CN116888502A - 物***置检测装置及方法 - Google Patents
物***置检测装置及方法 Download PDFInfo
- Publication number
- CN116888502A CN116888502A CN202280017396.3A CN202280017396A CN116888502A CN 116888502 A CN116888502 A CN 116888502A CN 202280017396 A CN202280017396 A CN 202280017396A CN 116888502 A CN116888502 A CN 116888502A
- Authority
- CN
- China
- Prior art keywords
- image data
- position detection
- azimuth
- data including
- object position
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000013459 approach Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 64
- 238000010586 diagram Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 241001272996 Polyphylla fullo Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
- G01S13/536—Discriminating between fixed and moving objects or between objects moving at different speeds using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
- G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
- G01S13/343—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal using sawtooth modulation
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
- G01S13/538—Discriminating between fixed and moving objects or between objects moving at different speeds eliminating objects that have not moved between successive antenna scans, e.g. area MTi
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/881—Radar or analogous systems specially adapted for specific applications for robotics
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30236—Traffic on road, railway or crossing
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种物***置检测装置,与现有技术相比,即使是在诸如反射波干扰那样接近的多个物体或者构造物接近的状况下,也能高精度地检测物体。该物***置检测装置根据来自雷达装置的雷达信号检测物体的位置。物***置检测装置具备位置推定部(4),根据包含雷达信号的图像数据,使用根据表示物体的位置的预定的示教图像数据进行学习而得的机械学习模型,推定物体的有无及位置,并输出表示所推定的物体的有无及位置的图像数据。这里,图像数据是针对方位的距离的二维图像数据或者针对方位的距离及相对速度的三维图像数据。并且,示教图像数据是通过由表示物体的位置的多个像素构成的图形即物体标签来表示的。
Description
技术领域
本发明涉及一种物***置检测装置及方法,例如根据来自雷达装置的雷达信息推定并检测物体的位置。
背景技术
通常,雷达装置通过对由所接收的雷达信号生成的观测区的反射强度及多普勒速度应用峰值检测(CFAR(Constant False Alarm Rate,恒虚警率))和聚类分析,检测作为物标的移动物体。
例如,在专利文献1中公开了一种雷达装置,能够抑制误检,高精度地仅抽取目标物体。该雷达装置发送并接收脉冲或者连续波,根据N次(N≥1)的CPI(Coherent PulseInterval,相干脉冲间隔)数据生成测距多普勒(RD)数据,并对所述RD数据抽取超过预定的阈值的测距仪轴的单元。并且,雷达装置通过使用所抽取的单元分析分类器,选出成为目标候选的分类器的代表值,根据所述代表值抽取目标的测距多普勒,进行测距、测速及测角至少任一方的处理,并输出目标观测值。
现有技术文献
专利文献
专利文献1:日本特开2018-205174号公报
发明内容
发明所要解决的技术问题
但是,与光学***传感器相比,雷达装置由于天线数量的制约而难以提高角度分离分辨率,所以在CFAR和聚类分析那样的方法中,当诸如反射波干扰那样接近的多个物体或构造物接近的情况下,存在物体检测困难的问题。
例如,在采用CFAR方法时,当两个物体以相同距离而且是比雷达固有的角度分辨率狭小的距离接近的情况下,来自两个物体的反射波干扰,来自物标的反射波源的峰值的检测变困难。并且,在采用聚类方法时,当两个物体以相同速度接近移动的状况下,分类器的分离变困难。
本发明的目的在于解决上述的问题,提供一种物***置检测装置及方法,与现有技术相比,即使是在诸如反射波干扰那样接近的多个物体或者构造物接近的状况下,也能够高精度地检测物体。
用于解决问题的技术方案
本发明的一个方式所涉及的物***置检测装置根据来自雷达装置的雷达信号检测物体的位置,物***置检测装置具备位置推定部,使用根据包含所述雷达信号的图像数据通过表示所述物体的位置的预定的示教图像数据进行学习而得的机械学习模型,推定所述物体的有无及位置,并输出表示所述推定的物体的有无及位置的图像数据。
发明效果
因此,根据本发明所涉及的物***置检测装置等,即使是在诸如反射波干扰那样接近的多个物体或者构造物接近的状况下,也能够高精度地检测物体。
附图说明
图1是表示实施方式所涉及的物体推定时的物***置检测装置的结构例的框图。
图2是表示实施方式所涉及的学习时的物***置检测装置的结构例的框图。
图3是从图1及图2的雷达装置发送的无线信号的啁啾信号的时序图。
图4是表示图1及图2的机械学习模型的第一结构例的框图。
图5是表示图1及图2的机械学习模型的第二结构例的框图。
图6A是表示图1及图2的机械学习模型用的图像数据例、即表示物标的位置的图像数据的图。
图6B是表示当在图6A的图像数据所对应的位置存在物标时得到的雷达信号的图像数据的图。
图7A是表示图1及图2的机械学习模型用的图像数据的第一例、即表示物标的位置的图像数据的图。
图7B是表示当在图7A的图像数据所对应的位置存在物标时得到的雷达信号的图像数据的图。
图7C是表示与图7B的图像数据对应的、作为机械学习模型的示教数据所提供的学习用示教图像数据即雷达图像数据的一例的图。
图8A是表示图1及图2的机械学习模型用的图像数据的第二例、即表示物标的位置的图像数据的图。
图8B是表示当在图8A的图像数据所对应的位置存在物标时得到的雷达信号的图像数据的图。
图8C是表示与图8B的图像数据对应的、作为机械学习模型的示教数据所提供的学习用示教图像数据即雷达图像数据的一例的图。
图9是表示图1的物体坐标检测部的结构例及处理例的框图。
图10是表示在变形例所涉及的物***置检测装置中使用的图像数据的维度的图。
具体实施方式
下面,参照附图对本发明所涉及的实施方式进行说明。另外,对相同或者同样的构成要素标注相同的标号。
(发明人的见解)
本发明的诸发明人知晓这样的问题,即在使用雷达装置的例如通行车辆数量计测的应用中,在隧道内和隔音墙接近的场所等,在产生多路径衰落或混乱的环境下计数不畅,作为针对此问题的解决方案,研究出了本发明的实施方式。
在本发明中,作为推定物标的位置的技术方案,不是将CFAR和聚类组合而得的方法,而是研究基于机械学习的雷达信号的波源推定方法,并且研究出了使用通过信号处理所生成的时间差分时间序列信息和图像识别用的机械学习模型,由此生成描画了物标的位置所对应的标签的图像。由此,本发明的特征在于,即使是在CFAR和聚类中产生问题的状况下,也能高精度地推定各个物标的位置。下面,对实施方式进行说明。
(实施方式)
图1是表示实施方式所涉及的物体推定时的物***置检测装置的结构例的框图,图2是表示实施方式所涉及的学习时的物***置检测装置的结构例的框图。
在图1的物体推定时,实施方式所涉及的物***置检测装置构成为具备雷达装置1、信号处理部2、输入处理部3、物体检测部4、输出处理部5、物体坐标检测部6、显示部7和存储部8。并且,在图2的学习时,本实施方式的物***置检测装置构成为具备雷达装置1、信号处理部2、输入处理部3、物体检测部4、输出处理部5A和存储部8。其中,物体检测部4具有机械学习模型40,把学习后的机械学习模型40作为已学习机械学习模型81存储在存储部8中,以便在推定检测时使用。另外,在图1及图2中,在物体推定时和学习时用不同的附图进行图示,但也可以构成为使用开关有选择地将输出处理部5或者5A切换连接于物体检测部4。
在图1及图2中,雷达装置1例如使用FCM(Fast Chirp Modulation,快速啁啾调制)方式朝向物标发送包含啁啾信号的无线信号,并接收在该物标被反射过来的无线信号,生成用于推定与物标的距离及相对速度的雷达信号即差拍信号。这里,在FCM方式中,向物标无线发送包含频率连续变化的多个啁啾信号反复而成的啁啾信号,检测与存在于检测范围内的各物标的距离及相对速度。具体而言,FCM方式针对根据生成啁啾信号用的调制信号和接收物标对发送信号的反射波得到的接收信号而生成的差拍信号,执行距离(范围)高速傅里叶转换处理(以下称为距离FFT处理),推定与物标的距离(参照后述的距离FFT部22的说明)。
图3是从图1及图2的雷达装置发送的无线信号的啁啾信号的时序图。在本实施方式中,把构成一个电波图像数据的接收数据称作“1帧”,1帧由多个啁啾信号构成。图3表示高速FMCW(Frequency Modulation Continuous Wave,调频连续波)方式的帧,B表示啁啾信号的带宽,T表示啁啾信号的反复时间,T·M表示位于一个帧内的有源啁啾时间。另外,帧时间包括待机时间。这里,例如每一帧的啁啾数设为24,通过对所接收到的无线信号的多个啁啾信号进行累计平均,能够提高耐噪声性。
另外,雷达装置1的无线接收部在使用例如包括多个天线的阵列天线接收到在物标被反射的无线信号之后,与无线发送部的发送无线信号进行混合而且进行低通滤波,由此计算各天线所对应的多个差拍信号,并输出给信号处理部2。
在图1及图2中,信号处理部2具备AD转换部21、距离FFT部22和到来方向推定部23。AD转换部21对从雷达装置1输出的雷达信号的多个差拍信号进行AD转换,并输出给距离FFT部22。距离FFT部22对所输入的被AD转换后的差拍信号执行距离FFT处理,将处理后的距离FFT波谱输出给到来方向推定部23。到来方向推定部23根据所输入的距离FFT波谱,使用例如波束成形法推定从物标反射的无线信号的到来方向(方位),在针对方位的距离的二维图像中,以作为像素值包含反射信号强度(例如把相互正交的I信号及Q信号的振幅值转换为对数值而得的值)的信息的二维图像数据(具有预定的离散时间间隔)的形式输出给输入处理部3。
在图1及图2中,输入处理部3具备时间差分部31和规范化部32。时间差分部31在所输入的针对方位的距离的二维图像中,对作为像素值包含反射信号强度的信息(表示物标的有无及位置)的图像数据中在时间上相互邻接的各一对的时间帧的二维图像数据,依次对时间序列的预定数量(例如31个)的每帧进行向后差分运算(运算时间方向的有限差分),生成在时间上具有多个针对方位的距离的帧的、方位、距离及时间的三维图像数据并进行输出。然后,规范化部32根据向后差分运算之后的三维图像数据,对其各像素值按预定的最大值进行规范化,生成规范化处理后的三维图像数据,将其作为针对机械学习模型40的输入数据。
另外,时间差分部31的处理例如如上述的那样,针对作为像素值包含反射信号强度的信息的图像数据中、在时间上相互邻接的各一对的时间帧的二维图像数据,依次对时间序列的预定数量的每帧进行向后差分运算,推定频次是针对该时间序列的预定数量的帧所涉及的帧数设为一次。与此相对,本发明不限于此,时间差分部31的处理例如也可以如上述的那样,对作为像素值包含反射信号强度的信息的图像数据中、在时间上相互邻接的各一对的时间帧的二维图像数据,依次对时间序列的每一帧轮换着进行向后差分运算。在这种情况下,推定频次是针对1帧为一次。
并且,时间差分部31的处理是在针对方位的距离的二维图像数据中,对作为像素值包含反射信号强度的信息(表示物标的有无及位置)的图像数据中、在时间上相互邻接的各一对的时间帧的二维图像数据进行向后差分运算,生成在时间上具有多个针对方位的距离的帧的、具有方位、距离及时间的维度的时间序列的三维图像数据。这里,作为向后差分运算的替代方案,也可以是,对针对方位的距离的二维图像数据,为抑制混乱而进行多普勒FFT来计算零多普勒成分,由原来的二维图像数据减去该零多普勒成分。此时,根据所述被相减运算后的二维数据,对在时间上相互邻接的各一对的时间帧的二维图像数据进行向后差分运算,生成在时间上具有多个针对方位的距离的帧的、具有方位、距离及时间的维度的时间序列的三维图像数据。
另一方面,输出处理部5A将使用雷达装置1检测物标的位置时的二维示教图像数据(如后面参照图7A~图9C叙述的那样,针对已知的物标位置在二维图像数据(把物标的位置信息表示为鸟瞰图)中赋予多个像素)存储在内置存储器中,在针对机械学习模型40的学习时作为输出数据输入物体检测部4。另外,对物体推定时的输出处理部标注标号5,输出处理部5把来自物体检测部4的推定结果的二维图像数据存储在内置缓存存储器中,然后输出给图1的物体坐标检测部6。
在下面的表1中示出信号处理部2及输入处理部3的信号处理(信号数据的类型)和输出数据格式。
[表1]
信号处理部2及输入处理部3的信号处理(信号数据的类型)和输出数据格式
到来方向推定处理后的I/Q信号的振幅绝对值运算及对数转换处理(复数数据):
图1及图2的物体检测部4是位置推定部的一例,例如具有由由卷积编码器和卷积解码器构成的DNN(深度神经网络)构成的机械学习模型40,作为输入数据是输入所述规范化处理后的三维图像数据,另一方面作为输出数据,从输出处理部5A输入所述二维示教图像数据,使学习机械学习模型40,然后把已学习的机械学习模型40作为已学习机械学习模型81保存在存储部8中。然后,物体检测部4在图1的物体检测时,把存储部8内的已学习机械学习模型81作为机械学习模型40保存存储在物体检测部4的内置存储器中,在推定检测中使用。
在图1的物体检测时,从雷达装置1经过信号处理部2及输入处理部3到物体检测部4的处理,与学习时相同,但物体检测部4使用在输入数据中使用的机械学习模型40进行物体检测时的推定,把作为二维图像数据的输出数据输出给输出处理部5。输出处理部5把来自物体检测部4的推定结果的二维图像数据存储在内置缓存存储器中,然后输出给图1的物体坐标检测部6。
图4是表示图1及图2的机械学习模型40的第一结构例(实施方式)即机械学习模型40A的框图。在图4中,机械学习模型40A构成为具备三维卷积编码器41和二维卷积解码器42。
图4的三维卷积编码器41具备4个信号处理部,使用三维转换滤波器3×3×3(16或者32)、最大池化处理部2×2×2、和激活函数处理部(函数Relu)而构成。这里,括号内表示滤波器数量。并且,二维卷积解码器42具备5个信号处理部,使用二维转换滤波器3×3(16或者32)、上采样处理部2×2、激活函数处理部(函数Relu)、和输出层的激活函数处理部(双弯曲函数)而构成。
三维卷积编码器41的输入数据例如具有下式的数据格式。
(时间、距离、方位、信道)=(80、128、80、1)
并且,二维卷积解码器42的输出数据例如具有下式的数据格式。
(距离、方位、信道)=(128、80、1)
针对如上所述构成的图4的机械学习模型40A的基本结构,也可以进行例如一般的深层学习的深滴(deep drop)或者批归一化等追加处理。
图5是表示图1及图2的机械学习模型的第二结构例(变形例)即机械学习模型40B的框图。相对于图4的机械学习模型40A,图5的机械学习模型40B构成为具备二维卷积编码器51和二维卷积解码器52。
图5的二维卷积编码器51具备4个信号处理部,使用二维转换滤波器3×3(16或者32)、最大池化处理部2×2、和激活函数处理部(函数Relu)而构成。这里,括号内表示滤波器数量。并且,二维卷积解码器52具备5个信号处理部,使用二维转换滤波器3×3(16或者32)、上采样处理部2×2、激活函数处理部(函数Relu)、和输出层的激活函数处理部(双弯曲函数)而构成。
二维卷积编码器51的输入数据例如具有下式的数据格式。
(距离、方位、信道)=(128、80、1)
并且,二维卷积解码器52的输出数据例如具有下式的数据格式。
(距离、方位、信道)=(128、80、1)
在如上所述构成的图5的机械学习模型40B中,其特征在于,在输入数据中略去时间方向的维度(即,在图1及图2中省略时间差分部31),二维地构成卷积编码器51。由此,物体检测的识别性能虽然相比机械学习模型40A降低,但是具有计算负荷减小这样特有的效果。
下面,对图1及图2的机械学习模型40的图像数据的一例进行说明。
图6A是表示图1及图2的机械学习模型用的图像数据例、即表示物标的位置的图像数据的图。图6A在表示针对方位的距离的二维图像中,示出了与物标所在的坐标点对应的像素101。与此相对,图6B表示当在图6A的图像数据所对应的位置存在物标时得到的雷达信号的图像数据。在图6B中,与物标的存在对应的雷达信号的主瓣的方位方向的宽度,根据雷达装置1的方位方向的信道数量而决定。在图6B的实施例中,雷达装置1的方位方向的信道数量是8,其主瓣宽度大致相当于22度。在实施例中用1像素表示1度,所以主瓣相当于22像素。
图7A是表示图1及图2的机械学习模型用的图像数据的第一例、即表示物标的位置的图像数据的图。图7A在表示针对方位的距离的二维图像中,示出了与物标所在的坐标点对应的像素101。与此相对,图7B表示当在图7A的图像数据所对应的位置存在物标时得到的雷达信号的图像数据,图7C表示与图7B的图像数据对应的、作为机械学习模型40的示教数据所提供的学习用示教图像数据即雷达图像数据的一例。
如图7C所示,作为机械学习模型40的示教数据所提供的图像数据(示教图像数据)中的表示物标的位置的点(对应于图7A的像素101的位置)不是1像素的点,通过设为具有由多个像素构成的范围的图形即(物体标签)(这里,例如像素101位于物体标签的中心),学习可精度良好地聚束。此时,在上述的实施例中,通过把表示物标的位置的图形的方位方向的宽度设为22像素以下(图7C的中央部的白色部分的横向宽度),能够不损害原始的雷达信号具有的方位分辨率地进行物标的位置的推定。同样地,针对距离的维度和其他维度,也期望把利用雷达装置1的参数确定的主瓣的宽度设为表示物标的位置的图形所对应的维度方向的宽度的上限。
图8A是表示图1及图2的机械学习模型用的图像数据的第二例、即表示物标的位置的图像数据的图。图8A在表示针对方位的距离的二维图像中,示出了与物标所在的坐标点对应的像素101。与此相对,图8B是表示当在图8A的图像数据所对应的位置存在物标时得到的雷达信号的图像数据的图。图8C是表示与图8B的图像数据对应的、作为机械学习模型的示教数据所提供的学习用示教图像数据即雷达图像数据的一例的图。
根据发明人们的模拟及实验,在经验上把表示物标的位置的图形的方位方向的宽度设为雷达装置1的主瓣宽度的0.25倍~0.75倍的范围,这是为兼顾学习的聚束性和分辨率所期望的。在上述的实施例中,在设为大致11像素(图8C的中央部的白色部分的横向宽度)时推定精度最好,这对应于主瓣宽度的0.5倍。并且,表示物标的位置的图形的形状期望如图8C所示如椭圆那样在哪个方向都是凸形状,以便在模版映射时相对于哪个维度方向都容易分离。因此,需要优选各维度都是最少3像素以上,以便使物体标签的尺寸相对于哪个维度方向都成为凸形状。
如参照图6A~图7C说明的那样,优选的是,
(1)关于示教图像数据中的所述物体标签的各维度方向的尺寸,把检测到来自点反射源的反射波时的各维度方向的主瓣宽度设定为上限,或者
(2)关于示教图像数据中的所述物体标签的各维度方向的尺寸,把根据所述雷达装置的方位方向的信道数及雷达带宽确定的各维度方向的主瓣宽度设定为上限。
如以上说明的那样,在本实施方式中使用的机械学习模型40优选如以下那样构成。
1.机械学习模型40的输入数据
(1)输入数据是表示热图的图像数据,该热图是对包含各方位及各距离的反射强度的信息的雷达图像按时间帧进行向后差分得到的。
(2)距离及方位的范围能够根据应用而任意设定。
(3)所输入的图像数据未必需要是三维的,也可以删除时间序列,以1帧进行推论。
(4)输入和输出的距离及方位的距离(图像尺寸)未必需要相同。
(5)还能够增加输入数据的模式,例如,也可以把时间差分之前的反射强度图像作为第二个模式,准备如RGB图像那样作为第二个信道。
2.机械学习模型40的示教数据及输出数据
(1)示教图像数据及输出图像数据包括例如以0~1的输出范围表示的灰度范围的图像。
(2)把成为检测对象的物标以外的背景等表示为0。
(3)把成为检测对象的物标设为1,用多个像素的预定形状的图形的物体标签进行表示。
(4)物标的位置是以时间序列中的特定的帧为基准确定的,在图6A~图8C的实施例中是以时间序列中的中心帧为基准确定物标的位置。
(5)物体标签的中心坐标表示物标的位置信息。
(6)物体标签的尺寸用固定的尺寸表示,与物标的尺寸无关。
接下来,下面对图1的物体坐标检测部6的结构例及处理例进行说明。
图9是表示图1的物体坐标检测部6的结构例及处理例的框图。在图1及图9中,物体坐标检测部6具备模板映射部61和峰值搜索部62。在本实施方式中,在来自输出处理部5的输出数据的后处理中进行了模板映射和峰值搜索,以便根据机械学习模型40的输出数据的结果抽取物标的检测点数及坐标信息。
模板映射部61对所输入的图像数据中物标的物体标签的图案,求出预先存储的物标的正解物标的物体标签的图案和相互相关值并进行图案映射处理,由此进行一致度的计算,计算出相似度位图的图像数据。然后,峰值搜索部62对从模板映射部61输出的相似度位图的图像数据进行如下的峰值搜索处理。
(1)使用最大值滤波器(6×6的滤波器,能够根据正解标签尺寸和应用任意确定尺寸)检索最大值的峰值位置,得到具有检索结果的像素的图像数据。
(2)然后,通过对所得到的图像数据进行掩膜处理,得到仅保留了具有与原来的排列相同的值的要素的图像数据。
(3)进一步地,把预定的阈值以下的低值峰值的像素排除并得到图像数据,以便对所得到的图像数据进行噪声去除。
而且,物体坐标检测部6把在峰值搜索部62得到的图像数据、与物标的检测点数及物标的坐标位置(距离、方位)一起输出给显示部7进行显示。
如以上说明的那样,在物体坐标检测部6中通过组合模板映射部61及峰值搜索部62的各个处理,能够求出被包含在雷达装置1的观测区中的物标的数量和坐标。并且,除这里采用的处理以外,还能够应用一般的图形的中心坐标的求解方法,且不会损害发明的基本效果。
(实施方式的作用效果)
如以上说明的那样,根据本实施方式,作为推定物标的位置的技术方案,不是组合CFAR和聚类分析的方法,而是使用通过信号处理所生成的时间差分时间序列信息和图像识别用的机械学习模型,由此能够生成描画了物标的位置所对应的物体标签的图像数据。由此,与现有技术相比,即使是在CFAR和聚类分析中产生问题的状况下,也能够高精度地推定各个物标的位置。这里,在作为现有技术的多普勒FFT、CFAR、聚类分析中计数不畅的物体接近状况中,具有能够正确计数波源数并检测位置这样特有的效果。
在本实施方式中,特别是,针对图像识别用的机械学习模型40,把包含通过信号处理部2进行处理后的各方位及各距离的反射强度信息在内的时间序列的时间差分雷达图像数据输入物体检测部4的机械学习模型40,由此生成描画了与物标的位置对应的物体标签的图像数据。由此,用户即使是在移动的多个物标接近的环境下,也能够比现有技术高精度地同时检测各移动物体的位置。并且,例如即使是诸如隧道和高速道路的隔音墙等墙壁接近、在雷达数据中产生混乱的状况下,也能够比现有技术高精度地同时检测各移动物体的位置。
在本实施方式中还具有以下特有的效果。
(1)在信号处理部2中不需要用于将信号分离的多普勒速度FFT处理。另外,在现有技术中通常进行距离(范围)及多普勒速度(相对速度)的二维FFT处理。
(2)不需要CFAR及聚类分析。
(3)没有抑制混乱和旁侧波束的必要。
(4)即使是来自期望的物标的反射信号微弱时也能够进行检测。
(5)在实施方式所涉及的物体检测处理中,雷达图像的信息不会缺损。
(6)即使是天线元件较少时也能够进行高精度的检测。
(变形例)
图10是表示在变形例所涉及的物***置检测装置中使用的图像数据的维度的图。在以上的实施方式中,使用表示针对方位的距离的二维图像数据检测物标。但是,本发明不限于此,也可以如图10所示的那样方位及距离的维度还包括相对速度(多普勒速度),使用表示针对方位的距离及速度的三维图像数据检测物标。在这种情况下,替代距离FFT部22,具备距离及速度FFT部,进行公知的距离及速度的二维FFT处理。
另外,例如考虑到不具有针对方位的信道、而仅对距离这一个维度检测物标的位置的雷达装置,还存在把位置用作距离的情况。在这种情况下,在应用本发明进行距离—速度平面上的波源位置推定时,能够求出更准确的物标位置。因此,本发明所涉及的图像数据也可以是具有距离、方位及速度中至少两个维度的图像数据。
(应用例)
下面,对本实施方式所涉及的物***置检测装置的应用例进行说明。
(1)隧道内的交通流量的监视
雷达装置被安装在隧道内的天顶上,用于隧道内的交通流量(交通信息)的监视。根据本发明的实施方式,能够不受内壁和车辆彼此的虚像的影响地准确检测存在于观测区中的物标(移动体)的位置。并且,通过对该结果实施追踪,能够应用于交通流量的监视和通知的控制。
(2)接近道路的较大构造物所在的环境中的交通流量的监视
雷达装置被安装在诸如高速道路的隔音墙(隔音壁)那样接近道路的较大构造物所在的环境的路边设备中,用于交通流量的监视。根据本发明的实施方式,能够不受隔音墙和车辆彼此的虚像的影响地准确检测存在于观测区中的物标(移动体)的位置。并且,通过对该结果实施追踪,能够应用于交通流量的监视和通知的控制。
(3)在交叉口的步行者的监视
雷达装置被安装在交叉口的路边设备中,用于交通流量的监视。根据本发明的实施方式,能够不受行人们和电线杆和建筑物等的虚像的影响地准确检测存在于观测区中的物标(移动体)的位置,其结果被用于步行者的安全监视和通知的控制。
(4)工厂内的自动搬运车或者自走式机器人的障碍物检测的传感器
雷达装置被安装于在工厂内工作的自动搬运车和自走式机器人,用于检测障碍物。根据本发明的实施方式,能够不受工厂内的生产线的设备和作业者等的虚像的影响地准确检测存在于观测区中的物标(移动体)的位置,其结果被用于自动搬运车和自走式机器人的行走控制。
(与现有技术的不同之处和特有的效果)
在本发明的实施方式中,其特征在于,机械学习模型40输出与物体的位置对应的信息作为图像数据。这里,机械学习模型40的输入数据是对包含针对方位的距离的各位置的反射强度的信息的雷达信号的图像数据按时间帧进行差分之后被时间序列化的图像数据。并且,其特征在于,机械学习模型40的示教输出数据用多个像素表示物体的位置信息。由此,与使用例如RAD(Range Azimuth Doppler,距离方位多普勒)的热图的张量及正解复选框的级别及位置的现有技术相比,以一个图像数据的形式输出与多个物体的有无和位置相关的信息,所以计算成本极小。并且,机械学习模型40的构造也比现有技术简单。
产业上的可利用性
如以上详细说明的那样,根据本发明,与现有技术相比,即使是诸如反射波干扰那样接近的多个物体或者构造物接近的状况下,也能够高精度地检测物体。本发明的物***置检测装置例如能够应用于计数车辆或者步行者的计数装置、交通流量计数装置、基础设施雷达装置、以及检测工厂内的自动搬运车的障碍物的传感器装置。
附图标记说明
1雷达装置;2信号处理部;3输入处理部;4物体检测部;5输出处理部;6物体坐标检测部;7显示部;8存储部;21AD转换部;22距离FFT部;23到来方向推定部;31时间差分部;32规范化部;40、40A、40B机械学习模型;41三维卷积编码器;42二维卷积解码器;51二维卷积编码器;52二维卷积解码器;61模板映射部;62峰值搜索部;81已学习机械学习模型;101物标存在的坐标点所对应的像素。
Claims (27)
1.一种物***置检测装置,根据来自雷达装置的雷达信号来检测物体的位置,
所述物***置检测装置具备位置推定部,所述位置推定部根据包含所述雷达信号的图像数据,使用根据表示所述物体的位置的预定的示教图像数据进行学习而得的机械学习模型,推定所述物体的有无及位置,并输出表示推定的所述物体的有无及位置的图像数据。
2.根据权利要求1所述的物***置检测装置,其中,
所述图像数据是针对方位的距离的二维图像数据。
3.根据权利要求1所述的物***置检测装置,其中,
所述图像数据是具有距离、方位以及速度中至少两个维度的图像数据。
4.根据权利要求1至3中任一项所述的物***置检测装置,其中,
所述示教图像数据是通过由表示所述物体的位置的多个像素构成的图形即物体标签来表示的。
5.根据权利要求4所述的物***置检测装置,其中,
所述物体标签构成为使所述物体的位置位于所述物体标签的中心。
6.根据权利要求4或5所述的物***置检测装置,其中,
关于所述示教图像数据中的所述物体标签的各维度方向的尺寸,将检测到来自点反射源的反射波时的各维度方向的主瓣宽度设定为上限。
7.根据权利要求4或5所述的物***置检测装置,其中,
关于所述示教图像数据中的所述物体标签的各维度方向的尺寸,将根据所述雷达装置的方位方向的信道数及雷达带宽确定的各维度方向的主瓣宽度设定为上限。
8.根据权利要求4至7中任一项所述的物***置检测装置,其中,
所述物体标签在各维度方向具有凸形状。
9.根据权利要求8所述的物***置检测装置,其中,
所述物体标签具有椭圆形状。
10.根据权利要求1至9中任一项所述的物***置检测装置,其中,
包含所述雷达信号的图像数据是包含针对方位的距离的各位置的反射强度的图像数据。
11.根据权利要求10所述的物***置检测装置,其中,
包含所述雷达信号的图像数据是根据包含针对所述方位的距离的各位置的反射强度的图像数据在多个不同的时刻获取的时间序列的多个图像数据。
12.根据权利要求11所述的物***置检测装置,其中,
包含所述雷达信号的图像数据是包含对在所述不同的时刻获取的时间序列的多个图像数据计算时间差分的反射强度得到的所述时间差分的反射强度的图像数据。
13.根据权利要求11所述的物***置检测装置,其中,
包含所述雷达信号的图像数据是在对包含针对所述方位的距离的各位置的反射强度的图像数据进行多普勒FFT之后,从包含所述雷达信号的图像数据减去通过所述多普勒FFT而得到的零多普勒成分,根据相减得到的图像数据在多个不同的时刻获取的时间序列的多个图像数据。
14.根据权利要求1至13中任一项所述的物***置检测装置,其中,
所述物***置检测装置是指以下任一种装置:
(1)测定隧道内的交通流量的隧道交通流量监视传感器装置,
(2)在预定的构造物的旁边设置的交通流量监视传感器装置,
(3)在交叉口设置的测定交叉口的步行者的步行者监视传感器装置,
(4)检测工厂内的自动搬运车或者自走式机器人的障碍物的传感器装置。
15.一种物***置检测方法,是物***置检测装置的物***置检测方法,所述物***置检测装置根据来自雷达装置的雷达信号检测物体的位置,所述物***置检测方法包括如下步骤:
位置推定部根据包含所述雷达信号的图像数据,使用根据表示所述物体的位置的预定的示教图像数据进行学习而得的机械学习模型,推定所述物体的有无及位置,并输出表示推定的所述物体的有无及位置的图像数据。
16.根据权利要求15所述的物***置检测方法,其中,
所述图像数据是针对方位的距离的二维图像数据。
17.根据权利要求15所述的物***置检测方法,其中,
所述图像数据是具有距离、方位以及速度中至少两个维度的图像数据。
18.根据权利要求15至17中任一项所述的物***置检测方法,其中,
所述示教图像数据是通过由表示所述物体的位置的多个像素构成的图形即物体标签来表示的。
19.根据权利要求18所述的物***置检测方法,其中,
所述物体标签构成为使所述物体的位置位于所述物体标签的中心。
20.根据权利要求18或19所述的物***置检测方法,其中,
关于所述示教图像数据中的所述物体标签的各维度方向的尺寸,将检测到来自点反射源的反射波时的各维度方向的主瓣宽度设定为上限。
21.根据权利要求18或19所述的物***置检测方法,其中,
关于所述示教图像数据中的所述物体标签的各维度方向的尺寸,将根据所述雷达装置的方位方向的信道数及雷达带宽确定的各维度方向的主瓣宽度设定为上限。
22.根据权利要求18至21中任一项所述的物***置检测方法,其中,
所述物体标签在各维度方向具有凸形状。
23.根据权利要求22所述的物***置检测方法,其中,
所述物体标签具有椭圆形状。
24.根据权利要求15至23中任一项所述的物***置检测方法,其中,
包含所述雷达信号的图像数据是包含针对方位的距离的各位置的反射强度的图像数据。
25.根据权利要求24所述的物***置检测方法,其中,
包含所述雷达信号的图像数据是根据包含针对所述方位的距离的各位置的反射强度的图像数据在多个不同的时刻获取的时间序列的多个图像数据。
26.根据权利要求25所述的物***置检测方法,其中,
包含所述雷达信号的图像数据是包含对在所述不同的时刻获取的时间序列的多个图像数据计算时间差分的反射强度得到的所述时间差分的反射强度的图像数据。
27.根据权利要求25所述的物***置检测方法,其中,
包含所述雷达信号的图像数据是在对包含针对所述方位的距离的各位置的反射强度的图像数据进行多普勒FFT之后,从包含所述雷达信号的图像数据减去通过所述多普勒FFT而得到的零多普勒成分,根据相减得到的图像数据在多个不同的时刻获取的时间序列的多个图像数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-038305 | 2021-03-10 | ||
JP2021038305A JP2022138425A (ja) | 2021-03-10 | 2021-03-10 | 物***置検出装置及び方法 |
PCT/JP2022/010041 WO2022191197A1 (ja) | 2021-03-10 | 2022-03-08 | 物***置検出装置及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116888502A true CN116888502A (zh) | 2023-10-13 |
Family
ID=83226760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280017396.3A Pending CN116888502A (zh) | 2021-03-10 | 2022-03-08 | 物***置检测装置及方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240142600A1 (zh) |
EP (1) | EP4307001A1 (zh) |
JP (1) | JP2022138425A (zh) |
CN (1) | CN116888502A (zh) |
WO (1) | WO2022191197A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9023909D0 (en) * | 1990-11-02 | 1990-12-12 | Secr Defence | Radar apparatus |
JP6699904B2 (ja) | 2017-06-06 | 2020-05-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
JP2019152543A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社東芝 | 目標認識装置、目標認識方法及びプログラム |
JP2020016597A (ja) * | 2018-07-27 | 2020-01-30 | パナソニック株式会社 | レーダデータ処理装置、物体判別装置、レーダデータ処理方法、および物体判別方法 |
US11555915B2 (en) * | 2019-03-01 | 2023-01-17 | Samsung Electronics Co., Ltd. | Determining relevant signals using multi-dimensional radar signals |
JP7173342B2 (ja) * | 2019-06-28 | 2022-11-16 | 日本電気株式会社 | レーダ装置、イメージング方法およびイメージングプログラム |
-
2021
- 2021-03-10 JP JP2021038305A patent/JP2022138425A/ja active Pending
-
2022
- 2022-03-08 EP EP22767151.8A patent/EP4307001A1/en active Pending
- 2022-03-08 WO PCT/JP2022/010041 patent/WO2022191197A1/ja active Application Filing
- 2022-03-08 CN CN202280017396.3A patent/CN116888502A/zh active Pending
- 2022-03-08 US US18/279,296 patent/US20240142600A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240142600A1 (en) | 2024-05-02 |
WO2022191197A1 (ja) | 2022-09-15 |
JP2022138425A (ja) | 2022-09-26 |
EP4307001A1 (en) | 2024-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3252501B1 (en) | Enhanced object detection and motion state estimation for a vehicle environment detection system | |
EP3663790A1 (en) | Method and apparatus for processing radar data | |
US11719811B2 (en) | Method and device to improve radar data using reference data | |
US11506776B2 (en) | Method and device with improved radar resolution | |
US11475678B2 (en) | Lane marker detection and lane instance recognition | |
CN113189975B (zh) | 确定车辆的位置数据和/或运动数据的方法 | |
CN112781599B (zh) | 确定车辆的位置的方法 | |
EP3460515B1 (en) | Mapping for autonomous robotic devices | |
Cui et al. | 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars | |
US20230139751A1 (en) | Clustering in automotive imaging | |
Bhatia et al. | Object classification technique for mmWave FMCW radars using range-FFT features | |
WO2022231879A1 (en) | Data driven resolution function derivation | |
Baczyk et al. | Traffic density monitoring using passive radars | |
Clarke et al. | Synthetic aperture radar for lane boundary detection in driver assistance systems | |
Vivet et al. | A mobile ground-based radar sensor for detection and tracking of moving objects | |
CN116888502A (zh) | 物***置检测装置及方法 | |
Gao et al. | Static background removal in vehicular radar: Filtering in azimuth-elevation-doppler domain | |
Stolz et al. | Direction of movement estimation of cyclists with a high-resolution automotive radar | |
Yeh et al. | Parameter Selection and Radar Fusion for Tracking in Roadside Units | |
Gao | Efficient and Enhanced Radar Perception for Autonomous Driving Systems | |
RU2798739C1 (ru) | Способ трекинга объектов на этапе распознавания для беспилотных автомобилей | |
US20230393257A1 (en) | Fractalet radar processing | |
EP4357813A1 (en) | A vehicle radar system arranged to provide an estimated road lane | |
Saju | Autonomous Driving Sensor Technology LiDAR Data Processing System: Patent Document Analysis | |
Hu | Doppler Principle Based Situational Awareness Method for Autonomous Driving |
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 |