JP6873009B2 - Radar device and target detection method - Google Patents
Radar device and target detection method Download PDFInfo
- Publication number
- JP6873009B2 JP6873009B2 JP2017161428A JP2017161428A JP6873009B2 JP 6873009 B2 JP6873009 B2 JP 6873009B2 JP 2017161428 A JP2017161428 A JP 2017161428A JP 2017161428 A JP2017161428 A JP 2017161428A JP 6873009 B2 JP6873009 B2 JP 6873009B2
- Authority
- JP
- Japan
- Prior art keywords
- particle data
- unit
- data
- previous
- particle
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 30
- 239000002245 particle Substances 0.000 claims description 235
- 238000000034 method Methods 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000012952 Resampling Methods 0.000 description 10
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000035559 beat frequency Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Description
本発明は、レーダ装置および物標検出方法に関する。 The present invention relates to a radar device and a target detection method.
従来、例えば車両に搭載され、かかる車両から送信される送信波が物標に当たって反射した反射波を受信し、受信信号を解析することで周期的に物標を検出するレーダ装置がある。 Conventionally, for example, there is a radar device that is mounted on a vehicle, receives a reflected wave that is reflected by a transmitted wave transmitted from the vehicle and hits a target, and periodically detects the target by analyzing the received signal.
このようなレーダ装置では、送信波と反射波とに基づき検出される反射点を解析することで、物標までの距離や速度等の要素を含む観測値(あるいは瞬時値とも呼ばれる)が生成される。そして、レーダ装置は、得られた観測値毎にフィルタ処理を施すことによって観測値毎に対応する物標データを生成する。 In such a radar device, by analyzing the reflection points detected based on the transmitted wave and the reflected wave, an observed value (also called an instantaneous value) including factors such as the distance to the target and the velocity is generated. To. Then, the radar device generates target data corresponding to each observed value by applying a filter process for each observed value obtained.
例えば、レーダ装置は、フィルタ処理において、パーティクルフィルタを用いることが知られている。パーティクルフィルタでは、所定数の粒子データが分布された状態空間モデルに最新の観測値をプロットすることで、観測値から物標データを推定する(例えば、特許文献1参照)。 For example, radar devices are known to use particle filters in filtering. In the particle filter, the target data is estimated from the observed values by plotting the latest observed values on a state space model in which a predetermined number of particle data are distributed (see, for example, Patent Document 1).
ここで、パーティクルフィルタでは、1つ前の周期で用いられた粒子データの分布状態に基づいて最新の周期で用いる粒子データの分布状態を予測する予測処理が行われる。予測処理では、例えば、1つ前の周期の物標データに含まれる速度等の運動モデルに従って1つ前の周期の粒子データを移動させることで最新の粒子データを生成する。 Here, in the particle filter, prediction processing is performed to predict the distribution state of the particle data used in the latest cycle based on the distribution state of the particle data used in the previous cycle. In the prediction process, for example, the latest particle data is generated by moving the particle data of the previous cycle according to the motion model such as the velocity included in the target data of the previous cycle.
しかしながら、従来の技術は、予測処理における予測精度を向上させる点で改善の余地があった。具体的には、予測処理では、1つ前の周期で検出された物標が最新の周期でも概ね同じように移動すると仮定して粒子データを移動させるため、例えば物標の状態が1つ前の周期と最新の周期とで大きく変化した場合には、最新の粒子データの予測誤差が比較的大きくなるおそれがあった。 However, the conventional technique has room for improvement in improving the prediction accuracy in the prediction process. Specifically, in the prediction process, the particle data is moved on the assumption that the target detected in the previous cycle moves in almost the same way in the latest cycle, so that, for example, the target state is one previous. If there is a large change between the period and the latest period, the prediction error of the latest particle data may become relatively large.
本発明は、上記に鑑みてなされたものであって、パーティクルフィルタにおける粒子データの予測精度を向上させることができるレーダ装置および物標検出方法を提供することを目的とする。 The present invention has been made in view of the above, and an object of the present invention is to provide a radar device and a target detection method capable of improving the prediction accuracy of particle data in a particle filter.
上述した課題を解決し、目的を達成するために、本発明に係るレーダ装置は、検出部と、フィルタ処理部とを備える。前記検出部は、周波数変調された送信波と物標による前記送信波の反射波とに基づいて前記物標に対応する観測値を検出する。前記フィルタ処理部は、前記検出部によって検出された前記観測値に対して所定数の粒子データを対応付けるパーティクルフィルタを施すことによって、前記観測値に対応する物標データを生成する。また、前記フィルタ処理部は、前記パーティクルフィルタにおける前回の前記粒子データから今回の前記粒子データへの予測処理において、カルマンフィルタを適用して前記今回の粒子データの予測を行う予測部を備える。前記予測部は、前記前回の粒子データに対応し、前記前回の粒子データよりも少ない個数の代表粒子データに対して前記カルマンフィルタを適用する。 In order to solve the above-mentioned problems and achieve the object, the radar device according to the present invention includes a detection unit and a filter processing unit. The detection unit detects an observed value corresponding to the target based on the frequency-modulated transmitted wave and the reflected wave of the transmitted wave by the target. The filter processing unit generates target data corresponding to the observed value by applying a particle filter that associates a predetermined number of particle data with the observed value detected by the detection unit. Further, the filter processing unit includes a prediction unit that applies a Kalman filter to predict the current particle data in the prediction processing from the previous particle data to the current particle data in the particle filter. The prediction unit corresponds to the previous particle data and applies the Kalman filter to a smaller number of representative particle data than the previous particle data.
本発明によれば、パーティクルフィルタにおける粒子データの予測精度を向上させることができる。 According to the present invention, it is possible to improve the prediction accuracy of particle data in the particle filter.
以下、添付図面を参照して、本願の開示するレーダ装置および物標検出方法の実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではない。なお、以下では、レーダ装置1がFM−CW(Frequency Modulated Continuous Wave)方式である場合を例に挙げて説明するが、レーダ装置1は、例えばFCM(Fast-Chirp Modulation)方式といった他の方式であってもよい。
Hereinafter, embodiments of the radar device and the target detection method disclosed in the present application will be described in detail with reference to the accompanying drawings. The present invention is not limited to this embodiment. In the following, the case where the
まず、図1Aおよび図1Bを用いて実施形態に係る物標検出方法の概要について説明する。図1Aおよび図1Bは、実施形態に係る物標検出方法の概要を示す図である。図1Aに示すように、レーダ装置1は、例えば車両MCのフロントグリル内等に搭載され、車両MCの進行方向に存在する物標(例えば、先行車LC等)を検出する。なお、レーダ装置1の搭載箇所は、例えばフロントガラスやリアグリル、左右の側部(例えば、左右のドアミラー)等他の箇所に搭載されてもよい。
First, the outline of the target detection method according to the embodiment will be described with reference to FIGS. 1A and 1B. 1A and 1B are diagrams showing an outline of a target detection method according to an embodiment. As shown in FIG. 1A, the
図1Aに示すように、実施形態に係るレーダ装置1は、まず、物標に対応する観測値を検出する。観測値とは、周波数変調された送信波と物標による送信波の反射波とに基づいて検出される反射点の状態ベクトルを示す値である。かかる状態ベクトルには、反射点までの距離や相対速度といった値が含まれる。なお、観測値は、瞬時値等と呼ばれることもある。
As shown in FIG. 1A, the
つづいて、図1Aに示すように、実施形態に係るレーダ装置1は、検出した観測値に対してフィルタ処理を施すことによって、観測値に対応するフィルタ値である物標データを生成する。図1Aに示すように、フィルタ処理には、例えばパーティクルフィルタが用いられる。
Subsequently, as shown in FIG. 1A, the
パーティクルフィルタとは、所定数の粒子データと観測値とを所定の状態空間にプロットするとともに、かかる状態空間における位置関係を解析することによって、物標データを推定するものである。図1Aに示すように、パーティクルフィルタでは、「予測」、「割り当て」、「重み付け」、「リサンプリング」および「データ生成」の処理が行われることで、観測値から物標データが生成される。 The particle filter estimates target data by plotting a predetermined number of particle data and observed values in a predetermined state space and analyzing the positional relationship in the state space. As shown in FIG. 1A, the particle filter generates target data from observed values by performing "prediction", "allocation", "weighting", "resampling", and "data generation" processing. ..
ここで、パーティクルフィルタの各処理について簡単に説明する。「予測」は、最新の周期で用いる粒子データの状態空間での分布状態を予測する処理である。具体的には、「予測」は、1つ前の周期である前回の粒子データにおける分布状態から最新の周期である今回の粒子データにおける分布状態を予測する予測処理である。 Here, each process of the particle filter will be briefly described. "Prediction" is a process of predicting the distribution state of particle data used in the latest cycle in the state space. Specifically, "prediction" is a prediction process for predicting the distribution state in the current particle data, which is the latest cycle, from the distribution state in the previous particle data, which is the previous cycle.
「割り当て」は、最新の周期である今回の観測値を予測した今回の粒子データへ割り当てる処理である。「割り当て」では、例えば、前回の物標データから所定の割り当て範囲に存在する観測値を今回の粒子データへ割り当てる。 "Assignment" is a process of allocating the observed value of this time, which is the latest cycle, to the predicted particle data of this time. In "assignment", for example, observation values existing in a predetermined allocation range from the previous target data are assigned to the current particle data.
「重み付け」は、割り当てられた今回の観測値に基づいて今回の粒子データそれぞれに対して重み付けする処理である。「リサンプリング」は、「重み付け」による今回の粒子データそれぞれ重みに基づいて今回の粒子データそれぞれを再配置(リサンプリング)する処理である。「データ生成」は、リサンプリングされた今回の粒子データに基づいて今回の観測値から今回の物標データを生成する処理である。なお、パーティクルフィルタの各処理の詳細については後述する。 The "weighting" is a process of weighting each of the current particle data based on the assigned current observation value. "Resampling" is a process of rearranging (resampling) each of the current particle data based on the weight of each of the current particle data by "weighting". "Data generation" is a process of generating the target data of this time from the observed value of this time based on the resampled particle data of this time. The details of each process of the particle filter will be described later.
ここで、従来の物標検出方法について説明する。従来の物標検出方法では、パーティクルフィルタにおける「予測」を、運動モデルに従って行っていた。具体的には、「予測」は、前回の物標データに含まれる位置や速度等の情報に基づいて前回の粒子データをある地点から別の地点に移動させて今回の粒子データを生成していた。つまり、1つ前の周期と最新の周期とで物標が概ね同じように移動すると仮定して今回の粒子データを予測していた。 Here, a conventional target detection method will be described. In the conventional target detection method, "prediction" in the particle filter is performed according to a motion model. Specifically, "prediction" generates the current particle data by moving the previous particle data from one point to another based on the information such as the position and velocity included in the previous target data. It was. In other words, the particle data this time was predicted on the assumption that the target moves in almost the same way between the previous cycle and the latest cycle.
しかしながら、例えば1つ前の周期と最新の周期とで物標の速度や移動方向等の状態が大きく変化した場合(例えば、急加減速や、急旋回等)、従来のように運動モデルに従って「予測」を行うと、今回の粒子データにおける予測誤差が比較的大きくなるおそれがあった。 However, for example, when the state such as the speed and the moving direction of the target changes significantly between the previous cycle and the latest cycle (for example, sudden acceleration / deceleration, sharp turn, etc.), the motion model is followed as in the conventional case. When "prediction" is performed, there is a possibility that the prediction error in the particle data this time becomes relatively large.
そこで、実施形態に係る物標検出方法では、「予測」の処理において、カルマンフィルタを適用して前回の粒子データから今回の粒子データの予測を行うこととした。カルマンフィルタは、例えば無香カルマンフィルタを用いることができるが、これに限定されず、例えば、拡張カルマンフィルタ等でもよく、非線型カルマンフィルタであればよい。以下では、実施形態に係る物標検出方法において、無香カルマンフィルタを適用した場合について説明する。 Therefore, in the target detection method according to the embodiment, in the "prediction" process, a Kalman filter is applied to predict the current particle data from the previous particle data. As the Kalman filter, for example, an unscented Kalman filter can be used, but the present invention is not limited to this, and for example, an extended Kalman filter or the like may be used, and a non-linear Kalman filter may be used. Hereinafter, a case where an unscented Kalman filter is applied in the target detection method according to the embodiment will be described.
一般的に、カルマンフィルタとは、誤差を含む最新の観測値と、誤差を含む前回の状態データとに基づいて双方の誤差が最小となる最適カルマンゲインを算出し、かかる最適カルマンゲインを用いて前回の状態データから最新の状態データを予測するものである。 In general, the Kalman filter calculates the optimum Kalman gain that minimizes both errors based on the latest observed value including the error and the previous state data including the error, and uses the optimum Kalman gain to calculate the optimum Kalman gain. The latest state data is predicted from the state data of.
つまり、実施形態に係るカルマンフィルタKFは、得られた最新の観測値および前回の粒子データ双方に誤差が含まれると仮定して、前回の粒子データを運動モデルに従って移動させた場合に、かかる誤差が最小となる最適カルマンゲインを算出する。そして、カルマンフィルタKFは、運動モデルと最適カルマンゲインを用いて、前回の粒子データPaから今回の粒子データPbを生成する。 That is, the Kalman filter KF according to the embodiment assumes that both the latest observed value obtained and the previous particle data contain an error, and when the previous particle data is moved according to the motion model, such an error occurs. Calculate the minimum optimum Kalman gain. Then, the Kalman filter KF generates the current particle data Pb from the previous particle data Pa by using the motion model and the optimum Kalman gain.
具体的には、図1Bに示すように、実施形態に係るレーダ装置1は、前回の粒子データPa1〜Pa8(前回の粒子データPaと記載する場合がある)それぞれに対してカルマンフィルタKFを適用する。
Specifically, as shown in FIG. 1B, the
例えば、カルマンフィルタKFは、前回の粒子データPa1と今回の観測値とに基づいて最適カルマンゲインを算出し、今回の粒子データPb1を予測する。つまり、カルマンフィルタKFは、前回の粒子データPa1〜Pa8毎に最適カルマンゲインを算出し、今回の粒子データPb1〜Pb8を予測する。具体的には、算出した最適カルマンゲインを用いて、前回の粒子データPa1〜Pa8から今回の粒子データPb1〜Pb8を生成することで、予測した今回の粒子データPb1〜Pb8と真値との差(すなわち、誤差)を小さくすることができる。なお、図1Bでは、8個の前回の粒子データPa1〜Pa8および今回の粒子データPb1〜Pb8を示しているが、8個に限定されず、任意の個数を設定可能である。 For example, the Kalman filter KF calculates the optimum Kalman gain based on the previous particle data Pa1 and the current observed value, and predicts the current particle data Pb1. That is, the Kalman filter KF calculates the optimum Kalman gain for each of the previous particle data Pa1 to Pa8, and predicts the current particle data Pb1 to Pb8. Specifically, the difference between the predicted current particle data Pb1 to Pb8 and the true value is generated by generating the current particle data Pb1 to Pb8 from the previous particle data Pa1 to Pa8 using the calculated optimum Kalman gain. (That is, the error) can be reduced. Note that FIG. 1B shows eight previous particle data Pa1 to Pa8 and current particle data Pb1 to Pb8, but the number is not limited to eight and any number can be set.
これにより、カルマンフィルタKFの出力結果である今回の粒子データPb1〜Pb8は、誤差が最小となる。すなわち、実施形態に係る物標検出方法によれば、パーティクルフィルタにおける粒子データPb1〜Pb8の予測精度を向上させることができる。 As a result, the error of the particle data Pb1 to Pb8 of this time, which is the output result of the Kalman filter KF, becomes the minimum. That is, according to the target detection method according to the embodiment, it is possible to improve the prediction accuracy of the particle data Pb1 to Pb8 in the particle filter.
なお、実施形態に係るレーダ装置1は、前回の粒子データPa1〜Pa8すべてにカルマンフィルタKFを適用する必要はなく、例えば、前回の粒子データPa1〜Pa8の平均に相当する1つの代表粒子データに対してカルマンフィルタKFを適用してもよい。かかる点の詳細については後述する。
The
また、実施形態に係るレーダ装置1は、今回の観測値に加えて前回の観測値をさらにカルマンフィルタKFに入力することで、予測精度をさらに向上させることができるが、かかる点の詳細についても後述する。
Further, the
次に、図2を参照して、実施形態に係るレーダ装置1の構成について詳細に説明する。図2は、実施形態に係るレーダ装置1の構成を示すブロック図である。なお、図2では、本実施形態の特徴を説明するために必要な構成要素のみを機能ブロックで表しており、一般的な構成要素についての記載を省略している。
Next, the configuration of the
換言すれば、図2に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。例えば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。 In other words, each component shown in FIG. 2 is a functional concept and does not necessarily have to be physically configured as shown in the figure. For example, the specific form of distribution / integration of each functional block is not limited to the one shown in the figure, and all or part of the functional blocks are functionally or physically distributed in arbitrary units according to various loads and usage conditions. -It is possible to integrate and configure.
図2に示すように、レーダ装置1は、送信部10と、受信部20と、処理部30とを備える。レーダ装置1は、車両MCの挙動を制御する車両制御装置2と接続される。
As shown in FIG. 2, the
かかる車両制御装置2は、レーダ装置1による物標の検出結果に基づいて、PCS(Pre-crash Safety System)やAEB(Advanced Emergency Braking System)などの車両制御を行う。
The vehicle control device 2 controls a vehicle such as a PCS (Pre-crash Safety System) or an AEB (Advanced Emergency Braking System) based on the detection result of a target by the
送信部10は、信号生成部11と、発振器12と、送信アンテナ13とを備える。信号生成部11は、後述する送受信制御部31の制御により、三角波で周波数変調されたミリ波を送信するための変調信号を生成する。発振器12は、かかる信号生成部11によって生成された変調信号に基づいて送信信号を生成し、送信アンテナ13へ出力する。なお、図2に示すように、発振器12によって生成された送信信号は、後述するミキサ22に対しても分配される。
The
送信アンテナ13は、発振器12からの送信信号を送信波へ変換し、かかる送信波を車両MCの外部へ出力する。送信アンテナ13が出力する送信波は、三角波で周波数変調された連続波である。送信アンテナ13から車両MCの外部、たとえば前方へ送信された送信波は、先行車LCなどの物標で反射されて反射波となる。
The
受信部20は、アレーアンテナを形成する複数の受信アンテナ21と、複数のミキサ22と、複数のA/D変換部23とを備える。ミキサ22およびA/D変換部23は、受信アンテナ21ごとに設けられる。
The receiving unit 20 includes a plurality of receiving
各受信アンテナ21は、物標からの反射波を受信波として受信し、かかる受信波を受信信号へ変換してミキサ22へ出力する。なお、図2に示す受信アンテナ21の数は4つであるが、3つ以下または5つ以上であってもよい。
Each receiving
受信アンテナ21から出力された受信信号は、図示略の増幅器(たとえば、ローノイズアンプ)で増幅された後にミキサ22へ入力される。ミキサ22は、分配された送信信号と、受信アンテナ21から入力される受信信号との一部をミキシングし不要な信号成分を除去してビート信号を生成し、A/D変換部23へ出力する。
The received signal output from the receiving
ビート信号は、送信波と反射波との差分波であって、送信信号の周波数(以下、「送信周波数」と記載する)と受信信号の周波数(以下、「受信周波数」と記載する)との差となるビート周波数を有する。ミキサ22で生成されたビート信号は、A/D変換部23でデジタル信号に変換された後に、処理部30へ出力される。
The beat signal is a difference wave between the transmitted wave and the reflected wave, and is the frequency of the transmitted signal (hereinafter referred to as “transmission frequency”) and the frequency of the received signal (hereinafter referred to as “reception frequency”). It has a different beat frequency. The beat signal generated by the
処理部30は、送受信制御部31と、信号処理部32と、記憶部33とを備える。信号処理部32は、検出部32aと、フィルタ処理部32bとを備える。
The
記憶部33は、履歴データ33aを記憶する。履歴データ33aは、信号処理部32が実行する一連の信号処理における物標データの履歴を含む情報である。
The
処理部30は、たとえば、CPU(Central Processing Unit)、記憶部33に対応するROM(Read Only Memory)やRAM(Random Access Memory)、レジスタ、その他の入出力ポートなどを含むマイクロコンピュータであり、レーダ装置1全体を制御する。
The
かかるマイクロコンピュータのCPUがROMに記憶されたプログラムを読み出して実行することによって、送受信制御部31および信号処理部32として機能する。なお、送受信制御部31および信号処理部32は全部をASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)などのハードウェアで構成することもできる。
When the CPU of the microcomputer reads and executes the program stored in the ROM, it functions as the transmission /
送受信制御部31は、信号生成部11を含む送信部10、および、受信部20を制御する。信号処理部32は、一連の信号処理を周期的に実行する。つづいて信号処理部32の各構成要素について説明する。
The transmission /
検出部32aは、周波数解析部321aと、ピーク抽出部322aと、観測値生成部323aとを備え、周波数変調された送信波と物標による送信波の反射波とに基づいて物標に対応する観測値を検出する。
The
周波数解析部321aは、各A/D変換部23から入力されるビート信号に対して高速フーリエ変換(FFT:Fast Fourier Transform)処理(以下、「FFT処理」と記載する)を行い、結果をピーク抽出部322aへ出力する。かかるFFT処理の結果は、ビート信号の周波数スペクトルであり、ビート信号の周波数ごと(周波数分解能に応じた周波数間隔で設定された周波数ビンごと)のパワー値(信号レベル)である。
The
ピーク抽出部322aは、周波数解析部321aによるFFT処理の結果においてピークとなるピーク周波数を抽出して、抽出結果を観測値生成部323aへ出力する。なお、ピーク抽出部322aは、後述するビート信号の「UP区間」および「DN区間」のそれぞれについてピーク周波数を抽出する。
The
観測値生成部323aは、ピーク抽出部322aにおいて抽出されたピーク周波数のそれぞれに対応する反射波の到来角度とそのパワー値を算出する角度推定処理を実行する。なお、角度推定処理の実行時点で、到来角度は、物標が存在すると推定される角度であることから、以下では「推定角度」と記載する場合がある。
The observation value generation unit 323a executes an angle estimation process for calculating the arrival angle of the reflected wave corresponding to each of the peak frequencies extracted by the
また、観測値生成部323aは、算出した推定角度とパワー値との算出結果に基づいて「UP区間」および「DN区間」それぞれのピーク周波数の正しい組み合わせを判定するペアリング処理を実行する。 Further, the observation value generation unit 323a executes a pairing process for determining the correct combination of the peak frequencies of the “UP section” and the “DN section” based on the calculation result of the calculated estimated angle and the power value.
また、観測値生成部323aは、判定した組み合わせ結果から各物標の車両MCに対する距離および相対速度を算出する。また、観測値生成部323aは、算出した各物標の推定角度、距離および相対速度を、最新周期(最新スキャン)分の観測値としてフィルタ処理部32bへ出力する。
Further, the observation value generation unit 323a calculates the distance and the relative speed of each target with respect to the vehicle MC from the determined combination result. Further, the observation value generation unit 323a outputs the calculated estimated angle, distance, and relative velocity of each target to the
説明を分かりやすくするために、信号処理部32の前段処理から信号処理部32におけるここまでの処理の流れを図3〜図4Cに示す。図3は、信号処理部32の前段処理から信号処理部32におけるピーク抽出処理までの処理説明図である。
In order to make the explanation easy to understand, the flow of processing from the pre-stage processing of the
また、図4Aは、角度推定処理の処理説明図である。また、図4Bおよび図4Cは、ペアリング処理の処理説明図(その1)および(その2)である。なお、図3は、2つの太い下向きの白色矢印で3つの領域に区切られている。以下では、かかる各領域を順に、上段、中段、下段と記載する。 Further, FIG. 4A is a processing explanatory view of the angle estimation process. Further, FIGS. 4B and 4C are processing explanatory views (No. 1) and (No. 2) of the pairing process. Note that FIG. 3 is divided into three regions by two thick downward white arrows. In the following, each of these areas will be referred to as an upper row, a middle row, and a lower row in this order.
図3の上段に示すように、送信信号fs(t)は、送信アンテナ13から送信波として送出された後、物標において反射されて反射波として到来し、受信アンテナ21において受信信号fr(t)として受信される。
As shown in the upper part of FIG. 3, the transmission signal fs (t) is transmitted from the
このとき、図3の上段に示すように、受信信号fr(t)は、車両MCと物標との距離に応じて、送信信号fs(t)に対して時間差Tだけ遅延している。この時間差Tと、車両MCおよび物標の相対速度に基づくドップラー効果とにより、ビート信号は、周波数が上昇する「UP区間」の周波数fupと、周波数が下降する「DN区間」の周波数fdnとが繰り返される信号として得られる(図3の中段参照)。 At this time, as shown in the upper part of FIG. 3, the received signal fr (t) is delayed by a time difference T with respect to the transmitted signal fs (t) according to the distance between the vehicle MC and the target. Due to this time difference T and the Doppler effect based on the relative speed of the vehicle MC and the target, the beat signal has a frequency up in the "UP section" where the frequency rises and a frequency fdn in the "DN section" where the frequency falls. Obtained as a repeating signal (see middle section of FIG. 3).
図3の下段には、かかるビート信号を周波数解析部321aにおいてFFT処理した結果を、「UP区間」側および「DN区間」側のそれぞれについて模式的に示している。
The lower part of FIG. 3 schematically shows the result of FFT processing of the beat signal in the
図3の下段に示すように、FFT処理後には、「UP区間」側および「DN区間」側のそれぞれの周波数領域における波形が得られる。ピーク抽出部322aは、かかる波形においてピークとなるピーク周波数を抽出する。
As shown in the lower part of FIG. 3, after the FFT processing, waveforms in the respective frequency regions on the “UP section” side and the “DN section” side are obtained. The
たとえば、図3の下段に示した例の場合、ピーク抽出閾値が用いられ、「UP区間」側においては、ピークPu1〜Pu3がそれぞれピークとして判定され、ピーク周波数fu1〜fu3がそれぞれ抽出される。 For example, in the case of the example shown in the lower part of FIG. 3, the peak extraction threshold value is used, and on the “UP section” side, peaks Pu1 to Pu3 are determined as peaks, and peak frequencies fu1 to fu3 are extracted, respectively.
また、「DN区間」側においては、同じくピーク抽出閾値により、ピークPd1〜Pd3がそれぞれピークとして判定され、ピーク周波数fd1〜fd3がそれぞれ抽出される。 Further, on the "DN section" side, peaks Pd1 to Pd3 are determined as peaks, respectively, and peak frequencies fd1 to fd3 are extracted, respectively, based on the peak extraction threshold value.
ここで、ピーク抽出部322aが抽出した各ピーク周波数の周波数成分には、複数の物標からの反射波が混成している場合がある。そこで、観測値生成部323aは、各ピーク周波数のそれぞれについて方位演算する角度推定処理を行い、ピーク周波数ごとに対応する物標の存在を解析する。
Here, the frequency components of each peak frequency extracted by the
なお、観測値生成部323aにおける方位演算は、たとえばESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)などの公知の到来方向推定手法を用いて行うことができる。 The directional calculation in the observation value generation unit 323a can be performed by using a known arrival direction estimation method such as ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques).
図4Aは、観測値生成部323aの方位演算結果を模式的に示すものである。観測値生成部323aは、かかる方位演算結果の各ピークPu1〜Pu3から、これらピークPu1〜Pu3にそれぞれ対応する各物標(各反射点)の推定角度を算出する。また、各ピークPu1〜Pu3の大きさがパワー値となる。観測値生成部323aは、図4Bに示すように、かかる角度推定処理を「UP区間」側および「DN区間」側のそれぞれについて行う。 FIG. 4A schematically shows the orientation calculation result of the observed value generation unit 323a. The observation value generation unit 323a calculates the estimated angle of each target (each reflection point) corresponding to each of the peaks Pu1 to Pu3 from the peaks Pu1 to Pu3 of the directional calculation result. Further, the magnitude of each peak Pu1 to Pu3 is the power value. As shown in FIG. 4B, the observation value generation unit 323a performs such an angle estimation process on each of the “UP section” side and the “DN section” side.
そして、観測値生成部323aは、方位演算結果において、推定角度およびパワー値の近い各ピークを組み合わせるペアリング処理を行う。また、その組み合わせ結果から、観測値生成部323aは、各ピークの組み合わせに対応する各物標(各反射点)の距離および相対速度を算出する。 Then, the observed value generation unit 323a performs a pairing process in which the peaks having similar estimated angles and power values are combined in the directional calculation result. Further, from the combination result, the observation value generation unit 323a calculates the distance and the relative velocity of each target (each reflection point) corresponding to the combination of each peak.
距離は、「距離∝(fup+fdn)」の関係に基づいて算出することができる。相対速度は、「速度∝(fup−fdn)」の関係に基づいて算出することができる。その結果、図4Cに示すように、車両MCに対する、各反射点RPの推定角度、距離および相対速度の瞬時値を示すペアリング処理結果が得られる。 The distance can be calculated based on the relationship of "distance ∝ (fup + fdn)". The relative velocity can be calculated based on the relationship of "velocity ∝ (fup-fdn)". As a result, as shown in FIG. 4C, a pairing processing result showing the instantaneous values of the estimated angle, distance, and relative velocity of each reflection point RP with respect to the vehicle MC is obtained.
図2に戻って、フィルタ処理部32bについて説明する。図2に示すように、フィルタ処理部32bは、予測部321bと、割り当て部322bと、重み付け部323bと、リサンプリング部324bと、データ生成部325bとを備える。
Returning to FIG. 2, the
フィルタ処理部32bは、検出部32aによって検出された観測値に対して所定数の粒子データPbを対応付けるパーティクルフィルタを施すことによって、観測値に対応する物標データを生成する。
The
予測部321bは、パーティクルフィルタにおける前回の粒子データPaから今回の粒子データPbを予測する予測処理を行う。具体的には、予測部321bは、最新の周期を時間tとし、時間tにおける各粒子データの分布状態Xtとした場合、前回の周期の時間t−1の分布状態Xt−1に基づく確率密度関数に基づいてN個の粒子データを配置(サンプリング)する。
The
この時、予測部321bは、カルマンフィルタKFの出力に基づいて誤差が最小となるように今回の粒子データの分布状態Xtを予測する。なお、予測部321bの詳細な処理内容については、図5〜図8で後述する。
At this time, the
割り当て部322bは、最新の周期における観測値を、予測部321bの予測結果である今回の粒子データPbへ割り当てる処理を行う。具体的には、割り当て部322bは、前回の物標データから今回の物標データを予測し、その予測結果に基づいて所定の割り当て範囲内に存在する観測値を割り当てる。
The
なお、割り当て部322bは、いずれの物標データの割り当て範囲内にも存在しない観測値があった場合には、かかる観測値を新規物標の候補として扱う。かかる場合には、新規物標に相当する観測値に対して初期状態の粒子データが割り当てられる。初期状態とは、例えば新規物標に対して複数の粒子データを予め定められた位置関係で配置された状態をいう。
If there is an observed value that does not exist within the allocated range of any target data, the
重み付け部323bは、割り当てられた今回の観測値に基づいて今回の粒子データPbそれぞれに重みを付ける。具体的には、重み付け部323bは、今回の粒子データPbのうち、今回の観測値に近い粒子の重みが大きくなり、今回の観測値から遠い粒子の重みを小さくする。なお、ここでいう「近い」および「遠い」は、マハラノビス距離が「近い」および「遠い」ことを指す。マハラノビス距離は、物標データの複数のパラメータを用いて表される距離であり、前回と今回の物標に関する相関性を考慮した多次元の距離である。
The
リサンプリング部324bは、今回の粒子データPbそれぞれの重みに基づいて粒子データを再配置(リサンプリング)する。具体的には、リサンプリング部324bは、重みが小さい粒子データを観測値の近くへ移動させる。 The resampling unit 324b rearranges (resampling) the particle data based on the weight of each of the particle data Pb this time. Specifically, the resampling unit 324b moves the particle data having a small weight closer to the observed value.
データ生成部325bは、リサンプリング部324bによって再配置された今回の粒子データPbに基づいて確率密度関数を再計算し、再計算された確率密度関数の重心に基づいて物標データを生成する。なお、データ生成部325bは、確率密度関数の重心に基づいて物標データを生成したが、例えば、確率密度関数の平均に基づいて物標データを生成してもよい。 The data generation unit 325b recalculates the probability density function based on the current particle data Pb rearranged by the resampling unit 324b, and generates target data based on the center of gravity of the recalculated probability density function. The data generation unit 325b generated the target data based on the center of gravity of the probability density function, but for example, the target data may be generated based on the average of the probability density function.
次に、図5〜図8を用いて、予測部321bの具体的な処理内容について説明する。図5〜図8は、予測部321bの処理内容を示す図である。図5に示すように、予測部321bは、前回の粒子データPa1〜Pa8に対応する1つの代表粒子データPAに対してカルマンフィルタKFを適用する。
Next, the specific processing contents of the
具体的には、予測部321bは、前回の粒子データPa1〜Pa8の平均に相当する代表粒子データPAを生成する。例えば、予測部321bは、前回の粒子データPa1〜Pa8の状態空間における平均値を算出することで代表粒子データPAを生成する。
Specifically, the
そして、予測部321bは、代表粒子データPAをカルマンフィルタKFに入力する。つまり、予測部321bは、前回の粒子データPa1〜Pa8すべてをカルマンフィルタKFに入力するのではなく、代表粒子データPAのみをカルマンフィルタKFに入力する。これにより、カルマンフィルタKFにおいて、代表粒子データPAに対応する最適カルマンゲインを算出すればよいため、処理負荷を低減することができる。
Then, the
さらに、予測部321bは、前回の粒子データPa1〜Pa8の平均に相当する代表粒子データPAを生成することで、カルマンフィルタKFの出力結果、つまり、今回の粒子データPbの予測精度が低下することを防止できる。
Further, the
なお、予測部321bは、単純な平均値を代表粒子データPAとして生成することに限定されず、前回の粒子データPa1〜Pa8それぞれに所定の重みを付与した加重平均を算出することで代表粒子データPAを生成してもよい。
The
あるいは、予測部321bは、前回の粒子データPa1〜Pa8の分布状態が比較的狭い範囲にある場合には、前回の粒子データPa1〜Pa8のうち、いずれか1つを代表粒子データPAとして選択してもよい。
Alternatively, when the distribution state of the previous particle data Pa1 to Pa8 is in a relatively narrow range, the
また、図5では、1つの代表粒子データPAを生成したが、1つに限定されるものではなく、前回の粒子データPa1〜Pa8よりも少ない個数であればよい。かかる場合、前回の粒子データPa1〜Pa8を所定数毎のグループに区分けして、各グループから代表粒子データPAを生成してもよい。つまり、複数の代表粒子データPAを用いることで今回の粒子データPbにおける予測精度の低下を抑えることができる。 Further, in FIG. 5, one representative particle data PA is generated, but the number is not limited to one, and the number may be smaller than that of the previous particle data Pa1 to Pa8. In such a case, the previous particle data Pa1 to Pa8 may be divided into groups for each predetermined number, and representative particle data PA may be generated from each group. That is, by using a plurality of representative particle data PAs, it is possible to suppress a decrease in prediction accuracy in the particle data Pb this time.
次に、図6および図7を用いて、カルマンフィルタKFの処理を具体的に説明する。図6に示すように、カルマンフィルタKFには、前回の粒子データPaに相当する代表粒子データPAと、今回の観測値と、前回の観測値とが入力される。また、カルマンフィルタKFは、変換部KF1と、算出部KF2と、更新部KF3とを備え、前回の代表粒子データPAから今回の代表粒子データPAa(図8参照)を予測する。 Next, the processing of the Kalman filter KF will be specifically described with reference to FIGS. 6 and 7. As shown in FIG. 6, the representative particle data PA corresponding to the previous particle data Pa, the current observation value, and the previous observation value are input to the Kalman filter KF. Further, the Kalman filter KF includes a conversion unit KF1, a calculation unit KF2, and an update unit KF3, and predicts the current representative particle data PAa (see FIG. 8) from the previous representative particle data PA.
変換部KF1は、前回の代表粒子データPAに基づくシグマポイントをアンセンテッド変換(以下、U変換と記載)する。シグマポイントとは、物標の非線形運動モデル(急加減速・急旋回の運動モデル)に応じて増減するサンプルポイントであり、観測値や粒子データの平均値の周りに設定されるポイントである。具体的には、シグマポイントは、平均値から算出される共分散行列の楕円に沿って設けられる点である。算出部KF2は、変換部KF1によって変換されたシグマポイントの平均値および共分散行列を算出し、かかる共分散行列に基づいて予測処理に対する今回の代表粒子データPAaの誤差を算出する。更新部KF3は、算出部KF2によって算出された誤差に基づいて最適カルマンゲインを算出し、前回の代表粒子データPAを更新する。具体的には、更新部KF3は、算出部KF2によって算出される誤差が最小となる重み付け値を最適カルマンゲインとして算出し、かかる最適カルマンゲインを適用して前回の代表粒子データPAから今回の代表粒子データを生成する。ここで、カルマンフィルタKFの各部の処理内容について図7を用いて説明する。 The conversion unit KF1 performs unscented conversion (hereinafter referred to as U conversion) the sigma point based on the previous representative particle data PA. The sigma point is a sample point that increases or decreases according to the non-linear motion model of the target (quick acceleration / deceleration / rapid turning motion model), and is a point set around the average value of the observed value or the particle data. Specifically, the sigma point is a point provided along the ellipse of the covariance matrix calculated from the average value. The calculation unit KF2 calculates the average value of the sigma points converted by the conversion unit KF1 and the covariance matrix, and calculates the error of the representative particle data PAa of this time with respect to the prediction process based on the covariance matrix. The update unit KF3 calculates the optimum Kalman gain based on the error calculated by the calculation unit KF2, and updates the previous representative particle data PA. Specifically, the update unit KF3 calculates the weighting value that minimizes the error calculated by the calculation unit KF2 as the optimum Kalman gain, and applies the optimum Kalman gain to represent the current representative particle data PA from the previous representative particle data PA. Generate particle data. Here, the processing contents of each part of the Kalman filter KF will be described with reference to FIG. 7.
図7は、カルマンフィルタKFの処理内容を示す図である。図7の上段には、今回の観測値OV1と、前回の観測値OV2と、代表粒子データPAとを所定の状態空間にプロットした場合を示している。変換部KF1は、まず、前回の観測値OV2と、代表粒子データPAとの平均値を示す点POを算出する。 FIG. 7 is a diagram showing the processing contents of the Kalman filter KF. The upper part of FIG. 7 shows a case where the current observed value OV1, the previous observed value OV2, and the representative particle data PA are plotted in a predetermined state space. First, the conversion unit KF1 calculates a point PO indicating the average value of the previously observed value OV2 and the representative particle data PA.
つづいて、変換部KF1は、算出した点POと、今回の観測値OV1との平均値を示す点Aを算出する。つづいて、変換部KF1は、点Aに基づいて共分散行列Cを算出する。具体的には、変換部KF1は、点POおよび今回の観測値OV1が点Aからどの程度離れているかを示す分散度合を共分散行列Cとして算出する。そして、変換部KF1は、共分散行列Cに基づいてシグマポイントsgを複数個生成する。具体的には、シグマポイントsgは、共分散行列Cに相当する楕円周辺に位置する点である。 Subsequently, the conversion unit KF1 calculates a point A indicating the average value of the calculated point PO and the observed value OV1 this time. Subsequently, the conversion unit KF1 calculates the covariance matrix C based on the point A. Specifically, the conversion unit KF1 calculates the degree of variance indicating how far the point PO and the observed value OV1 this time are from the point A as the covariance matrix C. Then, the conversion unit KF1 generates a plurality of sigma points sg based on the covariance matrix C. Specifically, the sigma point sg is a point located around an ellipse corresponding to the covariance matrix C.
つづいて、図7の中段に示すように、変換部KF1は、生成したシグマポイントsgをアンセンテッド変換(U変換)することでUTシグマポイントusgを生成する。具体的には、変換部KF1は、シグマポイントsgが1つ前の周期の状態データであると仮定し、非線形関数によって、シグマポイントsgを最新の周期の状態データに時間遷移させることで、UTシグマポイントusgを生成する。 Subsequently, as shown in the middle part of FIG. 7, the conversion unit KF1 generates the UT sigma point usg by unscented conversion (U conversion) of the generated sigma point sg. Specifically, the conversion unit KF1 assumes that the sigma point sg is the state data of the previous period, and causes the sigma point sg to time-shift to the state data of the latest period by a nonlinear function, thereby UT. Generate sigma point usg.
非線形関数は、例えば、前回の粒子データPaから今回の粒子データPbを予測する運動モデルに相当する関数を用いる。つまり、UTシグマポイントusgは、シグマポイントsgを運動モデルに従って移動させた点であるといえる。 As the nonlinear function, for example, a function corresponding to a motion model for predicting the current particle data Pb from the previous particle data Pa is used. That is, it can be said that the UT sigma point usg is a point in which the sigma point sg is moved according to the motion model.
つづいて、図7の下段に示すように、算出部KF2は、変換部KF1によって変換されたUTシグマポイントusg毎に所定の重み付けをした平均値(加重平均)を算出して点uAを生成する。 Subsequently, as shown in the lower part of FIG. 7, the calculation unit KF2 calculates a predetermined weighted average value (weighted average) for each UT sigma point usg converted by the conversion unit KF1 to generate a point uA. ..
つづいて、算出部KF2は、算出した平均値を示す点uAに基づいて共分散行列uCを算出する。かかる共分散行列uCが、シグマポイントsgからUTシグマポイントusgに変換した際の誤差を示す。換言すると、算出部KF2は、共分散行列uCを今回の代表粒子データPAa(図8参照)の誤差として算出する。つまり、かかる誤差とは、カルマンフィルタKFを介して前回の代表粒子データPAを遷移させた今回の代表粒子データPAaと、カルマンフィルタKFを介さずに前回の代表粒子データPAを遷移させた今回の代表粒子データPAaとの真値の差を指す。 Subsequently, the calculation unit KF2 calculates the covariance matrix uC based on the point uA indicating the calculated average value. The error when the covariance matrix uC is converted from the sigma point sg to the UT sigma point usg is shown. In other words, the calculation unit KF2 calculates the covariance matrix uC as an error of the representative particle data PAa (see FIG. 8) this time. That is, such an error means the current representative particle data PAa in which the previous representative particle data PA is transitioned via the Kalman filter KF and the current representative particle in which the previous representative particle data PA is transitioned without passing through the Kalman filter KF. Refers to the difference between the true value and the data PAa.
つづいて、更新部KF3は、かかる共分散行列uCに基づいて今回の代表粒子データPAa(図8参照)の誤差が最小となる最適カルマンゲインを算出する。つづいて、更新部KF3は、運動モデルと最適カルマンゲインに基づいて前回の代表粒子データPAから今回の代表粒子データPAaを予測し、更新する。これにより、最新の周期における代表粒子データPAaの誤差が最小となるように更新できる。 Subsequently, the update unit KF3 calculates the optimum Kalman gain that minimizes the error of the representative particle data PAa (see FIG. 8) this time based on the covariance matrix uC. Subsequently, the update unit KF3 predicts and updates the current representative particle data PAa from the previous representative particle data PA based on the motion model and the optimum Kalman gain. As a result, the error of the representative particle data PAa in the latest period can be updated to the minimum.
つまり、カルマンフィルタKFでは、前回の粒子データPaを仮想点であるシグマポイントsgとして扱い、シグマポイントsgをアンセンテッド変換により時間遷移させることで生じる誤差を共分散行列uCによって推定する。そして、推定された誤差が最小となるように、今回の代表粒子データPAaを更新する。 That is, in the Kalman filter KF, the previous particle data Pa is treated as a sigma point sg which is a virtual point, and the error caused by the time transition of the sigma point sg by the uncented transformation is estimated by the covariance matrix uC. Then, the representative particle data PAa this time is updated so that the estimated error is minimized.
すなわち、誤差を示す共分散行列uCは、カルマンフィルタKFを介して前回の代表粒子データPAを遷移させた今回の代表粒子データPAaと、カルマンフィルタKFを介さずに前回の代表粒子データPAを遷移させた今回の代表粒子データPAaとの真値の差を指す。 That is, the covariance matrix uC showing the error transitions the current representative particle data PAa in which the previous representative particle data PA is transitioned via the Kalman filter KF and the previous representative particle data PA without passing through the Kalman filter KF. It refers to the difference between the true value and the representative particle data PAa this time.
さらに、上記したように、カルマンフィルタKFに前回の観測値が入力される、換言すれば、更新された今回の代表粒子データPAaは、前回の観測値も加味されるため、予測精度を向上させることができる。また、予測精度の向上に伴って、後段の重み付け部323b以降の処理において、今回の粒子データPb1〜Pb8の数を前回の粒子データPa1〜Pa8の数よりも減らすことができるため、レーダ装置1の処理負荷を低減することができる。なお、カルマンフィルタKFに前回の観測値を入力することとしたが、これに限らず、前回のフィルタ値である物標データを入力してもよい。
Furthermore, as described above, the previous observation value is input to the Kalman filter KF, in other words, the updated representative particle data PAa of this time also takes into account the previous observation value, so that the prediction accuracy should be improved. Can be done. Further, as the prediction accuracy is improved, the number of the particle data Pb1 to Pb8 this time can be reduced from the number of the previous particle data Pa1 to Pa8 in the processing after the
次に、図8を用いて、今回の粒子データPbに対するカルマンフィルタKFの出力結果の反映方法について説明する。図8には、カルマンフィルタKF適用前である前回の代表粒子データPAと、カルマンフィルタKF適用後である今回の代表粒子データPAaとを示している。なお、代表粒子データPAを生成せずに、前回の粒子データPaすべてにカルマンフィルタKFを適用する場合、図8に示す反映方法は省略される。 Next, a method of reflecting the output result of the Kalman filter KF on the particle data Pb this time will be described with reference to FIG. FIG. 8 shows the previous representative particle data PA before the application of the Kalman filter KF and the current representative particle data PAa after the application of the Kalman filter KF. When the Kalman filter KF is applied to all the previous particle data Pas without generating the representative particle data PAs, the reflection method shown in FIG. 8 is omitted.
また、図8に示すように、予測部321bは、カルマンフィルタKFの処理とは別に、前回の粒子データPa1〜Pa8から今回の粒子データPb1〜Pb8を運動モデルに従って予測する処理を行う。
Further, as shown in FIG. 8, the
そして、予測部321bは、カルマンフィルタKFにおける更新部KF3によって更新された今回の代表粒子データPAaに基づいて今回の粒子データPb1〜Pb8それぞれから誤差を除去することで、最終的な今回の粒子データPb1〜Pb8を予測する。
Then, the
具体的には、図8に示すように、予測部321bは、カルマンフィルタKFとは別に生成した今回の粒子データPb1〜Pb8の平均に相当する代表粒子データPBを生成する。換言すれば、今回の代表粒子データPBは、カルマンフィルタKFを通していない予測粒子データであり、今回の代表粒子データPAaは、カルマンフィルタKFを通した予測粒子データである。すなわち、今回の代表粒子データPAaは、真値との誤差が最小となる予測粒子データであり、今回の代表粒子データPBは、真値との誤差が比較的大きい予測粒子データである。
Specifically, as shown in FIG. 8, the
そして、予測部321bは、代表粒子データPBと代表粒子データPAaとを比較する。具体的には、予測部321bは、代表粒子データPBと代表粒子データPAaとの差分を算出する。かかる差分が代表粒子データPBに含まれる誤差となる。
Then, the
そして、予測部321bは、算出した誤差を今回の粒子データPb1〜Pb8すべてに反映する。つまり、予測部321bは、今回の粒子データPb1〜Pb8すべてに同じ誤差が含まれていると仮定し、かかる今回の粒子データPb1〜Pb8それぞれから誤差を除去する。換言すれば、予測部321bは、今回の粒子データPb1〜Pb8それぞれに誤差を反映することで、真値との差が最小となる今回の粒子データPb1〜Pb8を予測する。
Then, the
このように、代表粒子データPBおよび代表粒子データPAaを比較して全ての粒子データPb1〜Pb8に反映することで、カルマンフィルタKFの処理負荷を抑えつつ予測精度を向上させることができる。 In this way, by comparing the representative particle data PB and the representative particle data PAa and reflecting them in all the particle data Pb1 to Pb8, it is possible to improve the prediction accuracy while suppressing the processing load of the Kalman filter KF.
次に、図9〜図10を用いて、実施形態に係るレーダ装置1が実行する処理の処理手順について説明する。図9は、実施形態に係るレーダ装置1が実行する処理の処理手順を示すフローチャートである。
Next, the processing procedure of the processing executed by the
図9に示すように、まず、検出部32aは、周波数変調された送信波と物標による送信波の反射波とに基づいて物標に対応する観測値を検出する(ステップS101)。
As shown in FIG. 9, first, the
つづいて、フィルタ処理部32bの予測部321bは、パーティクルフィルタにおける粒子データであるパーティクル値計算を行う(ステップS102)。具体的には、予測部321bは、前回(1つ前の周期)用いられた粒子データPaを取得する。
Subsequently, the
つづいて、予測部321bは、パーティクルフィルタにおける前回の粒子データPaから今回の粒子データPbへの予測処理において、カルマンフィルタKFによる処理を行う(ステップS103)。
Subsequently, the
つづいて、予測部321bは、カルマンフィルタKFによって更新された今回の代表粒子データPAaに基づいて今回の粒子データPbを予測する(ステップS104)。つづいて、割り当て部322bは、今回の粒子データPbに今回の観測値を割り当てる(ステップS105)。
Subsequently, the
つづいて、重み付け部323bは、今回の観測値に基づいて今回の粒子データPbそれぞれに重み付けを行う(ステップS106)。つづいて、リサンプリング部324bは、重み付け部323bによる重み付けに基づいて今回の粒子データPbのリサンプリングを行う(ステップS107)。
Subsequently, the
つづいて、データ生成部325bは、リサンプリングされた今回の粒子データPbの確率密度関数を更新し、かかる確率密度関数に基づいて物標データを生成し(ステップS108)、処理を終了する。 Subsequently, the data generation unit 325b updates the probability density function of the resampled particle data Pb this time, generates target data based on the probability density function (step S108), and ends the process.
次に、図10を用いて、実施形態に係るカルマンフィルタKFが実行する処理の処理手順について説明する。図10は、実施形態に係るカルマンフィルタKFが実行する処理の処理手順を示すフローチャートである。また、図10では、図9のステップS103である「カルマンフィルタによる処理」およびステップS104である「今回の粒子データを予測」する処理の具体的な処理手順を示している。 Next, the processing procedure of the processing executed by the Kalman filter KF according to the embodiment will be described with reference to FIG. FIG. 10 is a flowchart showing a processing procedure of processing executed by the Kalman filter KF according to the embodiment. Further, FIG. 10 shows a specific processing procedure of the process of “processing by Kalman filter” in step S103 of FIG. 9 and the process of “predicting the particle data of this time” in step S104.
図10に示すように、変換部KF1は、まず、前回の状態データを取得する(ステップS201)。具体的には、変換部KF1は、前回の粒子データPaと、前回の観測値とを取得する。なお、この時、今回の観測値も取得する。 As shown in FIG. 10, the conversion unit KF1 first acquires the previous state data (step S201). Specifically, the conversion unit KF1 acquires the previous particle data Pa and the previous observed value. At this time, the observed value of this time is also acquired.
つづいて、変換部KF1は、前回の粒子データPaと、前回の観測値と、今回の観測値とに基づいてシグマポイント計算を行うことでシグマポイントsgを生成する(ステップS202)。 Subsequently, the conversion unit KF1 generates a sigma point sg by performing a sigma point calculation based on the previous particle data Pa, the previous observed value, and the current observed value (step S202).
つづいて、変換部KF1は、アンセンテッド変換(U変換)を行うことで、UTシグマポイントusgを生成する(ステップS203)。つづいて、変換部KF1は、UTシグマポイントusgの平均値uAおよび共分散行列uCを算出する(ステップS204)。 Subsequently, the conversion unit KF1 generates a UT sigma point usg by performing an unscented conversion (U conversion) (step S203). Subsequently, the conversion unit KF1 calculates the average value uA of the UT sigma points usg and the covariance matrix uC (step S204).
つづいて、更新部KF3は、共分散行列uCに基づいて今回の粒子データPbを含む状態データを更新し(ステップS205)、処理を終了する。つまり、ステップS201〜S204がステップS103に対応し、ステップS205がステップS104に対応する。 Subsequently, the update unit KF3 updates the state data including the current particle data Pb based on the covariance matrix uC (step S205), and ends the process. That is, steps S201 to S204 correspond to step S103, and step S205 corresponds to step S104.
上述してきたように、実施形態に係るレーダ装置1は、検出部32aと、フィルタ処理部32bとを備える。検出部32aは、周波数変調された送信波と物標による送信波の反射波とに基づいて物標に対応する観測値を検出する。フィルタ処理部32bは、検出部32aによって検出された観測値に対して所定数の粒子データPbを対応付けるパーティクルフィルタを施すことによって、観測値に対応する物標データを生成する。また、フィルタ処理部32bは、パーティクルフィルタにおける前回の粒子データPaから今回の粒子データPbへの予測処理において、カルマンフィルタKFを適用して今回の粒子データPbの予測を行う予測部321bを備える。また、予測部321bは、前回の粒子データPaに対応し、前回の粒子データPaよりも少ない個数の代表粒子データPAに対してカルマンフィルタKFを適用する。これにより、パーティクルフィルタにおける粒子データPbの予測精度を向上させることができる。
As described above, the
上述した実施形態では、レーダ装置1は車両MCに設けられることとしたが、無論、車両以外の移動体、たとえば船舶や航空機などに設けられてもよい。
In the above-described embodiment, the
また、上述した各実施形態では、レーダ装置1の用いる到来方向推定手法の例にESPRITを挙げたが、これに限られるものではない。たとえばDBF(Digital Beam Forming)や、PRISM(Propagator method based on an Improved Spatial-smoothing Matrix)、MUSIC(Multiple Signal Classification)などを用いてもよい。
Further, in each of the above-described embodiments, ESPRIT is mentioned as an example of the arrival direction estimation method used by the
さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。 Further effects and variations can be easily derived by those skilled in the art. For this reason, the broader aspects of the invention are not limited to the particular details and representative embodiments expressed and described as described above. Therefore, various modifications can be made without departing from the spirit or scope of the general concept of the invention as defined by the appended claims and their equivalents.
1 レーダ装置
32 信号処理部
32a 検出部
32b フィルタ処理部
321a 周波数解析部
322a ピーク抽出部
323a 観測値生成部
321b 予測部
322b 割り当て部
323b 重み付け部
324b リサンプリング部
325b データ生成部
33 記憶部
33a 履歴データ
Pa,Pb 粒子データ
PA,PB 代表粒子データ
KF カルマンフィルタ
KF1 変換部
KF2 算出部
KF3 更新部
1
Claims (7)
前記検出部によって検出された前記観測値に対して所定数の粒子データを対応付けるパーティクルフィルタを施すことによって、前記観測値に対応する物標データを生成するフィルタ処理部と、を備え、
前記フィルタ処理部は、
前記パーティクルフィルタにおける前回の前記粒子データから今回の前記粒子データへの予測処理において、カルマンフィルタを適用して前記今回の粒子データの予測を行う予測部を備え、
前記予測部は、
前記前回の粒子データに対応し、前記前回の粒子データよりも少ない個数の代表粒子データに対して前記カルマンフィルタを適用すること
を特徴とするレーダ装置。 A detector that detects the observed value corresponding to the target based on the frequency-modulated transmitted wave and the reflected wave of the transmitted wave by the target.
A filter processing unit that generates target data corresponding to the observed value by applying a particle filter that associates a predetermined number of particle data with the observed value detected by the detection unit is provided.
The filter processing unit
In the prediction processing from the previous particle data to the particle data this time in the particle filter, a prediction unit for predicting the particle data this time by applying a Kalman filter is provided.
The prediction unit
A radar device that corresponds to the previous particle data and applies the Kalman filter to a smaller number of representative particle data than the previous particle data.
前記前回の粒子データに対応する1つの前記代表粒子データに対して前記カルマンフィルタを適用すること
を特徴とする請求項1に記載のレーダ装置。 The prediction unit
The radar device according to claim 1, wherein the Kalman filter is applied to one representative particle data corresponding to the previous particle data.
前記1つの代表粒子データが前記前回の粒子データの平均に相当すること
を特徴とする請求項2に記載のレーダ装置。 The prediction unit
The radar device according to claim 2, wherein the one representative particle data corresponds to the average of the previous particle data.
前回の前記観測値をさらに加えて得られる前記代表粒子データに対して前記カルマンフィルタを適用すること
を特徴とする請求項1〜3のいずれか1つに記載のレーダ装置。 The prediction unit
The radar device according to any one of claims 1 to 3, wherein the Kalman filter is applied to the representative particle data obtained by further adding the previous observation value.
前記代表粒子データに基づくシグマポイントをアンセンテッド変換する変換部と、
前記変換部によって変換された前記シグマポイントの平均値および共分散行列を算出し、当該共分散行列に基づいて前記予測処理に対する今回の前記代表粒子データの誤差を算出する算出部と、
前記算出部によって算出された前記誤差に基づいて前記代表粒子データを更新する更新部と、を有する前記カルマンフィルタを用いること
を特徴とする請求項1〜4のいずれか1つに記載のレーダ装置。 The prediction unit
A conversion unit that uncented-converts sigma points based on the representative particle data, and
A calculation unit that calculates the average value and covariance matrix of the sigma points converted by the conversion unit, and calculates the error of the representative particle data this time with respect to the prediction process based on the covariance matrix.
The radar device according to any one of claims 1 to 4, wherein the Kalman filter having the update unit for updating the representative particle data based on the error calculated by the calculation unit is used.
前記更新部によって更新された前記代表粒子データに基づいて前記今回の粒子データそれぞれから前記誤差を除去することで、前記今回の粒子データを予測すること
を特徴とする請求項5に記載のレーダ装置。 The prediction unit
The radar device according to claim 5, wherein the current particle data is predicted by removing the error from each of the current particle data based on the representative particle data updated by the update unit. ..
前記検出工程によって検出された前記観測値に対して所定数の粒子データを対応付けるパーティクルフィルタを施すことによって、前記観測値に対応する物標データを生成するフィルタ処理工程と、を含み、
前記フィルタ処理工程は、
前記パーティクルフィルタにおける前回の前記粒子データから今回の前記粒子データへの予測処理において、カルマンフィルタを適用して前記今回の粒子データの予測を行う予測工程を含み、
前記予測工程は、
前記前回の粒子データに対応し、前記前回の粒子データよりも少ない個数の代表粒子データに対して前記カルマンフィルタを適用すること
を特徴とする物標検出方法。 A detection step of detecting an observed value corresponding to the target based on a frequency-modulated transmitted wave and a reflected wave of the transmitted wave by the target, and a detection step.
A filtering step of generating target data corresponding to the observed value by applying a particle filter for associating a predetermined number of particle data with the observed value detected by the detection step is included.
The filtering step is
In the prediction process from the previous particle data to the particle data of the present time in the particle filter, a prediction step of applying the Kalman filter to predict the particle data of the present time is included.
The prediction process is
A target detection method, which corresponds to the previous particle data and applies the Kalman filter to a smaller number of representative particle data than the previous particle data.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017161428A JP6873009B2 (en) | 2017-08-24 | 2017-08-24 | Radar device and target detection method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017161428A JP6873009B2 (en) | 2017-08-24 | 2017-08-24 | Radar device and target detection method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019039776A JP2019039776A (en) | 2019-03-14 |
JP6873009B2 true JP6873009B2 (en) | 2021-05-19 |
Family
ID=65726430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017161428A Active JP6873009B2 (en) | 2017-08-24 | 2017-08-24 | Radar device and target detection method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6873009B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102397107B1 (en) * | 2021-08-19 | 2022-05-12 | 한국건설기술연구원 | Apparatus for Monitoring Damage of Structure with Unscented Kalman Filter based on Global Optimization |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407299B (en) * | 2022-09-15 | 2024-06-18 | 中国人民解放军国防科技大学 | Weak and small target detection method and device based on Bernoulli filter algorithm |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012038131A (en) * | 2010-08-09 | 2012-02-23 | Sony Corp | Information processing unit, information processing method, and program |
JP5812940B2 (en) * | 2011-07-15 | 2015-11-17 | 三菱電機株式会社 | Method and system for determining the orientation of a probe relative to an object by probing the object with the probe in multiple orientations |
JP2014006122A (en) * | 2012-06-22 | 2014-01-16 | Toyota Motor Corp | Object detector |
JP2015055541A (en) * | 2013-09-11 | 2015-03-23 | トヨタ自動車株式会社 | Surrounding object detection apparatus |
US10488505B2 (en) * | 2014-05-30 | 2019-11-26 | The Boeing Company | Positioning in indoor locations and other GPS-denied environments |
-
2017
- 2017-08-24 JP JP2017161428A patent/JP6873009B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102397107B1 (en) * | 2021-08-19 | 2022-05-12 | 한국건설기술연구원 | Apparatus for Monitoring Damage of Structure with Unscented Kalman Filter based on Global Optimization |
Also Published As
Publication number | Publication date |
---|---|
JP2019039776A (en) | 2019-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6888494B2 (en) | FMCW radar system | |
JP6924046B2 (en) | Radar device and elevation estimation method | |
US10234541B2 (en) | FMCW radar device | |
JP6924066B2 (en) | Radar device and target detection method | |
JP6853047B2 (en) | Radar device and target detection method | |
JP6993136B2 (en) | Radar device and target detection method | |
JP2015141109A (en) | Radar device and signal processing method | |
JP6429486B2 (en) | Radar apparatus and signal processing method | |
US10718862B2 (en) | Radar device and target detecting method | |
JP2015155807A (en) | Radar device, vehicle control system, and signal processing method | |
JP2018063130A (en) | Radar device and continuity determination method | |
JP6873009B2 (en) | Radar device and target detection method | |
JP7060441B2 (en) | Radar device and target detection method | |
JP6945332B2 (en) | Radar device and target detection method | |
JP7244220B2 (en) | Radar device and target data output method | |
JP2018115930A (en) | Radar device and method for detecting target | |
JP2017227622A (en) | Radar device and radar device control method | |
JP7181010B2 (en) | Radar device and target detection method | |
JP7164327B2 (en) | Target detection device | |
JP6929183B2 (en) | Radar device and target detection method | |
JP7156817B2 (en) | Target detection device and target detection method | |
JP2018116028A (en) | Radar device and road surface detection method | |
JP7111506B2 (en) | Target detection device | |
JP2019039750A (en) | Rader system and method for detecting target | |
JP7168353B2 (en) | Radar device and target data allocation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200331 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210203 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210330 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210420 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6873009 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |