die Ziele gehören, werden gemäß den Entfernungen und den horizontalen Winkeln der Ziele eingestellt.
-
Die Länge length und die Geschwindigkeit ϑ
object_xoy (k), der Radarquerschnitt und das Volumen V des Ziels werden als Merkmale des Ziels verwendet, und die Klassenwahrscheinlichkeiten eines bestimmten Ziels in jedem Frame von Spurdaten werden auf der Grundlage der Merkmale des Ziels berechnet. Eine gewichtete Berechnung wird an historischen Wahrscheinlichkeiten der Ziele und den Klassenwahrscheinlichkeiten der Ziele in jedem Frame von Spurdaten durchgeführt, um die Klassifizierungswahrscheinlichkeiten der Ziele in dem momentanen Frame der Spurdaten zu erhalten, wobei eine Klasse mit der größten Klassifizierungswahrscheinlichkeit der Ziele in dem momentanen Frame der Spurdaten als ein Klassifizierungsergebnis des Ziels in dem momentanen Frame der Spurdaten verwendet wird, wobei die Geschwindigkeit des Ziels durch die folgende Formel berechnet wird:
wobei ẋ(k) und ẏ(k) die Geschwindigkeiten auf der x-Achse bzw. der y-Achse des Ziels sind, nachdem das Ziel der k-ten Kalman-Filterungsaktualisierung unterzogen wurde, und k eine ganze Zahl größer als ein Null ist. Zu den oben beschriebenen mehreren Klassen gehören Fußgänger, Zweiradfahrzeuge, Pkw, Nutzfahrzeuge (Lastwagen, Busse, Reisebusse) und dergleichen.
-
7 zeigt einen Einzelframe-Wahrscheinlichkeitserfahrungswert der Ziele in dem momentanen Frame der Spurdaten, die durch Datenstatistiken für verschiedene Szenarien erhalten wurden, zum Beispiel die Wahrscheinlichkeit, dass das Ziel ein Nutzfahrzeug ist, und die Wahrscheinlichkeit, dass das Ziel ein Pkw ist, in verschiedenen Fällen, wenn die Länge des Ziels mit der Längenschwelle eines Pkw verglichen wird; und die Wahrscheinlichkeit, dass das Ziel ein Pkw ist, die Wahrscheinlichkeit, dass das Ziel ein Zweiradfahrzeug ist, und die Wahrscheinlichkeit, dass das Ziel ein Fußgänger ist, in verschiedenen Fällen, wenn die Ziellänge mit der Längenschwelle eines Zweiradfahrzeugs verglichen wird. Die in 7 gezeigten Wahrscheinlichkeitswerte sind feste Werte, die im Voraus aufgrund von Erfahrungswerten eingestellt werden.
-
Gemäß der vorliegenden Offenbarung wird eine elektronische Vorrichtung bereitgestellt, die umfasst:
- einen oder mehrere Prozessoren; und
- einen Speicher, der zum Speichern eines oder mehrerer Programme ausgebildet ist.
-
Das eine oder die mehreren Programme, wenn sie von dem einen oder den mehreren Prozessoren ausgeführt werden, veranlassen den einen oder die mehreren Prozessoren, das Datenverarbeitungsverfahren für ein 4D-Millimeterwellenradar, wie oben erwähnt, zu implementieren.
-
Gemäß der vorliegenden Offenbarung wird ein computerlesbares Speichermedium bereitgestellt, das ein Computerprogramm speichert, wobei das Computerprogramm, wenn es von einem Prozessor ausgeführt wird, das Datenverarbeitungsverfahren für ein 4D-Millimeterwellenradar, wie oben erwähnt, implementiert. Das computerlesbare Speichermedium kann ein nicht-transitorisches computerlesbares Speichermedium sein.
-
Das Verfahren gemäß den Ausführungsformen der vorliegenden Offenbarung umfasst Punkteingabe, Punktvorverarbeitung, Kalman-Filterungsvorhersage, Punkt- und Spurzuordnung, Punktclusterung, Spurstart, Spuraktualisierung und Spurmanagement. In der vorliegenden Offenbarung werden Ziele auf der Grundlage von 4D-Millimeterwellen-Punktwolkendaten verfolgt, um eine Konvertierung von einer zweidimensionalen Ebene in einen dreidimensionalen Raum zu realisieren, wodurch die Eigenschaften der Punkte des Ziels deutlicher erkennbar werden. Auf der Grundlage der Verfolgung der Ziele wird der Kurswinkel α des Ziels auf der Ebene xoy gemäß einer gefilterten Geschwindigkeit für Bewegungsspuren berechnet, virtuelle Zielmesspunkte werden durch Gewichten des Signal-Rausch-Verhältnisses konstruiert, zugeordnete Punkte werden auf die Ebene xoy projiziert und um den Winkel α im Uhrzeigersinn gedreht, indem der virtuelle Punkt als der Ursprung genommen wird, und eine Abmessungsinformation des Ziels wird in der Art eines Gleitfensters mehrerer Frames gemäß der Verschiebung im Hinblick auf Positionsbeziehungen zwischen den virtuellen Punkten in den mehreren Frames von Spurdaten berechnet, wodurch das Problem beseitigt wird, dass die Merkmale des Ziels aufgrund der Spärlichkeit der Millimeterwellen-Punktwolke nicht deutlich erkennbar sind. Darüber hinaus wird die Klassifizierung von Fußgängern, Zweiradfahrzeugen, Pkw und Nutzfahrzeugen dadurch realisiert, dass die Länge, der RCS und das Volumen und dergleichen des Ziels als die Merkmale des Ziels verwendet werden, dass Klassenwahrscheinlichkeiten der Ziele in einem Einzelframe von Spurdaten bereitgestellt werden, dass die Klassifizierungswahrscheinlichkeiten der Ziele in dem momentanen Frame von Spurdaten gemäß den historischen Wahrscheinlichkeiten in Verbindung mit den Wahrscheinlichkeiten des Ziels in jedem Einzelframe von Spurdaten erhalten werden und dass eine Klasse mit der maximalen Wahrscheinlichkeit in dem momentanen Frame der Spurdaten als das endgültige Klassifizierungsergebnis der Ziele in dem momentanen Frame der Spurdaten genommen wird. Die vorliegende Offenbarung erfüllt die zukünftigen intelligenten Anforderungen an die Entwicklung eines im Fahrzeug montierten Millimeterwellenradars und hat eine wichtige praktische Bedeutung für die Erforschung der Wahrnehmungsfähigkeit beim autonomen Fahren.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-