CN110675435A - 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 - Google Patents
基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 Download PDFInfo
- Publication number
- CN110675435A CN110675435A CN201910949419.4A CN201910949419A CN110675435A CN 110675435 A CN110675435 A CN 110675435A CN 201910949419 A CN201910949419 A CN 201910949419A CN 110675435 A CN110675435 A CN 110675435A
- Authority
- CN
- China
- Prior art keywords
- chi
- state
- target vehicle
- vehicle
- kalman filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明公开一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,目的在于寻找更为有效的车辆跟踪检测的方式,其包括如下步骤:构造目标车辆行驶过程的运动学模型和测量模型;获取目标车辆历史运动轨迹并将运动学模型和测量模型代入卡尔曼滤波器中的时间更新方程和状态更新方程对目标车辆运动状态进行迭代更新,预测下一时刻的运动状态;构造χ2故障检测器,对预测结果进行故障检测。本发明针对现有技术跟踪时可能出现的识别错误或丢失等问题应用了χ2故障检测器,可以有效的减小轨迹预测的偏差,提高轨迹识别正确率。
Description
技术领域
本发明涉及自动驾驶领域,具体而言,本发明涉及一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法。
背景技术
随着科学技术的不断发展与进步,无人驾驶车辆作为现代车辆发展的主要趋势,各大车企与高校围绕其各种技术和功能开展了各方面的的研究应用与实验测试。轨迹跟踪控制是实现无人驾驶的基础,也作为智能车车辆控制的一项重要技术,要获取车辆在当前场景中的行驶轨迹,就需要对车辆进行长时间的目标跟踪。
对于通过视频图像进行车辆跟踪检测方式,其获取的原始车辆轨迹具有检测借点框不稳定、轨迹存在诸多跳跃、平滑性差等缺点,同时,在于跟踪过程中存在被大面积遮挡、光照影响、背景杂乱以及阴暗变化等噪声问题,应用传统跟踪算法得到的处理结果不精确,难以准确获取目标车辆的位置信息与速度信息。
发明内容
为了寻找更为有效的车辆跟踪检测的方式,本发明提供了一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,该卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法包括如下步骤:
步骤S1:将获取的目标车辆运动视频图像视为二维平面坐标系,并以目标车辆识别矩形框的中心点作为分析对象构造目标车辆行驶过程的运动学模型和测量模型:
步骤S2:获取目标车辆历史运动轨迹并将所述运动学模型和所述测量模型代入卡尔曼滤波器中的时间更新方程和状态更新方程对目标车辆运动状态进行迭代更新,预测下一时刻的运动状态;
步骤S3:构造χ2故障检测器,并根据所述卡尔曼滤波器构造所述χ2故障检测器的检测统计量;比较所述检测统计量与预设阈值,当所述检测统计量大于所述阈值时,则选用k时刻的先验状态估计值作为k时刻的后验状态估计值参与执行步骤S2,以动态实时地获取目标车辆的运动轨迹,其中k表示时刻,为大于0的整数。
优选地,所述目标车辆行驶过程的运动学模型为:
Xk+1=AXk+BWk
式中,Xk为k时刻的目标车辆真实运动状态;
A∈R4×4表示作用在Xk上的状态转移矩阵;
B∈R4表示作用在过程噪声Wk上的系数矩阵;
Wk∈R4表示k时刻服从Wk~N(0,Q)分布的过程噪声;
Q∈R4×4表示过程噪声协方差矩阵;
所述测量模型为:
Zk=HXk+Vk
式中,H∈R2×4表示测量模型矩阵,它把真实状态空间映射成观测空间;
Vk∈R2表示服从Vk~N(0,R)分布的测量噪声;
R∈R2×2表示测量噪声协方差矩阵。
优选地,所述根据所述卡尔曼滤波算法构造所述χ2故障检测器的检测统计量包括如下步骤:
将卡尔曼滤波器稳态状态下的卡尔曼增益代入所述状态更新方程得到k时刻的状态估计值;
根据k时刻的状态估计值和所述测量模型得到残余偏差Lk;
根据所述残余偏差Lk构造检测统计量gk,其中,所述检测统计量gk为:
gk=Lk TBkLk
Bk=E(LkLk T)=HPHT+R
式中,Lk服从高斯分布,Bk为残余偏差Lk的协方差矩阵;
H表示测量模型矩阵;
P为卡尔曼滤波器中的估计误差协方差矩阵;
R为测量噪声Vk的协方差矩阵;
gk服从m自由度的卡方分布,且不远离0,m为自然数。
优选地,所述预设阈值基于所述检测统计量自由度值与预设的概率置信范围查阅卡方分布表确认。
优选地,所述检测统计量自由度值为1,所述预设的概率置信范围为95%。
优选地,所述步骤S2之前包括如下步骤:
根据预设条件初始化所述运动学模型和所述测量模型,其中,所述预设条件为过程噪声、测量噪声和状态初值X0的期望满足以下条件:
优选地,根据预设条件初始化所述运动学模型和所述测量模型包括如下步骤:
确认采样周期,并根据所述采样周期和所述预设条件初始化所述运动学模型和所述测量模型。
与现有技术相比,本发明一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法具有如下技术效果:
本发明一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法针对现有技术跟踪时可能出现的识别错误或丢失等问题应用了χ2故障检测器,可以有效的减小轨迹预测的偏差,提高轨迹识别正确率,同时,该χ2故障检测器是一种通常与卡尔曼滤波其配合使用的检测器,检验计算复杂性较低,便于行业应用。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一个实施例提供一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
请参阅图1,本发明实施例一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法包括如下步骤:
步骤S1:将获取的目标车辆运动视频图像视为二维平面坐标系,并以目标车辆识别矩形框的中心点作为分析对象构造目标车辆行驶过程的运动学模型和测量模型。
在一些实施方式中,目标车辆运动视频图像优选通过车载视觉***获取。
具体地址,目标车辆行驶过程的运动学模型为:
Xk+1=AXk+BWk
式中,Xk为k时刻的目标车辆真实运动状态;
A∈R4×4表示作用在Xk上的状态转移矩阵;
B∈R4表示作用在过程噪声Wk上的系数矩阵;
Wk∈R4表示k时刻服从Wk~N(0,Q)分布的过程噪声;
Q∈R4×4表示过程噪声协方差矩阵;
测量模型为:
Zk=HXk+Vk
式中,H∈R2×4表示测量模型矩阵,它把真实状态空间映射成观测空间;
Vk∈R2表示服从Vk~N(0,R)分布的测量噪声;
R∈R2×2表示测量噪声协方差矩阵。
步骤S2:获取目标车辆历史运动轨迹并将所述运动学模型和所述测量模型代入卡尔曼滤波器中的时间更新方程和状态更新方程对目标车辆运动状态进行迭代更新,预测下一时刻的运动状态;
在一些实施方式中,在步骤S2之后包括如下步骤:
根据预设条件初始化运动学模型和测量模型,其中,预设条件为过程噪声、测量噪声和状态初值X0的期望满足以下条件:
优选地,过程噪声的协方差矩阵可以根据实际的运行过程估计得到,这里记作:
E(WkWk T)=Q
测量噪声的协方差矩阵一般可以根据相关测量传感器如摄像头厂家的数据和实际测量得到,这里记作:
E(VkVk T)=R
***状态初始的协方差为:
E(X0X0 T)=∑0|0。
优选地,根据预设条件初始化运动学模型和测量模型包括如下步骤:确认采样周期,并根据采样周期和预设条件初始化运动学模型和测量模型。
示例地,假设在跟踪过程中采样周期为Δt,则运动学模型和测量模型参数矩阵定义如下:
运动学模型和测量模型的状态定义如下:
其中,Xk∈R4表示k时刻目标车辆真实运动状态;
x(k)和vx(k)分别表示的是k时刻时,视频图像中目标车辆在x轴方向上的坐标和速度的值;
y(k)和vy(k)分别表示的是k时刻时,目标车辆在y轴方向上的坐标和速度的值;
ax(k)表示目标车辆在x轴方向上的加速度,ay(k)表示目标车辆在y轴方向上的加速度;
Zk∈R2表示观测向量,即摄像机或视频中所检测到的车辆位置,因在建立观测向量时,由于只能检测到运动车辆的中心位置,以及只能观测到目标车辆识别矩形框中心点的位置,观测向量只包括目标车辆位置的中心点坐标,并没有速度信息,其中,xz(k)和yz(k)分别表示在k时刻图像序列中检测到的目标车辆的矩形框中心点所对应的x轴与y轴坐标值。
卡尔曼滤波器包括两个主要过程:预估与校正,其中,预估过程主要是利用时间更新方程建立对当前状态的先验估计,及时向前推算当前状态变量和误差协方差估计的值,以便为下一个时间状态构造先验估计值;校正过程负责反馈,利用测量更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。以下给出离散卡尔曼滤波的时间更新方程和状态更新方程。
时间更新方程:
Pk -=APk-1AT+Q
Pk-1(0)=P0
P0=diag(1,1,1,1)
状态更新方程:
Kk=Pk -HT(HPk -HT+R)-1
Pk=(I-KkH)Pk -
式中,表示k时刻的卡尔曼滤波器对目标车辆运动状态的先验估计值;
表示k时刻的后验状态估计值;
Pk -表示n×n先验估计误差协方差矩阵;
Pk表示n×n后验估计误差协方差矩阵;
I表示n×n阶的单位矩阵;
Kk表示n×m阶矩阵,称为卡尔曼增益或混合因数,作用是使后验估计误差协方差最小。
在本发明实施例中,将步骤S1所构造的运动学模型和测量模型代入时间更新方程与状态更新方程,即可得到目标车辆的估计预测运动轨迹。
步骤S3:构造χ2故障检测器,并根据所述卡尔曼滤波器构造所述χ2故障检测器的检测统计量;比较所述检测统计量与预设阈值,当所述检测统计量大于所述阈值时,则选用k时刻的先验状态估计值作为k时刻的后验状态估计值参与执行步骤S2,以动态实时地获取目标车辆的运动轨迹,其中k表示时刻,为大于0的整数。
具体地,根据卡尔曼滤波算法构造χ2故障检测器的检测统计量包括如下步骤:
将卡尔曼滤波器稳态状态下的卡尔曼增益代入状态更新方程得到k时刻的状态估计值;
根据k时刻的状态估计值和测量模型得到残余偏差Lk;
根据残余偏差Lk构造检测统计量gk,其中,检测统计量gk为:
gk=Lk TBkLk
Bk=E(LkLk T)=HPHT+R
式中,Lk服从高斯分布,Bk为残余偏差Lk的协方差矩阵;
H表示测量模型矩阵;
P为卡尔曼滤波器中的估计误差协方差矩阵;
R为测量噪声Vk的协方差矩阵;
gk服从m自由度的卡方分布,且不远离0,m为自然数。
在一些实施方式中,预设阈值基于检测统计量自由度值与预设的概率置信范围查阅卡方分布表确认。
示例地,当检测统计量自由度值为1,预设的概率置信范围为95%时,查阅卡方分布表即可得到相应的预设阈值为3.84。这样,当gk小于预设阈值时,即gk≤3.84时,χ2故障检测器不会启动警报,反之当gk大于预设阈值时,χ2故障检测器会发出警报,残余偏差值过大,超过置信范围,同时对于卡尔曼滤波的状态迭代过程进行以下的调整:
值得注意的是,本发明考虑卡尔曼滤波器稳态工作状态时的卡方检测,卡尔曼滤波器稳态状态下的参数如下所示:
K@PHT(HPHT+R)-1
式中,Pk -为k时刻的先验估计误差协方差矩阵,P为卡尔曼滤波器达到稳态状态时的估计误差协方差矩阵,此时的先验估计与后验估计误差协方差矩阵Pk -、Pk均等于P,将卡尔曼滤波器稳态状态下的估计误差协方差矩阵代入式状态更新方程中,即可得到卡尔曼滤波器达到稳态状态时的卡尔曼增益K。
卡方检测将k时刻的残余偏差Lk定义为:
由测量模型与残余偏差Lk联立可得残余偏差Lk另外一种表达形式:
式中,Xk为***状态真实值,Vk为测量噪声。
与现有技术相比,本发明实施例一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法具有如下技术效果:
本发明实施例一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法针对现有技术跟踪时可能出现的识别错误或丢失等问题应用了χ2故障检测器,可以有效的减小轨迹预测的偏差,提高轨迹识别正确率,同时,该χ2故障检测器是一种通常与卡尔曼滤波其配合使用的检测器,检验计算复杂性较低,便于行业应用。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,其特征在于,所述基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法包括如下步骤:
步骤S1:将获取的目标车辆运动视频图像视为二维平面坐标系,并以目标车辆识别矩形框的中心点作为分析对象构造目标车辆行驶过程的运动学模型和测量模型;
步骤S2:获取目标车辆历史运动轨迹并将所述运动学模型和所述测量模型代入卡尔曼滤波器中的时间更新方程和状态更新方程对目标车辆运动状态进行迭代更新,预测下一时刻的运动状态;
步骤S3:构造χ2故障检测器,并根据所述卡尔曼滤波器构造所述χ2故障检测器的检测统计量;比较所述检测统计量与预设阈值,当所述检测统计量大于所述预设阈值时,则选用k时刻的先验状态估计值作为k时刻的后验状态估计值参与执行步骤S2,以动态实时地获取目标车辆的运动轨迹,其中k表示时刻,为大于0的整数。
2.如权利要求1所述的基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,其特征在于,所述目标车辆行驶过程的运动学模型为:
Xk+1=AXk+BWk
式中,Xk为k时刻的目标车辆真实运动状态;
A∈R4×4表示作用在Xk上的状态转移矩阵;
B∈R4表示作用在过程噪声Wk上的系数矩阵;
Wk∈R4表示k时刻服从Wk~N(0,Q)分布的过程噪声;
Q∈R4×4表示过程噪声协方差矩阵;
所述测量模型为:
Zk=HXk+Vk
式中,H∈R2×4表示测量模型矩阵,它把真实状态空间映射成观测空间;
Vk∈R2表示服从Vk~N(0,R)分布的测量噪声;
R∈R2×2表示测量噪声协方差矩阵。
3.如权利要求2所述的基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,其特征在于,所述根据所述卡尔曼滤波算法构造所述χ2故障检测器的检测统计量包括如下步骤:
将卡尔曼滤波器稳态状态下的卡尔曼增益代入所述状态更新方程得到k时刻的状态估计值;
根据k时刻的状态估计值和所述测量模型得到残余偏差Lk;
根据所述残余偏差Lk构造检测统计量gk,其中,所述检测统计量gk为:
gk=Lk TBkLk
Bk=E(LkLk T)=HPHT+R
式中,Lk服从高斯分布,Bk为残余偏差Lk的协方差矩阵;
H表示测量模型矩阵;
P为卡尔曼滤波器中的估计误差协方差矩阵;
R为测量噪声Vk的协方差矩阵;
gk服从m自由度的卡方分布,且不远离0,m为自然数。
4.如权利要求3所述的基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,其特征在于,所述预设阈值基于所述检测统计量自由度值与预设的概率置信范围查阅卡方分布表确认。
5.如权利要求4所述的基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,其特征在于,所述检测统计量自由度值为1,所述预设的概率置信范围为95%。
7.如权利要求6所述的基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法,其特征在于,根据预设条件初始化所述运动学模型和所述测量模型包括如下步骤:
确认采样周期,并根据所述采样周期和所述预设条件初始化所述运动学模型和所述测量模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949419.4A CN110675435B (zh) | 2019-10-08 | 2019-10-08 | 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949419.4A CN110675435B (zh) | 2019-10-08 | 2019-10-08 | 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675435A true CN110675435A (zh) | 2020-01-10 |
CN110675435B CN110675435B (zh) | 2022-08-02 |
Family
ID=69080900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910949419.4A Active CN110675435B (zh) | 2019-10-08 | 2019-10-08 | 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675435B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666891A (zh) * | 2020-06-08 | 2020-09-15 | 北京百度网讯科技有限公司 | 用于估计障碍物运动状态的方法和装置 |
CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN112230801A (zh) * | 2020-10-23 | 2021-01-15 | 上海磐启微电子有限公司 | 应用于触摸轨迹的卡尔曼平滑处理方法、存储器及设备 |
CN112433531A (zh) * | 2021-01-27 | 2021-03-02 | 国汽智控(北京)科技有限公司 | 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 |
CN112550294A (zh) * | 2020-11-16 | 2021-03-26 | 东南大学 | 基于车辆故障信号隔离的路径跟踪控制方法 |
CN113115230A (zh) * | 2021-03-26 | 2021-07-13 | 北京工业大学 | 一种基于信息物理***的车辆广播通信控制方法 |
CN113610263A (zh) * | 2021-06-18 | 2021-11-05 | 广东能源集团科学技术研究院有限公司 | 一种电厂作业车辆轨迹估计方法及*** |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114001976A (zh) * | 2021-10-19 | 2022-02-01 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
CN114162134A (zh) * | 2022-02-14 | 2022-03-11 | 西南交通大学 | 跨海桥梁上车辆轨迹预测方法、设备和存储介质 |
CN115342817A (zh) * | 2022-10-20 | 2022-11-15 | 北京理工大学 | 无人履带车辆轨迹跟踪状态监测方法、***、设备、介质 |
CN115376277A (zh) * | 2022-08-05 | 2022-11-22 | 美的集团(上海)有限公司 | 健康安全监测预警方法、电子设备及存储介质 |
CN116434567A (zh) * | 2022-12-13 | 2023-07-14 | 武汉溯野科技有限公司 | 一种车流量检测方法、装置和电子设备及路侧端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072233A1 (en) * | 2012-09-12 | 2014-03-13 | Numerica Corporation | Methods and systems for updating a predicted location of an object in a multi-dimensional space |
WO2018014602A1 (zh) * | 2016-07-19 | 2018-01-25 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN108303684A (zh) * | 2018-01-31 | 2018-07-20 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
CN109275121A (zh) * | 2018-08-20 | 2019-01-25 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 |
-
2019
- 2019-10-08 CN CN201910949419.4A patent/CN110675435B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072233A1 (en) * | 2012-09-12 | 2014-03-13 | Numerica Corporation | Methods and systems for updating a predicted location of an object in a multi-dimensional space |
WO2018014602A1 (zh) * | 2016-07-19 | 2018-01-25 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN108303684A (zh) * | 2018-01-31 | 2018-07-20 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
CN109275121A (zh) * | 2018-08-20 | 2019-01-25 | 浙江工业大学 | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 |
Non-Patent Citations (1)
Title |
---|
张弛等: "基于卡尔曼滤波运动目标检测技术的研究", 《电脑与电信》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN111667512B (zh) * | 2020-05-28 | 2024-04-09 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN111666891A (zh) * | 2020-06-08 | 2020-09-15 | 北京百度网讯科技有限公司 | 用于估计障碍物运动状态的方法和装置 |
CN111666891B (zh) * | 2020-06-08 | 2023-09-26 | 北京百度网讯科技有限公司 | 用于估计障碍物运动状态的方法和装置 |
CN112230801A (zh) * | 2020-10-23 | 2021-01-15 | 上海磐启微电子有限公司 | 应用于触摸轨迹的卡尔曼平滑处理方法、存储器及设备 |
CN112550294A (zh) * | 2020-11-16 | 2021-03-26 | 东南大学 | 基于车辆故障信号隔离的路径跟踪控制方法 |
CN112433531A (zh) * | 2021-01-27 | 2021-03-02 | 国汽智控(北京)科技有限公司 | 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 |
CN113115230B (zh) * | 2021-03-26 | 2023-08-18 | 北京工业大学 | 一种基于信息物理***的车辆广播通信控制方法 |
CN113115230A (zh) * | 2021-03-26 | 2021-07-13 | 北京工业大学 | 一种基于信息物理***的车辆广播通信控制方法 |
CN113610263B (zh) * | 2021-06-18 | 2023-06-09 | 广东能源集团科学技术研究院有限公司 | 一种电厂作业车辆轨迹估计方法及*** |
CN113610263A (zh) * | 2021-06-18 | 2021-11-05 | 广东能源集团科学技术研究院有限公司 | 一种电厂作业车辆轨迹估计方法及*** |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN113763434B (zh) * | 2021-09-26 | 2024-02-02 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114001976B (zh) * | 2021-10-19 | 2024-03-12 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
CN114001976A (zh) * | 2021-10-19 | 2022-02-01 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
CN114162134A (zh) * | 2022-02-14 | 2022-03-11 | 西南交通大学 | 跨海桥梁上车辆轨迹预测方法、设备和存储介质 |
CN115376277A (zh) * | 2022-08-05 | 2022-11-22 | 美的集团(上海)有限公司 | 健康安全监测预警方法、电子设备及存储介质 |
CN115342817A (zh) * | 2022-10-20 | 2022-11-15 | 北京理工大学 | 无人履带车辆轨迹跟踪状态监测方法、***、设备、介质 |
CN115342817B (zh) * | 2022-10-20 | 2023-02-03 | 北京理工大学 | 无人履带车辆轨迹跟踪状态监测方法、***、设备、介质 |
CN116434567A (zh) * | 2022-12-13 | 2023-07-14 | 武汉溯野科技有限公司 | 一种车流量检测方法、装置和电子设备及路侧端设备 |
CN116434567B (zh) * | 2022-12-13 | 2024-01-26 | 武汉溯野科技有限公司 | 一种车流量检测方法、装置和电子设备及路侧端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110675435B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675435B (zh) | 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法 | |
CN111052183B (zh) | 利用事件相机的视觉惯性里程计 | |
Rambach et al. | Learning to fuse: A deep learning approach to visual-inertial camera pose estimation | |
JP6685420B2 (ja) | 自動車両の環境領域の2つの画像間の動き推定のための方法、コンピュータデバイス、運転者支援システム、及び自動車両 | |
WO2016035324A1 (en) | Method for estimating motion, mobile agent and non-transitory computer-readable medium encoded with a computer program code for causing a processor to execute a method for estimating motion | |
Assa et al. | A robust vision-based sensor fusion approach for real-time pose estimation | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN111666891B (zh) | 用于估计障碍物运动状态的方法和装置 | |
JP7212486B2 (ja) | 位置推定装置 | |
CN109829933B (zh) | 影像目标追踪方法及装置 | |
JP2012006587A (ja) | 無人機、特に自動操縦下でホバリング飛行を行うことができる無人機の水平速度を評価する方法 | |
Michot et al. | Bi-objective bundle adjustment with application to multi-sensor slam | |
CN110572139B (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
Stachniss et al. | Analyzing gaussian proposal distributions for mapping with rao-blackwellized particle filters | |
Li et al. | Estimation and tracking of a moving target by unmanned aerial vehicles | |
CN108469729B (zh) | 一种基于rgb-d信息的人体目标识别与跟随方法 | |
CN111426322B (zh) | 同时估计状态和输入的自适应目标跟踪滤波方法及*** | |
KR100312427B1 (ko) | 비디오 영상에서 템플레이트와 칼만 필터를 이용한 이동물체 추적방법 및 장치 | |
CN115311353B (zh) | 一种多传感器多手柄控制器图优化紧耦合追踪方法及*** | |
CN108230371B (zh) | 基于云台的跟踪目标速度预测方法及存储介质 | |
CN113592907B (zh) | 基于光流的视觉伺服跟踪方法及装置 | |
KR101483549B1 (ko) | 입자 생성 및 선별을 통한 카메라 위치 추정 방법 및 이동 시스템 | |
CN112446851A (zh) | 一种基于高速脉冲式图像传感器的端点检测算法 | |
KR101789776B1 (ko) | 주행로봇의 진행각 추정을 위한 바이어스 보정 장치 및 방법 | |
KR102406240B1 (ko) | 강인한 스테레오 비주얼 관성 항법 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201021 Address after: Room 205, No. 570 shengxia Road, Pudong New Area (Shanghai) pilot Free Trade Zone, Shanghai, 201203 Applicant after: SHANGHAI MAXIEYE AUTOMOBILE TECHNOLOGY Co.,Ltd. Address before: 314100 Room 401, building C6, No. 555 Chuangye Road, Dayun Town, Jiashan County, Jiaxing City, Zhejiang Province Applicant before: JIAXING ZHIJIA TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |