CN114518573A - 一种用于多雷达的车辆跟踪方法、设备及介质 - Google Patents
一种用于多雷达的车辆跟踪方法、设备及介质 Download PDFInfo
- Publication number
- CN114518573A CN114518573A CN202210418629.2A CN202210418629A CN114518573A CN 114518573 A CN114518573 A CN 114518573A CN 202210418629 A CN202210418629 A CN 202210418629A CN 114518573 A CN114518573 A CN 114518573A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- information
- splicing
- millimeter wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011144 upstream manufacturing Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种用于多雷达的车辆跟踪方法、设备及介质,属于车辆跟踪技术领域。该方法获取多个毫米波雷达采集的车辆轨迹信息;其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。其中,至少两个待拼接轨迹来自不同的毫米波雷达。
Description
技术领域
本申请涉及车辆跟踪技术领域,尤其涉及一种用于多雷达的车辆跟踪方法、设备及介质。
背景技术
智能交通***是缓解交通问题和保证交通安全的重要技术手段,而交通信息采集是智能交通***发挥作用的基础和保障。随着交通检测技术的不断进步,各种进行交通信息采集的方式日益增多。目前,道路交通检测主要是在道路设置线圈或摄像头,采集道路交通信息。但是,道路安装线圈,将会对道路造成损坏,而摄像头也存在对于车辆行驶速度的检测不够精确、视线易被遮挡等问题。
毫米波雷达由于其设置方式简便、波长短、频带宽、穿透力强等特点,可用于道路交通检测,对车辆的行驶轨迹进行跟踪。发明人发现,毫米波雷达对车辆进行轨迹跟踪时,存在多个毫米波雷达无法对同一车辆的轨迹进行精确拼接的问题,从而导致多个毫米波雷达检测同一车辆目标时,车辆轨迹数据不连续。
基于此,亟需一种能够使多个毫米波雷达对同一车辆目标的行驶轨迹进行准确跟踪的技术方案。
发明内容
本申请实施例提供了一种用于多雷达的车辆跟踪方法、设备及介质,用于使多个毫米波雷达对车辆目标进行准确跟踪,得到车辆目标的完整道路轨迹。
一方面,本申请实施例提供了一种用于多雷达的车辆跟踪方法,该方法包括:
获取多个毫米波雷达采集的车辆轨迹信息。其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。其中,至少两个待拼接轨迹来自不同的毫米波雷达。
在本申请的一种实现方式中,确定各毫米波雷达的采集位置,以得到各毫米波雷达的间隔距离。根据采集区域以及间隔距离,确定各采集区域的边界属性。其中,边界属性至少包括:相离、相切、相交。将边界属性,作为轨迹拼接属性。
在本申请的一种实现方式中,根据电子地图,确定采集位置的道路信息。道路信息包括:道路车道、道路走向。根据毫米波雷达的可覆盖范围以及道路信息,确定可覆盖范围内的道路路段,为采集区域。
在本申请的一种实现方式中,以采集位置为原点,生成毫米波雷达的雷达坐标系。根据雷达坐标系,确定车辆位置的车辆轨迹坐标。以及确定采集区域的各角坐标。其中,角坐标为采集区域的至少两条不平行的边的相交点的坐标。根据车辆轨迹坐标、相邻的各角坐标以及预设匹配公式,依次确定车辆轨迹坐标的各第一匹配结果。将各第一匹配结果中匹配成功的次数相加,得到第二匹配结果。根据第二匹配结果,确定车辆轨迹坐标是否位于采集区域,以将位于采集区域的车辆轨迹坐标,输入轨迹预测模型。
在本申请的一种实现方式中,获取若干车辆轨迹样本。其中,车辆轨迹样本包括:车辆横向距离、车辆径向距离、车辆径向速度。将车辆轨迹样本分别输入轨迹预测模型的多个预测子模型,以对各预测子模型进行训练,直至轨迹预测模型的判定系数大于预设阈值。其中,轨迹预测模型的多个预测子模型至少包括:横向距离预测模型、径向距离预测模型、径向速度预测模型。预测子模型为长短时记忆神经网络模型。
在本申请的一种实现方式中,在轨迹拼接属性为相离的情况下,确定各毫米波雷达中的上游雷达相应的轨迹预测信息,为第一轨迹预测信息以及下游雷达相应的车辆轨迹信息,为第一车辆轨迹信息。基于第一轨迹预测信息中的径向距离、上游雷达与下游雷达之间的间隔距离及相应的采集区域、第一轨迹预测信息中的横向距离、第一车辆轨迹信息中的径向距离及横向距离、第一轨迹预测信息中的径向速度与第一车辆轨迹信息中的径向速度,确定第一轨迹预测信息与第一车辆轨迹信息是否为待拼接轨迹。在确定第一轨迹预测信息与第一车辆轨迹信息为待拼接轨迹,将第一轨迹预测信息相应的待拼接轨迹与第一车辆轨迹信息相应的待拼接轨迹进行拼接,以得到跟踪目标轨迹。
在轨迹拼接属性为相切的情况下,确定上游雷达相应的轨迹预测信息,为第二轨迹预测信息以及下游雷达相应的车辆轨迹信息,为第二车辆轨迹信息。基于第二轨迹预测信息中的径向距离及横向距离、第二车辆轨迹信息中的径向距离及横向距离、第二轨迹预测信息中的径向速度与第二车辆轨迹信息中的径向速度,确定第二轨迹预测信息与第二车辆轨迹信息是否为待拼接轨迹。在确定第二轨迹预测信息与第二车辆轨迹信息为待拼接轨迹,将第二轨迹预测信息相应的待拼接轨迹与第二车辆轨迹信息相应的待拼接轨迹进行拼接,以得到跟踪目标轨迹。
在轨迹拼接属性为相交的情况下,确定上游雷达相应的车辆轨迹信息为第三车辆轨迹信息以及下游雷达相应的车辆轨迹信息,为第四车辆轨迹信息。基于第三车辆轨迹信息中的径向距离及横向距离、上游雷达与下游雷达之间的间隔距离及相应的采集区域、第四车辆轨迹信息中的径向距离及横向距离、第三车辆轨迹信息中的径向速度与第四车辆轨迹信息中的径向速度,确定第三车辆轨迹信息与第四车辆轨迹信息是否为待拼接轨迹。确定第三车辆轨迹信息与第四车辆轨迹信息为待拼接轨迹的情况下,将第三车辆轨迹信息相应的轨迹预测信息,作为第三轨迹预测信息,以及将第四车辆轨迹信息相应的轨迹预测信息,作为第四轨迹预测信息。根据预设的权重数据库,分别将第三轨迹预测信息的横向距离、径向距离、径向速度与第四轨迹预测信息的横向距离、径向距离、径向速度进行加权拼接,以得到跟踪目标轨迹。
在本申请的一种实现方式中,确定各待拼接轨迹相应的毫米波雷达的采集位置。通过预设坐标转换公式,确定各毫米波雷达相应的雷达坐标系,对应的世界坐标系。根据世界坐标系,分别确定各待拼接轨迹中的至少一个拼接轨迹点坐标。根据各拼接轨迹点坐标,拼接各待拼接轨迹,以得到跟踪目标轨迹。
在本申请的一种实现方式中,确定各车辆轨迹信息的车辆标识。根据各毫米波雷达的采集位置,生成上游雷达相应的车辆标识的目标跟踪标识,并将目标跟踪标识存储至预设数据库。在确定至少两个待拼接轨迹的情况下,将目标跟踪标识与下游雷达相应的车辆标识进行关联,以将至少两个待拼接轨迹进行拼接,得到跟踪目标轨迹。
另一方面,本申请实施例还提供了一种用于多雷达的车辆跟踪设备,该设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器。其中,存储器存储有能够被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取多个毫米波雷达采集的车辆轨迹信息。其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。其中,至少两个待拼接轨迹来自不同的毫米波雷达。
再一方面,本申请实施例还提供了一种用于多雷达的车辆跟踪的溯源非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
获取多个毫米波雷达采集的车辆轨迹信息。其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。其中,至少两个待拼接轨迹来自不同的毫米波雷达。
通过上述方案,利用毫米波雷达采集道路通行车辆的行驶轨迹,并通过轨迹预测模型,将车辆的行驶轨迹进行准确地拼接,从而保证车辆出现在不同的多个雷达采集区域内时,车辆轨迹与上一雷达的车辆轨迹进行轨迹拼接,得到准确、完整的跟踪目标轨迹。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种用于多雷达的车辆跟踪方法的一种流程示意图;
图2为本申请实施例中一种用于多雷达的车辆跟踪方法中的一种示意图;
图3为本申请实施例中一种用于多雷达的车辆跟踪方法中的另一种示意图;
图4为本申请实施例中一种用于多雷达的车辆跟踪方法中的再一种示意图;
图5为本申请实施例中一种用于多雷达的车辆跟踪设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
毫米波雷达相比于现有道路安装的线圈、摄像头等传感器,具有安装方便、不损坏道路、采集信息量丰富、目标数据即时输出、数据可溯性强等特点。同时毫米波雷达对多车道排队长度、车流量、实时车速、实时坐标、车型等信息能够实现精确检测,具有非常良好的效果。并且毫米波雷达对雾、烟、灰尘的穿透能力强,有效检测距离远,可同时识别多个目标,抗干扰能力强,检测精度高,因此当前毫米波雷达可在交通检测过程中广泛的应用。
但是毫米波雷达的检测覆盖范围是有限的,且毫米波雷达无法识别车辆的身份信息(车型、车牌号等),因此,车辆在多个毫米波雷达的检测覆盖范围之间穿梭时,多个毫米波雷达在检测到该车辆时,可能无法将该车辆作为同一车辆进行跟踪处理,导致车辆跟踪的轨迹缺失,或车辆误识别。进而使得毫米波雷达得到的车辆轨迹数据不连续、不完整,毫米波雷达无法对雷达全覆盖道路的车辆目标轨迹进行准确地长距离连续跟踪。
基于此,本申请实施例提供了一种用于多雷达的车辆跟踪方法及设备,用来使多个毫米波雷达对车辆目标进行准确跟踪,得到车辆目标的完整道路轨迹。
以下结合附图,详细说明本申请的各个实施例。
本申请实施例提供了一种用于多雷达的车辆跟踪方法,如图1所示,该方法可以包括步骤S101-S104:
S101,服务器获取多个毫米波雷达采集的车辆轨迹信息。
其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。
需要说明的是,服务器作为用于多雷达的车辆跟踪方法的执行主体,仅为示例性存在,执行主体不仅限于服务器,本申请对此不作具体限定。
在本申请实施例中,毫米波雷达的设置方式可以如图2所示,毫米波雷达相对设置,也可以是采取同向设置的方式,本申请对于毫米波雷达的设置方式不作具体限定。
毫米波雷达在采集道路的原始数据时,原始数据组成包括:
,其中,表示目标车辆的采集时刻,表示毫米波雷达赋予目标车辆的车辆标识,表示目标车辆与毫米波雷达的径向距离(沿道路行驶方向),单位为米;表示目标车辆与毫米波雷达的横向距离(垂直于道路行驶方向),单位为米;表示目标车辆与毫米波雷达的径向速度(沿道路行驶方向),单位为米每秒(m/s);:表示目标车辆与毫米波雷达的横向速度(垂直于道路行驶方向),单位为米每秒(m/s)。表示雷达模块根据检测到的车辆运动状态给分配的一个状态标志位;:表示毫米波雷达散射截面。
接着,本申请的服务器确定各毫米波雷达之间的轨迹拼接属性之前,可以:
首先,服务器根据电子地图,确定采集位置的道路信息。
道路信息包括:道路车道、道路走向。
服务器通过电子地图,可以根据设置毫米波雷达的采集位置,所对应的道路车道以及道路走向,如图2所示,上游的毫米波雷达有三条车道,道路走向沿箭头方向。
其次,服务器根据毫米波雷达的可覆盖范围以及道路信息,确定可覆盖范围内的道路路段,为采集区域。
在本申请实施例中,毫米波雷达的可覆盖范围如图2中的扇形区域,在扇形区域内部的道路,即为毫米波雷达的采集区域。
S102,服务器根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。
其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。
在本申请实施例中,服务器根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性,具体包括:
首先,服务器确定各毫米波雷达的采集位置,以得到各毫米波雷达的间隔距离。
服务器可以通过电子地图,得到各采集位置之间的距离,在本申请实施例中,服务器一般确定相邻设置的毫米波雷达的间隔距离,如图2中的同一道路上相对设置的毫米波雷达的间隔距离。服务器也可以确定各个毫米波雷达之间的间隔距离,例如,在毫米波雷达A相邻的下游毫米波雷达B发生故障,不能正常使用,毫米波雷达A可以确定与毫米波雷达B的相邻下游毫米波雷达C的间隔距离。
接着,服务器根据采集区域以及间隔距离,确定各采集区域的边界属性。
其中,边界属性至少包括:相离、相切、相交。
如图2所示,201为边界属性相切时,202为边界属性相离时,203为边界属性相交时。
然后,服务器将边界属性,作为轨迹拼接属性。
通过上述方案,可以得到毫米波雷达的采集区域不同拼接属性,从而根据该属性,对车辆轨迹采用不同的拼接方式,进而保证车辆轨迹的拼接完整、拼接可信度。
此外,不同的轨迹拼接属性对应有不同的预设条件,预设条件可以用来确定来自不同毫米波雷达的至少两个车辆轨迹的是否匹配。
S103,服务器基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。
在本申请实施例中,在进行待跟踪车辆的轨迹预测前,需要进行待跟踪车辆的轨迹是否处于毫米波雷达的采集区域内,因此服务器基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息之前,还包括:
首先,服务器以采集位置为原点,生成毫米波雷达的雷达坐标系。
服务器可以以毫米波雷达所在的采集位置为原点,建立该毫米波雷达的雷达坐标系,雷达坐标系如图3所示,,为毫米波雷达的采集位置,、为两毫米波雷达检测目标方位角,、为两毫米波雷达检测目标俯仰角,、为两毫米波雷达检测目标距离。、表示两个毫米波雷达的横向距离坐标轴,、为两个毫米波雷达径向距离坐标轴,、为竖坐标轴。
其次,服务器根据雷达坐标系,确定车辆位置的车辆轨迹坐标。
再次,服务器确定采集区域的各角坐标。
其中,角坐标为采集区域的至少两条不平行的边的相交点的坐标。
服务器还可以确定采集区域的各角坐标,采集区域如图4所示,采集区域为一多边形区域,该采集区域根据道路的实际情况,存在n个点,n为自然数。图4中为有4个点的采集区域,即D1,D2,D3,D4四个点,角坐标即为该四个点的坐标。
接着,服务器根据车辆轨迹坐标、相邻的各角坐标以及预设匹配公式,依次确定车辆轨迹坐标的各第一匹配结果。
在本申请实施例中,预测匹配公式如下:
通过上述预设匹配公式,依次确定车辆轨迹坐标是否与各相邻点角坐标,满足预设匹配公式。具体地,服务器可以将车辆轨迹坐标依次与D1、D2,或D1、D4,或D2、D3,或D3、D4,确定是否满足预设匹配公式,从而分别得到第一匹配结果。
随后,服务器将各第一匹配结果中匹配成功的次数相加,得到第二匹配结果。
在本申请实施例中,服务器可以将各相邻点的角坐标满足上述预设匹配公式的次数进行相加,进而得到预设匹配公式匹配成功的个数。例如某坐标X,与采集区域的若干相邻点的角坐标,匹配成功的个数为n。第二匹配结果可以是匹配成功的个数是奇数,还是偶数。
随后,服务器根据第二匹配结果,确定车辆轨迹坐标是否位于采集区域,以将位于采集区域的车辆轨迹坐标,输入轨迹预测模型。
在本申请实施例中,第二匹配结果若为奇数,那么车辆轨迹坐标位于采集区域内;若第二匹配结果为偶数,那么车辆轨迹坐标不位于采集区域内。在本申请实施例中,毫米波雷达采集的数据中,包含有大量的噪声信息,通过上述方案,可以去除毫米波雷达采集的车辆轨迹信息的噪声信息,(如雷达旁瓣干扰、虚警噪声、道路护栏等金属物体干扰目标)。
此外,服务器为了更好地去除噪声信息,还可以根据车辆的行驶速度,设定检测速度的速度区间,将行驶速度不在速度区间内的车辆剔除,获取车辆轨迹信息。
在本申请实施例中,基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息之前,还包括:
首先,服务器获取若干车辆轨迹样本。
其中,车辆轨迹样本包括:车辆横向距离、车辆径向距离、车辆径向速度。
车辆轨迹样本可以预先存储于数据库中,用于训练轨迹预测模型,也可以是服务器通过互联网获取的样本。
然后,服务器将车辆轨迹样本分别输入轨迹预测模型的多个预测子模型,以对各预测子模型进行训练,直至轨迹预测模型的判定系数大于预设阈值。
其中,轨迹预测模型的多个预测子模型至少包括:横向距离预测模型、径向距离预测模型、径向速度预测模型。预测子模型为长短时记忆神经网络模型。
车辆横向距离为垂直与道路行驶方向的车辆与雷达的距离,车辆径向距离为车辆沿道路行驶方向与雷达的距离,横向距离与径向距离为在雷达坐标系中国的车辆坐标如(a,b),a为横向距离,b为纵向距离。本申请将车辆横向距离、车辆径向距离、车辆径向速度作为模型输入,可以将车辆横向距离、车辆径向距离、车辆径向速度输入横向距离预测模型,对横向距离预测模型进行训练;再将车辆横向距离、车辆径向距离、车辆径向速度输入径向距离预测模型,对径向距离预测模型进行训练;再将车辆横向距离、车辆径向距离、车辆径向速度输入径向速度预测模型,对径向速度预测模型进行训练。
直至三个预测子模型的判定系数大于预设阈值,训练完成上述轨迹预测模型。
在本申请实施例中,轨迹预测模型可以使用均方根误差函数作为损失函数,并选用随机梯度下降算法作为优化算法,从而得到准确且计算高效的轨迹预测模型。轨迹预测模型的判定系数的公式如下,
通过长短时记忆神经网络模型以及随机梯度下降算法,可以更为高效地获得车辆在行驶过程中的预测轨迹,及时获取车辆在下一时刻或下一时间段的轨迹,能够在车辆跟踪时保证车辆轨迹完整性以及保证轨迹的真实可信度。
S104,服务器根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。
其中,至少两个待拼接轨迹来自不同的毫米波雷达。
在本申请实施例中,服务器根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹,具体包括:
服务器在轨迹拼接属性为相离的情况下,确定各毫米波雷达中的上游雷达相应的轨迹预测信息,为第一轨迹预测信息以及下游雷达相应的车辆轨迹信息,为第一车辆轨迹信息。
接着,服务器基于第一轨迹预测信息中的径向距离、上游雷达与下游雷达之间的间隔距离及相应的采集区域、第一轨迹预测信息中的横向距离、第一车辆轨迹信息中的径向距离及横向距离、第一轨迹预测信息中的径向速度与第一车辆轨迹信息中的径向速度,确定第一轨迹预测信息与第一车辆轨迹信息是否为待拼接轨迹。
具体地,服务器根据以下公式确定待拼接轨迹:
其中,为第一轨迹预测信息中第时刻的径向距离,为上游雷达与下游雷达之间的间隔距离,为采集区域的最远距离,为第一轨迹预测信息中第时刻的横向距离,为第一车辆轨迹信息中第时刻的径向距离,为第一车辆轨迹信息中第时刻的横向距离,为预设的一极小值,单位为米,为第一轨迹预测信息中第时刻的径向速度,为第一车辆轨迹信息中第时刻的径向速度,为一预设的极小值,单位为米/秒,为第时刻第一车辆轨迹信息至第一轨迹预测信息的车辆状态变化量。其中,,可以是下游雷达采集得到的。,可以是有上游雷达采集的车辆轨迹信息预测得到的第时刻的距离。
服务器在确定第一轨迹预测信息与第一车辆轨迹信息为待拼接轨迹的情况下,将第一轨迹预测信息相应的待拼接轨迹与第一车辆轨迹信息相应的待拼接轨迹进行拼接,以得到跟踪目标轨迹。
服务器在轨迹拼接属性为相切的情况下,确定上游雷达相应的轨迹预测信息,为第二轨迹预测信息以及下游雷达相应的车辆轨迹信息,为第二车辆轨迹信息。
基于第二轨迹预测信息中的径向距离及横向距离、第二车辆轨迹信息中的径向距离及横向距离、第二轨迹预测信息中的径向速度与第二车辆轨迹信息中的径向速度,确定第二轨迹预测信息与第二车辆轨迹信息是否为待拼接轨迹。
具体地:
若满足上述关系,确定第二轨迹预测信息与第二车辆轨迹信息为待拼接轨迹。
服务器在确定第二轨迹预测信息与第二车辆轨迹信息为待拼接轨迹的情况下,将第二轨迹预测信息相应的待拼接轨迹与第二车辆轨迹信息相应的待拼接轨迹进行拼接,以得到跟踪目标轨迹。
服务器在轨迹拼接属性为相交的情况下,确定上游雷达相应的车辆轨迹信息为第三车辆轨迹信息以及下游雷达相应的车辆轨迹信息,为第四车辆轨迹信息。
服务器基于第三车辆轨迹信息中的径向距离及横向距离、上游雷达与下游雷达之间的间隔距离及相应的采集区域、第四车辆轨迹信息中的径向距离及横向距离、第三车辆轨迹信息中的径向速度与第四车辆轨迹信息中的径向速度,确定第三车辆轨迹信息与第四车辆轨迹信息是否为待拼接轨迹。
具体如下:
服务器确定第三车辆轨迹信息与第四车辆轨迹信息为待拼接轨迹的情况下,将第三车辆轨迹信息相应的轨迹预测信息,作为第三轨迹预测信息,以及将第四车辆轨迹信息相应的轨迹预测信息,作为第四轨迹预测信息。
服务器根据预设的权重数据库,分别将第三轨迹预测信息的横向距离、径向距离、径向速度与第四轨迹预测信息的横向距离、径向距离、径向速度进行加权拼接,以得到跟踪目标轨迹。
具体地,服务器通过上述公式,在轨迹拼接属性为相交(图2中203)时,确定第三车辆轨迹信息与第四车辆轨迹信息为待拼接轨迹,接着,服务器将通过轨迹预测模型,分别确定第三车辆轨迹信息对应的第三轨迹预测信息,第四车辆轨迹信息对应的第四轨迹预测信息。权重数据库可以是根据实际轨迹处理过程中,进行求平均值得到。
例如拼接第三轨迹预测信息的车辆轨迹点T1,与第四轨迹预测信息的车辆轨迹点T2时,T1的横向距离权重为0.3,T1的径向距离权重为0.7;T2的横向距离权重为0.3,T2的径向距离权重为0.7;T1的径向速度权重为0.5,T2的径向速度权重为0.5。
再例如,拼接第三轨迹预测信息的车辆轨迹点T1,与第四轨迹预测信息的车辆轨迹点T2时,T1的横向距离权重为0.5,T1的径向距离权重为0.5;T2的横向距离权重为0.5,T2的径向距离权重为0.5;T1的径向速度权重为0.4,T2的径向速度权重为0.6。
在实际使用过程中,权重可以进行优化,例如第一次T1的横向距离权重为0.3,第二次TT1的横向距离权重为0.5,那么服务器可以将平均值0.4作为新的T1的横向距离权重。在本申请实施例中,权重数据库中权重的具体获取方式以及数值,本申请对此不作具体限定。权重与轨迹拼接的效果相关,在实际使用过程中,可以进行自行设定。
通过上述方案,可以将相离、相切、相交的采集区域,进行完整的车辆轨迹拼接,实现利用雷达,识别同一车辆行驶轨迹,对车辆目标进行准确跟踪。
在本申请实施例中,服务器将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹,具体包括:
首先,服务器确定各待拼接轨迹相应的毫米波雷达的采集位置。
接着,服务器通过预设坐标转换公式,确定各毫米波雷达相应的雷达坐标系,对应的世界坐标系。
预设坐标转换公式:
然后,服务器根据世界坐标系,分别确定各待拼接轨迹中的至少一个拼接轨迹点坐标。
在本申请实施例中,待拼接轨迹包含至少一个轨迹点,进行轨迹拼接,得到跟踪目标轨迹,需要得到待拼接轨迹中能够重合拼接的轨迹点,将轨迹点通过上述方案拼接后,即可得到跟踪目标轨迹。
在本申请的另一个实施例中,服务器可以在毫米波雷达设置后,将各毫米波雷达通过上述预设坐标转换公式,将各毫米波雷达的雷达坐标系转换至世界坐标系,在毫米波雷达获取车辆位置时,直接获取车辆在世界坐标系下的车辆位置。
随后,服务器根据各拼接轨迹点坐标,拼接各待拼接轨迹,以得到跟踪目标轨迹。
在本申请实施例中,服务器将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹,具体包括:
首先,服务器确定各车辆轨迹信息的车辆标识。
在本申请实施例中,车辆出现在各毫米波雷达的采集区域内时,毫米波雷达将提供给车辆一车辆标识,例如编号1,编号2……但是各雷达可提供给车辆的编号无法得到统一,例如车辆I在上游雷达的车辆编号为1,而当车辆I逃离上游雷达的车辆编号1,将更换为其他新出现在上游雷达的采集区域内的车辆,而下游雷达的车辆编号1可能被其他处于下游雷达的采集区域内的车辆使用,也可能未被使用,编号1未提供给任意车辆,下游雷达提供给车辆I的编号为编号3。
因此,服务器通过雷达提供的车辆标识,不能真正地代表唯一车辆,本申请提供以下方案进行解决上述问题。
服务器根据各毫米波雷达的采集位置,生成上游雷达相应的车辆标识的目标跟踪标识,并将目标跟踪标识存储至预设数据库。
目标跟踪标识可以唯一标识一车辆,例如在道路的第一个毫米波雷达检测到车辆I时,雷达提供给该车辆的标识为编号2,服务器同时将提供对应该时刻的编号2的车辆一目标跟踪标识如car001001,目标跟踪标识也可以采用二维码或一维码的方式,也可以采用任意长度的字符及数字编码。
然后,服务器在确定至少两个待拼接轨迹的情况下,将目标跟踪标识与下游雷达相应的车辆标识进行关联,以将至少两个待拼接轨迹进行拼接,得到跟踪目标轨迹。
例如,在根据上游雷达与下游雷达的车辆轨迹信息得到车辆I出现在两个雷达之间,并产生待拼接轨迹的情况下,服务器将上游雷达的car001001的目标跟踪标识提供给下游雷达的待拼接轨迹的车辆,如下游雷达对应的车辆I的编号为10,服务器将该编号10关联一跟踪目标标识car001001。并将上游雷达的车辆I的轨迹与下游雷达的车辆I的轨迹进行拼接,得到car001001的跟踪目标轨迹。
再者,在车辆逃离雷达的监测时,编号将会重置,以提供给其他车辆,因此,本申请可以对车辆的连续轨迹点进行监测,为避免编号在车辆未逃离雷达采集区域时便重置编号。本申请可以对车辆的连续轨迹点进行监测,在连续轨迹点大于预设值如5个,那么将确定车辆为同一车辆,编号将不会重置,直至车辆逃离雷达的采集区域。
通过上述方案,本申请可以将利用多个毫米波雷达采集的车辆轨迹,进行车辆轨迹的准确拼接,并能够在车辆逃离了毫米波雷达的监测区域或同时出现在多个毫米波雷达的监测区域时,仍能够准确地跟踪车辆的轨迹,从而在道路中得到车辆目标的完整道路轨迹。
图5为本申请实施例提供的一种用于多雷达的车辆跟踪设备500的结构示意图,该设备500包括:
至少一个处理器501;以及,与至少一个处理器通信连接的存储器502。其中,存储器502存储有能够被至少一个处理器501执行的指令,指令被至少一个处理器501执行,以使至少一个处理器501能够:
获取多个毫米波雷达采集的车辆轨迹信息。其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。其中,至少两个待拼接轨迹来自不同的毫米波雷达。
本申请实施例还提供了一种用于多雷达的车辆跟踪的溯源非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
获取多个毫米波雷达采集的车辆轨迹信息。其中,车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置。根据各毫米波雷达的采集位置及采集区域,确定各毫米波雷达之间的轨迹拼接属性。其中,轨迹拼接属性用于匹配轨迹拼接的预设条件。预设条件用于判断至少两个车辆轨迹的匹配程度。基于各车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息。根据轨迹拼接属性匹配的预设条件以及轨迹预测信息、车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹。其中,至少两个待拼接轨迹来自不同的毫米波雷达。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备、介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备、介质与方法是一一对应的,因此,设备、介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备、介质的有益技术效果。
还需要说明的是,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于多雷达的车辆跟踪方法,其特征在于,所述方法包括:
获取多个毫米波雷达采集的车辆轨迹信息;其中,所述车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置;
根据各所述毫米波雷达的采集位置及采集区域,确定各所述毫米波雷达之间的轨迹拼接属性;其中,所述轨迹拼接属性用于匹配轨迹拼接的预设条件;所述预设条件用于判断至少两个车辆轨迹的匹配程度;
基于各所述车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息;
根据所述轨迹拼接属性匹配的所述预设条件以及所述轨迹预测信息、所述车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹;其中,所述至少两个待拼接轨迹来自不同的所述毫米波雷达。
2.根据权利要求1所述方法,其特征在于,根据各所述毫米波雷达的采集位置及采集区域,确定各所述毫米波雷达之间的轨迹拼接属性,具体包括:
确定各所述毫米波雷达的所述采集位置,以得到各所述毫米波雷达的间隔距离;
根据所述采集区域以及所述间隔距离,确定各所述采集区域的边界属性;其中,所述边界属性至少包括:相离、相切、相交;
将所述边界属性,作为所述轨迹拼接属性。
3.根据权利要求1所述方法,其特征在于,确定各所述毫米波雷达之间的轨迹拼接属性之前,所述方法还包括:
根据电子地图,确定所述采集位置的道路信息;所述道路信息包括:道路车道、道路走向;
根据所述毫米波雷达的可覆盖范围以及所述道路信息,确定所述可覆盖范围内的道路路段,为所述采集区域。
4.根据权利要求1所述方法,其特征在于,基于各所述车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息之前,所述方法还包括:
以所述采集位置为原点,生成所述毫米波雷达的雷达坐标系;
根据所述雷达坐标系,确定所述车辆位置的车辆轨迹坐标;以及
确定所述采集区域的各角坐标;其中,所述角坐标为所述采集区域的至少两条不平行的边的相交点的坐标;
根据所述车辆轨迹坐标、相邻的各所述角坐标以及预设匹配公式,依次确定所述车辆轨迹坐标的各第一匹配结果;
将各所述第一匹配结果中匹配成功的次数相加,得到第二匹配结果;
根据所述第二匹配结果,确定所述车辆轨迹坐标是否位于所述采集区域,以将位于所述采集区域的所述车辆轨迹坐标,输入所述轨迹预测模型。
5.根据权利要求1所述方法,其特征在于,基于各所述车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息之前,所述方法还包括:
获取若干车辆轨迹样本;其中,所述车辆轨迹样本包括:车辆横向距离、车辆径向距离、车辆径向速度;
将所述车辆轨迹样本分别输入所述轨迹预测模型的多个预测子模型,以对各所述预测子模型进行训练,直至所述轨迹预测模型的判定系数大于预设阈值;其中,所述轨迹预测模型的多个预测子模型至少包括:横向距离预测模型、径向距离预测模型、径向速度预测模型;所述预测子模型为长短时记忆神经网络模型。
6.根据权利要求1所述方法,其特征在于,根据所述轨迹拼接属性匹配的所述预设条件以及所述轨迹预测信息、所述车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹,具体包括:
在所述轨迹拼接属性为相离的情况下,确定各所述毫米波雷达中的上游雷达相应的所述轨迹预测信息,为第一轨迹预测信息以及下游雷达相应的所述车辆轨迹信息,为第一车辆轨迹信息;
基于所述第一轨迹预测信息中的径向距离、所述上游雷达与所述下游雷达之间的间隔距离及相应的所述采集区域、所述第一轨迹预测信息中的横向距离、所述第一车辆轨迹信息中的径向距离及横向距离、第一轨迹预测信息中的径向速度与所述第一车辆轨迹信息中的径向速度,确定所述第一轨迹预测信息与所述第一车辆轨迹信息是否为所述待拼接轨迹;
若是,将所述第一轨迹预测信息相应的所述待拼接轨迹与所述第一车辆轨迹信息相应的所述待拼接轨迹进行拼接,以得到所述跟踪目标轨迹;
在所述轨迹拼接属性为相切的情况下,确定所述上游雷达相应的所述轨迹预测信息,为第二轨迹预测信息以及所述下游雷达相应的所述车辆轨迹信息,为第二车辆轨迹信息;
基于所述第二轨迹预测信息中的径向距离及横向距离、所述第二车辆轨迹信息中的径向距离及横向距离、第二轨迹预测信息中的径向速度与所述第二车辆轨迹信息中的径向速度,确定所述第二轨迹预测信息与所述第二车辆轨迹信息是否为所述待拼接轨迹;
若是,将所述第二轨迹预测信息相应的所述待拼接轨迹与所述第二车辆轨迹信息相应的所述待拼接轨迹进行拼接,以得到所述跟踪目标轨迹;
在所述轨迹拼接属性为相交的情况下,确定所述上游雷达相应的所述车辆轨迹信息为第三车辆轨迹信息以及所述下游雷达相应的所述车辆轨迹信息,为第四车辆轨迹信息;
基于所述第三车辆轨迹信息中的径向距离及横向距离、所述上游雷达与所述下游雷达之间的间隔距离及相应的所述采集区域、所述第四车辆轨迹信息中的径向距离及横向距离、第三车辆轨迹信息中的径向速度与所述第四车辆轨迹信息中的径向速度,确定所述第三车辆轨迹信息与所述第四车辆轨迹信息是否为所述待拼接轨迹;
若是,将所述第三车辆轨迹信息相应的所述轨迹预测信息,作为第三轨迹预测信息,以及将所述第四车辆轨迹信息相应的所述轨迹预测信息,作为第四轨迹预测信息;
根据预设的权重数据库,分别将所述第三轨迹预测信息的所述横向距离、所述径向距离、所述径向速度与所述第四轨迹预测信息的所述横向距离、所述径向距离、所述径向速度进行加权拼接,以得到所述跟踪目标轨迹。
7.根据权利要求1所述方法,其特征在于,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹,具体包括:
确定各所述待拼接轨迹相应的所述毫米波雷达的采集位置;
通过预设坐标转换公式,确定各所述毫米波雷达相应的雷达坐标系,对应的世界坐标系;
根据所述世界坐标系,分别确定各所述待拼接轨迹中的至少一个拼接轨迹点坐标;
根据各所述拼接轨迹点坐标,拼接各所述待拼接轨迹,以得到所述跟踪目标轨迹。
8.根据权利要求1所述方法,其特征在于,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹,具体包括:
确定各所述车辆轨迹信息的车辆标识;
根据各所述毫米波雷达的采集位置,生成上游雷达相应的所述车辆标识的目标跟踪标识,并将所述目标跟踪标识存储至预设数据库;
在确定所述至少两个待拼接轨迹的情况下,将所述目标跟踪标识与下游雷达相应的所述车辆标识进行关联,以将至少两个待拼接轨迹进行拼接,得到所述跟踪目标轨迹。
9.一种用于多雷达的车辆跟踪设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取多个毫米波雷达采集的车辆轨迹信息;其中,所述车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置;
根据各所述毫米波雷达的采集位置及采集区域,确定各所述毫米波雷达之间的轨迹拼接属性;其中,所述轨迹拼接属性用于匹配轨迹拼接的预设条件;所述预设条件用于判断至少两个车辆轨迹的匹配程度;
基于各所述车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息;
根据所述轨迹拼接属性匹配的所述预设条件以及所述轨迹预测信息、所述车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹;其中,所述至少两个待拼接轨迹来自不同的所述毫米波雷达。
10.一种用于多雷达的车辆跟踪的溯源非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
获取多个毫米波雷达采集的车辆轨迹信息;其中,所述车辆轨迹信息至少包括:车辆标识、车辆速度、车辆位置;
根据各所述毫米波雷达的采集位置及采集区域,确定各所述毫米波雷达之间的轨迹拼接属性;其中,所述轨迹拼接属性用于匹配轨迹拼接的预设条件;所述预设条件用于判断至少两个车辆轨迹的匹配程度;
基于各所述车辆轨迹信息及预设的轨迹预测模型,确定相应的待跟踪车辆的轨迹预测信息;
根据所述轨迹拼接属性匹配的所述预设条件以及所述轨迹预测信息、所述车辆轨迹信息,将至少两个待拼接轨迹进行拼接,以得到跟踪目标轨迹;其中,所述至少两个待拼接轨迹来自不同的所述毫米波雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418629.2A CN114518573B (zh) | 2022-04-21 | 2022-04-21 | 一种用于多雷达的车辆跟踪方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418629.2A CN114518573B (zh) | 2022-04-21 | 2022-04-21 | 一种用于多雷达的车辆跟踪方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114518573A true CN114518573A (zh) | 2022-05-20 |
CN114518573B CN114518573B (zh) | 2022-07-19 |
Family
ID=81600285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210418629.2A Active CN114518573B (zh) | 2022-04-21 | 2022-04-21 | 一种用于多雷达的车辆跟踪方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114518573B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755676A (zh) * | 2022-06-16 | 2022-07-15 | 浙江宇视科技有限公司 | 一种雷达视觉协同的目标跟踪方法及*** |
CN115236618A (zh) * | 2022-06-16 | 2022-10-25 | 中国第一汽车股份有限公司 | 护栏的检测方法、检测装置与车辆 |
CN115331469A (zh) * | 2022-08-15 | 2022-11-11 | 北京图盟科技有限公司 | 一种车辆轨迹在线还原方法、装置及设备 |
CN116008989A (zh) * | 2022-12-23 | 2023-04-25 | 河北德冠隆电子科技有限公司 | 一种智慧交通用多拼接多维度全向扫描毫米波雷达 |
CN116597397A (zh) * | 2023-07-17 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 预测车辆轨迹的模型训练方法和装置及存储介质 |
CN116679293A (zh) * | 2023-08-01 | 2023-09-01 | 长沙隼眼软件科技有限公司 | 基于高精地图的多雷达目标轨迹拼接方法及装置 |
CN116953704A (zh) * | 2022-12-23 | 2023-10-27 | 河北德冠隆电子科技有限公司 | 一种智慧交通用多维度角度可调全向扫描毫米波雷达 |
CN117593708A (zh) * | 2024-01-16 | 2024-02-23 | 苏州映赛智能科技有限公司 | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 |
CN117687029A (zh) * | 2024-02-01 | 2024-03-12 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的车辆运动轨迹跟踪方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112018014857A2 (pt) * | 2016-01-22 | 2018-12-18 | Nissan Motor Co., Ltd. | método de determinação do pedestre e dispositivo de determinação |
CN109459750A (zh) * | 2018-10-19 | 2019-03-12 | 吉林大学 | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 |
CN109686108A (zh) * | 2019-02-19 | 2019-04-26 | 山东科技大学 | 一种车辆目标轨迹跟踪***及车辆轨迹跟踪方法 |
CN113419244A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达数据的车辆轨迹拼接方法 |
CN113567951A (zh) * | 2021-09-26 | 2021-10-29 | 之江实验室 | 一种基于时空信息的跨毫米波雷达目标跟踪方法 |
CN113866759A (zh) * | 2021-09-02 | 2021-12-31 | 浙江浙大中控信息技术有限公司 | 一种路口多雷达检测轨迹匹配融合方法 |
-
2022
- 2022-04-21 CN CN202210418629.2A patent/CN114518573B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112018014857A2 (pt) * | 2016-01-22 | 2018-12-18 | Nissan Motor Co., Ltd. | método de determinação do pedestre e dispositivo de determinação |
CN109459750A (zh) * | 2018-10-19 | 2019-03-12 | 吉林大学 | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 |
CN109686108A (zh) * | 2019-02-19 | 2019-04-26 | 山东科技大学 | 一种车辆目标轨迹跟踪***及车辆轨迹跟踪方法 |
CN113419244A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达数据的车辆轨迹拼接方法 |
CN113866759A (zh) * | 2021-09-02 | 2021-12-31 | 浙江浙大中控信息技术有限公司 | 一种路口多雷达检测轨迹匹配融合方法 |
CN113567951A (zh) * | 2021-09-26 | 2021-10-29 | 之江实验室 | 一种基于时空信息的跨毫米波雷达目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
李旭等: "车路协同环境下的双雷达车辆检测和跟踪优化方法", 《重庆理工大学学报(自然科学)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114755676A (zh) * | 2022-06-16 | 2022-07-15 | 浙江宇视科技有限公司 | 一种雷达视觉协同的目标跟踪方法及*** |
CN114755676B (zh) * | 2022-06-16 | 2022-10-04 | 浙江宇视科技有限公司 | 一种雷达视觉协同的目标跟踪方法及*** |
CN115236618A (zh) * | 2022-06-16 | 2022-10-25 | 中国第一汽车股份有限公司 | 护栏的检测方法、检测装置与车辆 |
CN115331469A (zh) * | 2022-08-15 | 2022-11-11 | 北京图盟科技有限公司 | 一种车辆轨迹在线还原方法、装置及设备 |
CN116953704A (zh) * | 2022-12-23 | 2023-10-27 | 河北德冠隆电子科技有限公司 | 一种智慧交通用多维度角度可调全向扫描毫米波雷达 |
CN116008989A (zh) * | 2022-12-23 | 2023-04-25 | 河北德冠隆电子科技有限公司 | 一种智慧交通用多拼接多维度全向扫描毫米波雷达 |
CN116008989B (zh) * | 2022-12-23 | 2023-11-10 | 河北德冠隆电子科技有限公司 | 一种智慧交通用多拼接多维度全向扫描毫米波雷达 |
CN116597397A (zh) * | 2023-07-17 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 预测车辆轨迹的模型训练方法和装置及存储介质 |
CN116597397B (zh) * | 2023-07-17 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 预测车辆轨迹的模型训练方法和装置及存储介质 |
CN116679293A (zh) * | 2023-08-01 | 2023-09-01 | 长沙隼眼软件科技有限公司 | 基于高精地图的多雷达目标轨迹拼接方法及装置 |
CN116679293B (zh) * | 2023-08-01 | 2023-09-29 | 长沙隼眼软件科技有限公司 | 基于高精地图的多雷达目标轨迹拼接方法及装置 |
CN117593708A (zh) * | 2024-01-16 | 2024-02-23 | 苏州映赛智能科技有限公司 | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 |
CN117593708B (zh) * | 2024-01-16 | 2024-04-16 | 苏州映赛智能科技有限公司 | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 |
CN117687029A (zh) * | 2024-02-01 | 2024-03-12 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的车辆运动轨迹跟踪方法及*** |
CN117687029B (zh) * | 2024-02-01 | 2024-05-03 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的车辆运动轨迹跟踪方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114518573B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114518573B (zh) | 一种用于多雷达的车辆跟踪方法、设备及介质 | |
CN104977584A (zh) | 一种对流天气的临近预报方法及*** | |
CN112560580B (zh) | 障碍物识别方法、装置、***、存储介质和电子设备 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN107507417A (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
CN111199647A (zh) | 一种道路车辆连续变道和违规掉头的监控视频检测方法 | |
CN112735137A (zh) | 基于毫米波信号的量化交通预警方法、装置、***及介质 | |
Wang et al. | Realtime wide-area vehicle trajectory tracking using millimeter-wave radar sensors and the open TJRD TS dataset | |
CN114779205B (zh) | 一种基于雷达目标多状态参数航迹匹配处理方法及*** | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
CN109766912A (zh) | 一种基于卡尔曼滤波与支持向量机的输电线路覆冰评估方法和*** | |
CN104950298A (zh) | 一种基于多台相控阵雷达的目标跨防区识别方法 | |
CN114842643B (zh) | 视频车辆检测模型在线更新方法、装置及雷视融合*** | |
CN114495512B (zh) | 一种车辆信息检测方法、***、电子设备及可读存储介质 | |
CN115630569A (zh) | 一种应用于自动驾驶的毫米波雷达传感器建模方法 | |
CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及*** | |
CN116958907A (zh) | 一种输气管道周边隐患目标巡检方法及*** | |
CN116740944B (zh) | 一种道路隧道内行车安全预警方法、设备及存储介质 | |
CN117353460A (zh) | 一种电力线路巡检方法、装置、设备及介质 | |
KR102616571B1 (ko) | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 | |
CN103235315A (zh) | 一种多机动目标跟踪*** | |
CN115966084A (zh) | 全息路口毫米波雷达数据处理方法、装置及计算机设备 | |
CN112802343A (zh) | 面向虚拟算法验证的通用虚拟传感数据采集方法及*** | |
CN112819360A (zh) | 一种高速公路路侧感知设备布设方案评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |