WO2018209997A1 - 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 - Google Patents

用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 Download PDF

Info

Publication number
WO2018209997A1
WO2018209997A1 PCT/CN2018/073218 CN2018073218W WO2018209997A1 WO 2018209997 A1 WO2018209997 A1 WO 2018209997A1 CN 2018073218 W CN2018073218 W CN 2018073218W WO 2018209997 A1 WO2018209997 A1 WO 2018209997A1
Authority
WO
WIPO (PCT)
Prior art keywords
target object
millimeter wave
wave radar
motion state
current
Prior art date
Application number
PCT/CN2018/073218
Other languages
English (en)
French (fr)
Inventor
彭思崴
付晶玮
Original Assignee
蔚来汽车有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 蔚来汽车有限公司 filed Critical 蔚来汽车有限公司
Publication of WO2018209997A1 publication Critical patent/WO2018209997A1/zh

Links

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

Definitions

  • the present invention relates to an estimation method, apparatus and storage medium, and more particularly to an on-board millimeter wave radar filter estimation method, apparatus and storage medium for target tracking.
  • target recognition and tracking are typically implemented by: (1) detecting a motion state of a target via a vehicle-mounted millimeter wave radar to obtain the target according to the measured value and the vehicle-mounted millimeter wave radar resides in the Relative motion data in polar coordinates between vehicles, the relative motion data including, for example, relative distance, azimuth, and radial velocity; (2) based on the relative motion data in polar coordinates and based on optimal An estimation algorithm calculates relative motion data between the target and the vehicle in a Cartesian coordinate system, wherein the relative motion data in a Cartesian coordinate system includes relative position, lateral and/or longitudinal velocity, lateral And / or longitudinal acceleration and so on.
  • the present invention proposes a vehicle millimeter wave radar filter estimation method, apparatus and storage medium for target tracking that occupy less resources and has higher processing efficiency.
  • An on-board millimeter wave radar filter estimation method for target tracking which comprises the following steps:
  • the current motion state measurement data in a polar coordinate system includes a linear distance of the target object to the vehicle-mounted millimeter wave radar, and the target object is relative to the vehicle The azimuth of the millimeter wave radar and the radial velocity of the target object.
  • the current motion state data in the Cartesian coordinate system includes: a lateral distance of the target object relative to the vehicle-mounted millimeter wave radar, the target object relative to the The lateral velocity of the onboard millimeter wave radar, the longitudinal distance of the target object relative to the onboard millimeter wave radar, and the longitudinal velocity of the target object relative to the onboard millimeter wave radar.
  • the step (A2) further comprises: converting the acquired current motion state measurement data in a polar coordinate system into a current state in a Cartesian coordinate system by using the following formula: Motion status data:
  • Vx(t)' ⁇ (t)sin ⁇ (t)
  • Vy(t)' ⁇ (t)cos ⁇ (t)
  • Z1(t) is the current motion state measurement data in the polar coordinate system at time t of the target object
  • Z(t) is the current motion state in the Cartesian coordinate system at time t of the target object.
  • R(t) is a linear distance from the target object to the vehicle-mounted millimeter wave radar
  • ⁇ (t) is an azimuth angle of the target object with respect to the vehicle-mounted millimeter wave radar
  • ⁇ (t) is the The radial velocity of the target object.
  • the step (A3) further includes: determining a current time motion state parameter predicted value of the target object based on a last time motion state parameter optimal estimation value of the target object. .
  • the step (A3) further comprises: determining a current moment motion state parameter prediction value of the target object by the following formula:
  • W(t) is process noise
  • F is a state transition matrix
  • X(t-1) is an optimal estimation value of the motion state parameter at the previous moment
  • Lx(t) is the lateral distance of the target object relative to the vehicle-mounted millimeter wave radar
  • Vx(t) is the lateral velocity of the target object relative to the vehicle-mounted millimeter wave radar
  • Ax(t) is a lateral acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Ly(t) is a longitudinal distance of the target object relative to the vehicle-mounted millimeter wave radar
  • Vy(t) is the target object relative to the vehicle
  • the longitudinal velocity of the millimeter wave radar, Ay(t) is the longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • the value of F is defined by:
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the step (A3) further includes: calculating a current moment motion state of the target object based on a covariance of a motion state parameter optimal estimation value of a previous moment of the target object The covariance of the predicted value of the parameter.
  • the step (A3) further includes: the step (A3) further comprising: based on the following formula, based on the last time motion state parameter optimal estimation value of the target object The covariance calculates the covariance of the predicted value of the current state motion state parameter of the target object:
  • I the covariance of the predicted value of the current state motion state parameter of the target object
  • P(t-1) the covariance of the optimal estimated value of the motion state parameter of the target object at the last moment
  • Q is the association of the system process noise. variance.
  • the step (A3) further comprises: calculating a Kalman gain based on a covariance of a current time motion state parameter predicted value of the target object.
  • the step (A3) further comprises: calculating a Kalman gain based on a covariance of a current time motion state parameter predicted value of the target object according to the following formula:
  • kg(t) is the Kalman gain
  • R is the covariance of the measurement process noise
  • H is a measurement parameter matrix, which is defined by:
  • the step (A3) further includes: based on the current moment motion state parameter prediction value of the target object and the t-time of the target object in a Cartesian coordinate system
  • the current motion state data calculates an optimal estimate of the current time motion state parameter of the target object.
  • the step (A3) further comprises: calculating an optimal estimation value of the current moment motion state parameter of the target object according to the following formula:
  • X(t) is an optimal estimation value of the current state motion state parameter of the target object
  • Is the current time motion state parameter predicted value of the target object
  • Z(t) is the current motion state data in the Cartesian coordinate system at time t of the target object
  • kg(t) is a Kalman gain
  • H is The measurement parameter matrix.
  • the step (A3) further comprises: calculating a current lateral acceleration of the target object with respect to the onboard millimeter wave radar by the following formula:
  • Ax(t) is the current lateral acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Vx(t) is the lateral velocity of the target object relative to the vehicle-mounted millimeter wave radar at the current time
  • Vx(t) -1) is the lateral velocity of the target object with respect to the vehicle-mounted millimeter wave radar at the previous moment
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the step (A3) further comprises: calculating a current longitudinal acceleration of the target object with respect to the onboard millimeter wave radar by the following formula:
  • Ay(t) is the current longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Vy(t-1) is the longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar at a previous time.
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the step (A3) further comprises: calculating a covariance of the current time motion state parameter optimal estimation value of the target object by using the following formula for use at the next moment:
  • P(t) is the covariance of the optimal estimated value of the current state motion state parameter of the target object
  • I is the covariance of the predicted value of the current state motion state parameter of the target object
  • I is an identity matrix
  • An on-board millimeter wave radar filter estimation apparatus for target tracking comprising:
  • a measuring unit configured to acquire current motion state measurement data in a polar coordinate system for a target object via an onboard millimeter wave radar;
  • a data conversion unit configured to convert the acquired current motion state measurement data in a polar coordinate system into current motion state data in a Cartesian coordinate system
  • An optimal estimated value calculating unit configured to calculate the current motion state data based on the Cartesian coordinate system and the last time motion state parameter optimal estimated value of the target object The optimal estimate of the current state of motion parameter of the target object.
  • a storage medium for storing computer instructions executable by one or more processors to implement a method as hereinbefore described.
  • the vehicle millimeter wave radar filter estimation method, device and storage medium for target tracking disclosed by the invention have the following advantages: since the nonlinear operation is converted into a linear operation by the coordinate system conversion operation, the resource occupancy rate is remarkably reduced And improve data processing performance and efficiency.
  • FIG. 1 is a flow chart of a method for estimating a vehicle-mounted millimeter wave radar filter for target tracking, in accordance with an embodiment of the present invention.
  • FIG. 2 is a schematic structural diagram of an in-vehicle millimeter wave radar filter estimating apparatus for target tracking according to an embodiment of the present invention.
  • the vehicle-mounted millimeter wave radar filter estimation method for target tracking disclosed by the present invention comprises the following steps: (A1) acquiring, by a vehicle-mounted millimeter wave radar, a target object (for example, a pedestrian or other vehicle in motion).
  • the current motion state measurement data in a polar coordinate system includes the target object to the vehicle The linear distance of the millimeter wave radar, the azimuth of the target object relative to the onboard millimeter wave radar, and the radial velocity of the target object.
  • the current motion state data in the Cartesian coordinate system includes: the target object relative to the a lateral distance of the onboard millimeter wave radar, a lateral velocity of the target object relative to the onboard millimeter wave radar, a longitudinal distance of the target object relative to the onboard millimeter wave radar, and the target object relative to the vehicle The longitudinal speed of the millimeter wave radar.
  • the step (A2) further comprises: acquiring the obtained in polar coordinate system by the following formula
  • the current motion state measurement data is converted to the current motion state data in a Cartesian coordinate system:
  • Vx(t)' ⁇ (t)sin ⁇ (t)
  • Vy(t)' ⁇ (t)cos ⁇ (t)
  • Z1(t) is the current motion state measurement data in the polar coordinate system at time t of the target object
  • Z(t) is the current motion state in the Cartesian coordinate system at time t of the target object.
  • R(t) is a linear distance from the target object to the vehicle-mounted millimeter wave radar
  • ⁇ (t) is an azimuth angle of the target object with respect to the vehicle-mounted millimeter wave radar
  • ⁇ (t) is the The radial velocity of the target object.
  • the step (A3) further includes: based on a motion state parameter of a last moment of the target object The superior estimate determines a current time motion state parameter predictor of the target object.
  • the step (A3) further includes: determining a current moment motion state of the target object by using the following formula Parameter prediction value:
  • W(t) is process noise
  • F is a state transition matrix
  • X(t-1) is an optimal estimation value of the motion state parameter at the previous moment
  • Lx(t) is the lateral distance of the target object relative to the vehicle-mounted millimeter wave radar
  • Vx(t) is the lateral velocity of the target object relative to the vehicle-mounted millimeter wave radar
  • Ax(t) is a lateral acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Ly(t) is a longitudinal distance of the target object relative to the vehicle-mounted millimeter wave radar
  • Vy(t) is the target object relative to the vehicle
  • the longitudinal velocity of the millimeter wave radar, Ay(t) is the longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • the value of F is defined by:
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the step (A3) further includes: based on a motion state parameter of a last moment of the target object
  • the covariance of the good estimate calculates the covariance of the predicted value of the current time motion state parameter of the target object.
  • the step (A3) further comprises: based on a motion of a last moment of the target object according to the following formula
  • the covariance of the state parameter optimal estimate calculates the covariance of the predicted value of the current state motion state parameter of the target object:
  • I the covariance of the predicted value of the current state motion state parameter of the target object
  • P(t-1) the covariance of the optimal estimated value of the motion state parameter of the target object at the last moment
  • Q is the association of the system process noise. variance.
  • the step (A3) further includes: predicting a current state motion parameter based on the target object The covariance calculates the Kalman gain.
  • the step (A3) further includes: based on a current moment motion state of the target object according to the following formula
  • the covariance of the parameter predictions calculates the Kalman gain:
  • kg(t) is the Kalman gain
  • R is the covariance of the measurement process noise
  • H is a measurement parameter matrix, which is defined by:
  • the step (A3) further includes: predicting a current state motion parameter based on the target object And the current motion state data in the Cartesian coordinate system at time t of the target object is used to calculate an optimal estimation value of the current moment motion state parameter of the target object.
  • the step (A3) further includes: calculating a current moment motion state of the target object according to the following formula Optimal parameter estimate:
  • X(t) is an optimal estimation value of the current state motion state parameter of the target object
  • Is the current time motion state parameter predicted value of the target object
  • Z(t) is the current motion state data in the Cartesian coordinate system at time t of the target object
  • kg(t) is a Kalman gain
  • H is The measurement parameter matrix.
  • the step (A3) further includes: calculating, relative to the target object, the Current lateral acceleration of the vehicle millimeter wave radar:
  • Ax(t) is the current lateral acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Vx(t) is the lateral velocity of the target object relative to the vehicle-mounted millimeter wave radar at the current time
  • Vx(t) -1) is the lateral velocity of the target object with respect to the vehicle-mounted millimeter wave radar at the previous moment
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the step (A3) further includes: calculating, relative to the target object, the Current longitudinal acceleration of the vehicle millimeter wave radar:
  • Ay(t) is the current longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Vy(t-1) is the longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar at a previous time.
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the step (A3) further includes: calculating a current moment motion state of the target object by using the following formula The covariance of the parameter's optimal estimate for use at the next moment:
  • P(t) is the covariance of the optimal estimated value of the current state motion state parameter of the target object
  • I is the covariance of the predicted value of the current state motion state parameter of the target object
  • I is an identity matrix
  • the vehicle-mounted millimeter wave radar filter estimation method for target tracking disclosed in the present invention has the following advantages: since the nonlinear operation is converted into a linear operation by the coordinate system conversion operation, the resource occupancy rate is remarkably reduced. Improved data processing performance and efficiency.
  • the vehicle-mounted millimeter wave radar filter estimating apparatus for target tracking disclosed by the present invention includes a measuring unit 1, a data converting unit 2, and an optimal estimated value calculating unit 3.
  • the measuring unit 1 is configured to acquire current motion state measurement data in a polar coordinate system for a target object, such as a pedestrian or other vehicle in motion, via an on-board millimeter wave radar.
  • the data conversion unit 2 is configured to convert the acquired current motion state measurement data in a polar coordinate system into current motion state data in a Cartesian coordinate system.
  • the optimal estimated value calculation unit 3 is configured to calculate a current moment motion of the target object based on current motion state data in the Cartesian coordinate system and an estimated current state parameter optimal estimation value of the target object The best estimate of the state parameter.
  • the current motion state measurement data in a polar coordinate system includes the target object to the vehicle The linear distance of the millimeter wave radar, the azimuth of the target object relative to the onboard millimeter wave radar, and the radial velocity of the target object.
  • the current motion state data in the Cartesian coordinate system includes: the target object relative to the a lateral distance of the onboard millimeter wave radar, a lateral velocity of the target object relative to the onboard millimeter wave radar, a longitudinal distance of the target object relative to the onboard millimeter wave radar, and the target object relative to the vehicle The longitudinal speed of the millimeter wave radar.
  • the data conversion unit 2 is further configured to: the acquired polar coordinates obtained by the following formula
  • the current motion state measurement data is converted to the current motion state data in the Cartesian coordinate system:
  • Vx(t)' ⁇ (t)sin ⁇ (t)
  • Vy(t)' ⁇ (t)cos ⁇ (t)
  • Z1(t) is the current motion state measurement data in the polar coordinate system at time t of the target object
  • Z(t) is the current motion state in the Cartesian coordinate system at time t of the target object.
  • R(t) is a linear distance from the target object to the vehicle-mounted millimeter wave radar
  • ⁇ (t) is an azimuth angle of the target object with respect to the vehicle-mounted millimeter wave radar
  • ⁇ (t) is the The radial velocity of the target object.
  • the optimal estimated value calculating unit 3 is further configured to be based on a previous moment of the target object.
  • the motion state parameter optimal estimate determines a current time motion state parameter predictor of the target object.
  • the optimal estimated value calculating unit 3 is further configured to determine the target object by the following formula Current time motion state parameter prediction value:
  • W(t) is process noise
  • F is a state transition matrix
  • X(t-1) is an optimal estimation value of the motion state parameter at the previous moment
  • Lx(t) is the lateral distance of the target object relative to the vehicle-mounted millimeter wave radar
  • Vx(t) is the lateral velocity of the target object relative to the vehicle-mounted millimeter wave radar
  • Ax(t) is a lateral acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Ly(t) is a longitudinal distance of the target object relative to the vehicle-mounted millimeter wave radar
  • Vy(t) is the target object relative to the vehicle
  • the longitudinal velocity of the millimeter wave radar, Ay(t) is the longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • the value of F is defined by:
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the optimal estimated value calculating unit 3 is further configured to be based on a previous moment of the target object.
  • the covariance of the motion state parameter optimal estimate calculates the covariance of the current time motion state parameter predictor of the target object.
  • the optimal estimated value calculating unit 3 is further configured to be based on the target object according to the following formula
  • the covariance of the optimal estimation value of the motion state parameter at the previous moment is used to calculate the covariance of the predicted value of the current state motion state parameter of the target object:
  • I the covariance of the predicted value of the current state motion state parameter of the target object
  • P(t-1) the covariance of the optimal estimated value of the motion state parameter of the target object at the last moment
  • Q is the association of the system process noise. variance.
  • the optimal estimated value calculating unit 3 is further configured to be based on a current moment of movement of the target object.
  • the covariance of the predicted values of the state parameters calculates the Kalman gain.
  • the optimal estimated value calculating unit 3 is further configured to be based on the target object according to the following formula Calculating the Kalman gain of the covariance of the predicted values of the current state of motion parameters:
  • kg(t) is the Kalman gain
  • R is the covariance of the measurement process noise
  • H is a measurement parameter matrix, which is defined by:
  • the optimal estimated value calculating unit 3 is further configured to be based on a current moment of movement of the target object.
  • the state parameter prediction value and the current motion state data in the Cartesian coordinate system at time t of the target object calculate an optimal estimation value of the current time motion state parameter of the target object.
  • the optimal estimated value calculating unit 3 is further configured to calculate the target object according to the following formula The optimal estimate of the current state of motion parameter:
  • X(t) is an optimal estimation value of the current state motion state parameter of the target object
  • Is the current time motion state parameter predicted value of the target object
  • Z(t) is the current motion state data in the Cartesian coordinate system at time t of the target object
  • kg(t) is a Kalman gain
  • H is The measurement parameter matrix.
  • the optimal estimated value calculating unit 3 is further configured to calculate the target object by the following formula Current lateral acceleration relative to the onboard millimeter wave radar:
  • Ax(t) is the current lateral acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Vx(t) is the lateral velocity of the target object relative to the vehicle-mounted millimeter wave radar at the current time
  • Vx(t) -1) is the lateral velocity of the target object with respect to the vehicle-mounted millimeter wave radar at the previous moment
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the optimal estimated value calculating unit 3 is further configured to calculate the target object by the following formula Relative to the current longitudinal acceleration of the onboard millimeter wave radar:
  • Ay(t) is the current longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar
  • Vy(t-1) is the longitudinal acceleration of the target object relative to the vehicle-mounted millimeter wave radar at a previous time.
  • t is the time elapsed from the previous time to the current time (ie, the target detection interval).
  • the optimal estimated value calculating unit 3 is further configured to calculate the target object by the following formula The covariance of the optimal estimate of the current state of motion parameter for the next moment:
  • P(t) is the covariance of the optimal estimated value of the current state motion state parameter of the target object
  • I is the covariance of the predicted value of the current state motion state parameter of the target object
  • I is an identity matrix
  • the measurement unit 1, the data conversion unit 2, and the optimal estimate calculation unit 3 may both be located in a central controller of a vehicle (eg, an electric vehicle) or each of any other type Independent or integrated controller, such as but not limited to an electronic control unit (ECU), a video signal processor, a data processing unit, etc., and the measuring unit 1, the data conversion unit 2, and the optimal estimated value calculating unit 3 It can be implemented as any form of entity or program, such as but not limited to software, firmware or application specific integrated circuits, and the like.
  • the present invention also discloses a target tracking system including the on-vehicle millimeter wave radar filter estimating apparatus for target tracking disclosed in any of the above embodiments.
  • the present invention also discloses a vehicle including the on-vehicle millimeter wave radar filter estimating apparatus for target tracking disclosed in any of the above embodiments.
  • the vehicle-mounted millimeter wave radar filter estimating apparatus for target tracking disclosed in the present invention has the following advantages: since the nonlinear operation is converted into a linear operation by the coordinate system conversion operation, the resource occupancy rate is remarkably reduced. Improved data processing performance and efficiency.
  • the present invention also discloses a storage medium for storing computer instructions executable by one or more processors to implement an onboard millimeter wave radar filter estimation method for target tracking as previously described.
  • the present invention also provides a controller comprising a memory and a processor, the memory storing program instructions capable of, when executed by the processor, capable of implementing any of the vehicle-mounted millimeter wave radars for target tracking as described above Filter estimation method.
  • the instructions stored in the memory correspond to the steps of a specific example of the onboard millimeter wave radar filter estimation method for target tracking that it can implement when executed by the processor.
  • the instruction may also be an instruction that enables the processor to implement the various examples of the on-board millimeter wave radar filter estimation method for target tracking as described above when the processor executes the instruction. .

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)

Abstract

本发明提出了用于目标跟踪的车载毫米波雷达滤波估计方法、装置以及存储介质，该方法包括：经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。本发明所公开的方法及装置占用资源较少并且处理效率较高。

Description

用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 技术领域
本发明涉及估计方法、装置及存储介质，更具体地，涉及用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质。
背景技术
目前，随着车辆的日益发展和普及，使用车载毫米波雷达对目标(例如行人或行驶中的其他车辆)进行识别和跟踪以辅助驾驶员安全驾驶变得越来越重要。
在现有的技术方案中，典型地通过如下方式实施目标识别和跟踪：(1)经由车载毫米波雷达检测目标的运动状态以根据测量值获得该目标与所述车载毫米波雷达驻留于其上的车辆之间的在极坐标下的相对运动数据，所述相对运动数据例如包括相对距离、方位角以及径向速度；(2)根据所述在极坐标下的相对运动数据并基于最优估计算法计算该目标与该车辆之间的在笛卡尔坐标系下的相对运动数据，其中，所述在笛卡尔坐标系下的相对运动数据包括相对位置、侧向和/或纵向速度、侧向和/或纵向加速度等等。
然而，上述现有的技术方案存在如下问题：由于需要根据非线性形式的极坐标下的相对运动数据来计算出在笛卡尔坐标系下的相对运动数据，故典型地需要使用包含复杂的浮点运算操作的最优化估计算法(诸如扩展卡尔曼滤波算法)，由此导致资源占用率较高并且致使***处理效率和性能下降。
因此，存在如下需求：提供占用资源较少并且处理效率较高的用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质。
发明内容
为了解决上述现有技术方案所存在的问题，本发明提出了占用资源较少并且处理效率较高的用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质。
本发明的目的是通过以下技术方案实现的：
一种用于目标跟踪的车载毫米波雷达滤波估计方法，其包括下列步骤：
(A1)经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
(A2)将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
(A3)基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
在上面所公开的方案中，示例性地，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
在上面所公开的方案中，示例性地，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
在上面所公开的方案中，示例性地，所述步骤(A2)进一步包括：以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)] T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0] T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
Figure PCTCN2018073218-appb-000001
其中，
Figure PCTCN2018073218-appb-000002
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)] T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述 车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
Figure PCTCN2018073218-appb-000003
其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
Figure PCTCN2018073218-appb-000004
其中，
Figure PCTCN2018073218-appb-000005
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是***过程噪声的协方差。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
Figure PCTCN2018073218-appb-000006
其中，kg(t)是卡尔曼增益，
Figure PCTCN2018073218-appb-000007
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
Figure PCTCN2018073218-appb-000008
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
Figure PCTCN2018073218-appb-000009
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
Figure PCTCN2018073218-appb-000010
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据,kg(t)是卡尔曼增益,H是所述测量参数矩阵。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
Figure PCTCN2018073218-appb-000011
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
Figure PCTCN2018073218-appb-000012
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
在上面所公开的方案中，示例性地，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
Figure PCTCN2018073218-appb-000013
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
Figure PCTCN2018073218-appb-000014
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
本发明的目的也可以通过以下技术方案实现：
一种用于目标跟踪的车载毫米波雷达滤波估计装置，其包括：
测量单元，所述测量单元被配置为经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
数据转换单元，所述数据转换单元被配置为将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
最优估计值计算单元，所述最优估计值计算单元被配置为基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
本发明的目的也可以通过以下技术方案实现：
一种用于存储计算机指令的存储介质，所述计算机指令能够被一个或多个处理器执行以实施如前面所述的方法。
本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质具有下列优点：由于通过坐标系转换操作而将非线性运算转化为线性运算，故显著地降低了资源占用率并提高了数据处理性能和效率。
附图说明
结合附图，本发明的技术特征以及优点将会被本领域技术人员更好地理解，其中：
图1是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计方法的流程图。
图2是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计装置的示意性结构图。
具体实施方式
图1是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计方法的流程图。如图1所示，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法包括下列步骤：(A1)经由车载毫米波雷达获取针对目标对象(例如行人或行驶中的其他车辆)的在极坐标系下的当前运动状态测量数据；(A2)将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；(A3)基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A2)进一步包括：以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)] T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0] T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故能够在随后的计算过程中去除浮点运算操作，从而显著地减少资源占用率并且提高数据处理性能和速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
Figure PCTCN2018073218-appb-000015
其中，
Figure PCTCN2018073218-appb-000016
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)] T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
Figure PCTCN2018073218-appb-000017
其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的 当前时刻运动状态参数预测值的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
Figure PCTCN2018073218-appb-000018
其中，
Figure PCTCN2018073218-appb-000019
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是***过程噪声的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
Figure PCTCN2018073218-appb-000020
其中，kg(t)是卡尔曼增益，
Figure PCTCN2018073218-appb-000021
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
Figure PCTCN2018073218-appb-000022
由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故测量参数矩阵得到了简化，从而能够显著的提高运算速度和效率。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
Figure PCTCN2018073218-appb-000023
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
Figure PCTCN2018073218-appb-000024
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据,kg(t)是卡尔曼增益,H是所述测量参数矩阵。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
Figure PCTCN2018073218-appb-000025
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
Figure PCTCN2018073218-appb-000026
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法的一个实施例中，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
Figure PCTCN2018073218-appb-000027
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
Figure PCTCN2018073218-appb-000028
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
由上可见，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计方法具有下列优点：由于通过坐标系转换操作而将非线性运算转化为线性运算，故显著地降低了资源占用率并提高了数据处理性能和效率。
图2是根据本发明的实施例的用于目标跟踪的车载毫米波雷达滤波估计装置的示意性结构图。如图2所示，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置包括测量单元1、数据转换单元2以及最优估计值计算单元3。所述测量单元1被配置为经由车载毫米波雷达获取针对目标对象(例如行人或行驶中的其他车辆)的在极坐标系下的当前运动状态测量数据。所述数据转换单元2被配置为将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据。所述最优估计值计算单元3被配置为基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相 对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述数据转换单元2进一步被配置为以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
Z1(t)＝[R(t) θ(t) γ(t)] T
Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0] T
其中
Lx(t)′＝R(t)sinθ(t)
Vx(t)′＝γ(t)sinθ(t)
Ly(t)′＝R(t)cosθ(t)
Vy(t)′＝γ(t)cosθ(t)
其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故能够在随后的计算过程中去除浮点运算操作，从而显著地减 少资源占用率并且提高数据处理性能和速度。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
Figure PCTCN2018073218-appb-000029
其中，
Figure PCTCN2018073218-appb-000030
是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)] T
其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
Figure PCTCN2018073218-appb-000031
其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
Figure PCTCN2018073218-appb-000032
其中，
Figure PCTCN2018073218-appb-000033
是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是***过程噪声的协方差。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
Figure PCTCN2018073218-appb-000034
其中，kg(t)是卡尔曼增益，
Figure PCTCN2018073218-appb-000035
是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
Figure PCTCN2018073218-appb-000036
由上可见，由于将非线性的极坐标系下的当前运动状态测量数据通过转换公式转变为线性形式的在笛卡尔坐标系下的当前运动状态数据，故测量参数矩阵得到了简化，从而能够显著的提高运算速度和效率。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
Figure PCTCN2018073218-appb-000037
其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
Figure PCTCN2018073218-appb-000038
是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据,kg(t)是卡尔曼增益,H是所述测量参数矩阵。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
Figure PCTCN2018073218-appb-000039
其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速 度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
Figure PCTCN2018073218-appb-000040
其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
示例性地，在本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的一个实施例中，所述最优估计值计算单元3进一步被配置为以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
Figure PCTCN2018073218-appb-000041
其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
Figure PCTCN2018073218-appb-000042
是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
此外，在本发明的各个实施例中，所述测量单元1、数据转换单元2以及最优估计值计算单元3可以均位于车辆(例如电动车辆)的中央控制器中或者各自位于任何其他类型的独立的或集成的控制器中，例如但不限于电子控制单元(ECU)、视频信号处理器、数据处理单元等等，并且所述测量单元1、数据转换单元2以及最优估计值计算单元3可以被实现为任何形式的实体或程序，例如但不限于软件、固件或专用集成电路等等。
此外，本发明也公开包含上述任一个实施例所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的目标跟踪***。
此外，本发明也公开包含上述任一个实施例所公开的用于目标跟踪的车载毫米波雷达滤波估计装置的车辆。
由上可见，本发明所公开的用于目标跟踪的车载毫米波雷达滤波估计装置具有下列优点：由于通过坐标系转换操作而将非线性运算转化为线性运算，故显著地降低了资源占用率并提高了数据处理性能和效率。
此外，本发明也公开用于存储计算机指令的存储介质，所述计算机指令能够被一个或多个处理器执行以实施如前面所述的用于目标跟踪的车载毫米波雷达滤波估计方法。
本发明还提供控制器，其包括存储器与处理器，存储器中存储有程序指令，该程序指令在被该处理器执行时能够实现如上文所描述的任意一种用于目标跟踪的车载毫米波雷达滤波估计方法。应该理解到，存储器中存储的指令是与它在被处理器执行时能够实现的用于目标跟踪的车载毫米波雷达滤波估计方法的具体示例的步骤对应的。在指令执行过程中，执行步骤可控的情况下，该指令也可以是能够使得处理器在执行该指令时实现如上所述的用于目标跟踪的车载毫米波雷达滤波估计方法的各个示例的指令。
尽管本发明是通过上述的优选实施方式进行描述的，但是其实现形式并不局限于上述的实施方式。应该认识到：在不脱离本发明主旨和范围的情况下，本领域技术人员可以对本发明做出不同的变化和修改。

Claims (20)

  1. 一种用于目标跟踪的车载毫米波雷达滤波估计方法，其包括下列步骤：
    (A1)经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
    (A2)将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据；
    (A3)基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
  2. 根据权利要求1所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述在极坐标系下的当前运动状态测量数据包括所述目标对象至所述车载毫米波雷达的直线距离、所述目标对象相对于所述车载毫米波雷达的方位角、所述目标对象的径向速度。
  3. 根据权利要求2所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述笛卡尔坐标系下的当前运动状态数据包括：所述目标对象相对于所述车载毫米波雷达的横向距离、所述目标对象相对于所述车载毫米波雷达的横向速度、所述目标对象相对于所述车载毫米波雷达的纵向距离、以及所述目标对象相对于所述车载毫米波雷达的纵向速度。
  4. 根据权利要求3所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A2)进一步包括：以如下公式将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态数据：
    Z1(t)＝[R(t) θ(t) γ(t)] T
    Z(t)＝[Lx(t)′ Vx(t)′ 0 Ly(t)′ Vy(t)′ 0] T
    其中
    Lx(t)′＝R(t)sinθ(t)
    Vx(t)′＝γ(t)sinθ(t)
    Ly(t)′＝R(t)cosθ(t)
    Vy(t)′＝γ(t)cosθ(t)
    其中，Z1(t)是所述目标对象的t时刻的在极坐标系下的当前运动状态测量数据、Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据，R(t)是所述目标对象至所述车载毫米波雷达的直线距离、θ(t)是所述目标对象相对于所述车载毫米波雷达的方位角、γ(t)是所述目标对象的径向速度。
  5. 根据权利要求4所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值确定所述目标对象的当前时刻运动状态参数预测值。
  6. 根据权利要求5所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式确定所述目标对象的当前时刻运动状态参数预测值：
    Figure PCTCN2018073218-appb-100001
    其中，
    Figure PCTCN2018073218-appb-100002
    是所述目标对象的当前时刻运动状态参数预测值，W(t)是过程噪声，F是状态转移矩阵，X(t-1)是上一时刻运动状态参数最优估计值，并且其中，所述目标对象的t时刻的运动状态参数最优估计值由下式表示：
    X(t)＝[Lx(t) Vx(t) Ax(t) Ly(t) Vy(t) Ay(t)] T
    其中，Lx(t)是所述目标对象相对于所述车载毫米波雷达的横向距离，Vx(t)是所述目标对象相对于所述车载毫米波雷达的横向速度，Ax(t)是所述目标对象相对于所述车载毫米波雷达的横向加速度，Ly(t)是所述目标对象相对于所述车载毫米波雷达的纵向距离，Vy(t)是所述目标对象相对于所述车载毫米波雷达的纵向速度，Ay(t)是所述目标对象相对于所述车载毫米波雷达的纵向加速度，并且F的值下式定义：
    Figure PCTCN2018073218-appb-100003
    其中，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
  7. 根据权利要求6所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差。
  8. 根据权利要求7所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的上一时刻运动状态参数最优估计值的协方差计算所述目标对象的当前时刻运动状态参数预测值的协方差：
    Figure PCTCN2018073218-appb-100004
    其中，
    Figure PCTCN2018073218-appb-100005
    是所述目标对象的当前时刻运动状态参数预测值的协方差，P(t-1)是所述目标对象的上一时刻运动状态参数最优估计值的协方差，Q是***过程噪声的协方差。
  9. 根据权利要求8所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益。
  10. 根据权利要求9所述的用于目标跟踪的车载毫米波雷达滤波估计 方法，其特征在于，所述步骤(A3)进一步包括：根据如下公式基于所述目标对象的当前时刻运动状态参数预测值的协方差计算卡尔曼增益：
    Figure PCTCN2018073218-appb-100006
    其中，kg(t)是卡尔曼增益，
    Figure PCTCN2018073218-appb-100007
    是所述目标对象的当前时刻运动状态参数预测值的协方差，R是测量过程噪声的协方差，H是测量参数矩阵，其由下式定义：
    Figure PCTCN2018073218-appb-100008
  11. 根据权利要求10所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：基于所述目标对象的当前时刻运动状态参数预测值以及所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据计算所述目标对象的当前时刻运动状态参数最优估计值。
  12. 根据权利要求11所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：根据如下公式计算所述目标对象的当前时刻运动状态参数最优估计值：
    Figure PCTCN2018073218-appb-100009
    其中，X(t)是所述目标对象的当前时刻运动状态参数最优估计值，
    Figure PCTCN2018073218-appb-100010
    是所述目标对象的当前时刻运动状态参数预测值，Z(t)是所述目标对象的t时刻的在笛卡尔坐标系下的当前运动状态数据,kg(t)是卡尔曼增益,H是所述测量参数矩阵。
  13. 根据权利要求12所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前横向加速度：
    Figure PCTCN2018073218-appb-100011
    其中，Ax(t)是所述目标对象相对于所述车载毫米波雷达的当前横向加速度，Vx(t)是当前时刻所述目标对象相对于所述车载毫米波雷达的横向速度，Vx(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的横向速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
  14. 根据权利要求13所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的相对于所述车载毫米波雷达的当前纵向加速度：
    Figure PCTCN2018073218-appb-100012
    其中，Ay(t)是所述目标对象相对于所述车载毫米波雷达的当前纵向加速度，Vy(t-1)是上一时刻所述目标对象相对于所述车载毫米波雷达的纵向加速度，t是上一时刻至当前时刻所经过的时间(即目标检测间隔)。
  15. 根据权利要求14所述的用于目标跟踪的车载毫米波雷达滤波估计方法，其特征在于，所述步骤(A3)进一步包括：以如下公式计算所述目标对象的当前时刻运动状态参数最优估计值的协方差，以供下一时刻使用：
    Figure PCTCN2018073218-appb-100013
    其中，P(t)是所述目标对象的当前时刻运动状态参数最优估计值的协方差，
    Figure PCTCN2018073218-appb-100014
    是所述目标对象的当前时刻运动状态参数预测值的协方差，I是单位矩阵。
  16. 一种用于目标跟踪的车载毫米波雷达滤波估计装置，其包括：
    测量单元，所述测量单元被配置为经由车载毫米波雷达获取针对目标对象的在极坐标系下的当前运动状态测量数据；
    数据转换单元，所述数据转换单元被配置为将所获取的所述在极坐标系下的当前运动状态测量数据转换为笛卡尔坐标系下的当前运动状态 数据；
    最优估计值计算单元，所述最优估计值计算单元被配置为基于所述笛卡尔坐标系下的当前运动状态数据以及所述目标对象的上一时刻运动状态参数最优估计值计算所述目标对象的当前时刻运动状态参数最优估计值。
  17. 一种包含权利要求16所述的用于目标跟踪的车载毫米波雷达滤波估计装置的目标跟踪***。
  18. 一种包含权利要求16所述的用于目标跟踪的车载毫米波雷达滤波估计装置的车辆。
  19. 一种用于存储计算机指令的存储介质，所述计算机指令能够被一个或多个处理器执行以实施如权利要求1-15中任一个所述的方法。
  20. 一种控制器，其包括存储器与处理器，存储器中存储有程序指令，该程序指令在被控制器执行时能够实施如权利要求1到15中任意一项所述的方法。
PCT/CN2018/073218 2017-05-15 2018-01-18 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 WO2018209997A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710360754.1A CN108872975B (zh) 2017-05-15 2017-05-15 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质
CN201710360754.1 2017-05-15

Publications (1)

Publication Number Publication Date
WO2018209997A1 true WO2018209997A1 (zh) 2018-11-22

Family

ID=64273406

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/073218 WO2018209997A1 (zh) 2017-05-15 2018-01-18 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN108872975B (zh)
WO (1) WO2018209997A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109975798A (zh) * 2019-03-26 2019-07-05 武汉理工大学 一种基于毫米波雷达与摄像头的目标检测方法
CN110320518A (zh) * 2019-05-31 2019-10-11 惠州市德赛西威汽车电子股份有限公司 一种车载bsd毫米波雷达安装位置自动标定方法
CN112130136A (zh) * 2020-09-11 2020-12-25 中国重汽集团济南动力有限公司 一种交通目标综合感知***及方法
CN112395916A (zh) * 2019-08-15 2021-02-23 北京地平线机器人技术研发有限公司 目标的运动状态信息确定方法、确定装置及电子设备
CN115131594A (zh) * 2021-03-26 2022-09-30 航天科工深圳（集团）有限公司 一种基于集成学习的毫米波雷达数据点分类方法及装置
CN117784064A (zh) * 2023-12-28 2024-03-29 昆明理工大学 一种用于多普勒量测的预观测整体融合跟踪方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581302B (zh) * 2018-12-12 2021-04-16 北京润科通用技术有限公司 一种车载雷达数据跟踪方法及***
CN112050830B (zh) * 2019-06-06 2023-06-02 华为技术有限公司 一种运动状态估计方法及装置
CN110275168B (zh) * 2019-07-09 2021-05-04 厦门金龙联合汽车工业有限公司 一种多目标识别和防撞预警方法和***
CN110673123B (zh) * 2019-10-24 2022-07-29 北京地平线机器人技术研发有限公司 一种目标对象的测距方法及装置
CN110672074A (zh) * 2019-10-24 2020-01-10 北京地平线机器人技术研发有限公司 一种测量目标对象距离的方法及装置
CN111273279B (zh) * 2020-02-18 2022-05-10 中国科学院合肥物质科学研究院 一种基于加速度噪声参数的多雷达数据处理方法
CN111736146B (zh) * 2020-07-03 2022-06-21 哈尔滨工业大学 一种基于速度滤波的双基地检测前跟踪方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6498581B1 (en) * 2001-09-05 2002-12-24 Lockheed Martin Corporation Radar system and method including superresolution raid counting
CN105100546A (zh) * 2014-12-31 2015-11-25 天津航天中为数据***科技有限公司 运动估计方法及装置
CN106054170A (zh) * 2016-05-19 2016-10-26 哈尔滨工业大学 一种约束条件下的机动目标跟踪方法
CN106546976A (zh) * 2016-10-31 2017-03-29 中国电子科技集团公司第二十九研究所 一种基于长周期非均匀采样目标跟踪处理方法及装置

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4179696A (en) * 1977-05-24 1979-12-18 Westinghouse Electric Corp. Kalman estimator tracking system
US5347469A (en) * 1992-07-22 1994-09-13 Choate William C Covert ranging method and system
CN1299125C (zh) * 2004-05-21 2007-02-07 清华大学 车辆前方目标物的探测方法
KR100753844B1 (ko) * 2006-09-29 2007-08-31 한국전자통신연구원 레이다 추적장치 및 그 방법
JP2009047550A (ja) * 2007-08-20 2009-03-05 Tokyo Keiki Inc 不要追尾目標除去装置
TWI340251B (en) * 2007-10-09 2011-04-11 Univ Nat Taiwan Method and system for radar tracking of moving target from moving station
CN101206260A (zh) * 2007-12-20 2008-06-25 四川川大智胜软件股份有限公司 航管自动化***中雷达目标信息的处理方法
EP2496958A4 (en) * 2009-11-06 2013-04-03 Saab Ab RADAR SYSTEM AND METHOD FOR DETECTING AND FOLLOWING A TARGET
US9128186B2 (en) * 2011-02-25 2015-09-08 Kabushiki Kaisha Toshiba Target tracking device and target tracking method
US8681041B2 (en) * 2011-03-22 2014-03-25 Raytheon Company System, method, and filter for target tracking in cartesian space
CN102508238B (zh) * 2011-10-14 2013-07-31 北京理工大学 一种基于坐标旋转变换的雷达跟踪方法
CN102788976B (zh) * 2012-06-27 2014-07-02 北京理工大学 高量级扩展卡尔曼滤波方法
CN103048658A (zh) * 2012-11-10 2013-04-17 中国人民解放军海军航空工程学院 基于径向加速度的RA-Singer-EKF机动目标跟踪算法
CN103812813B (zh) * 2012-11-12 2016-12-28 德尔福电子(苏州)有限公司 基于软件定义无线电cmmb解调器的时域同步方法
CN103760555B (zh) * 2014-01-23 2016-05-18 西安电子科技大学 一种提高机载雷达检测跟踪一体化精度的方法
CN103968838B (zh) * 2014-05-09 2017-05-24 哈尔滨工程大学 一种基于极坐标系的auv曲线运动状态下的协同定位方法
CN104182609B (zh) * 2014-07-17 2017-06-06 电子科技大学 基于去相关的无偏转换量测的三维目标跟踪方法
CN105703990A (zh) * 2014-11-28 2016-06-22 联创汽车电子有限公司 车载控制器can通信报文解析方法和构建方法
CN104730537B (zh) * 2015-02-13 2017-04-26 西安电子科技大学 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN105182311B (zh) * 2015-09-02 2017-09-22 四川九洲电器集团有限责任公司 全向雷达数据处理方法及***
CN105549003A (zh) * 2015-12-02 2016-05-04 华域汽车***股份有限公司 一种汽车雷达目标跟踪方法
CN105954742B (zh) * 2016-05-19 2017-04-12 哈尔滨工业大学 一种球坐标系下带多普勒观测的雷达目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6498581B1 (en) * 2001-09-05 2002-12-24 Lockheed Martin Corporation Radar system and method including superresolution raid counting
CN105100546A (zh) * 2014-12-31 2015-11-25 天津航天中为数据***科技有限公司 运动估计方法及装置
CN106054170A (zh) * 2016-05-19 2016-10-26 哈尔滨工业大学 一种约束条件下的机动目标跟踪方法
CN106546976A (zh) * 2016-10-31 2017-03-29 中国电子科技集团公司第二十九研究所 一种基于长周期非均匀采样目标跟踪处理方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109975798A (zh) * 2019-03-26 2019-07-05 武汉理工大学 一种基于毫米波雷达与摄像头的目标检测方法
CN109975798B (zh) * 2019-03-26 2022-11-18 武汉理工大学 一种基于毫米波雷达与摄像头的目标检测方法
CN110320518A (zh) * 2019-05-31 2019-10-11 惠州市德赛西威汽车电子股份有限公司 一种车载bsd毫米波雷达安装位置自动标定方法
CN110320518B (zh) * 2019-05-31 2023-01-24 惠州市德赛西威汽车电子股份有限公司 一种车载bsd毫米波雷达安装位置自动标定方法
CN112395916A (zh) * 2019-08-15 2021-02-23 北京地平线机器人技术研发有限公司 目标的运动状态信息确定方法、确定装置及电子设备
CN112395916B (zh) * 2019-08-15 2024-04-19 北京地平线机器人技术研发有限公司 目标的运动状态信息确定方法、确定装置及电子设备
CN112130136A (zh) * 2020-09-11 2020-12-25 中国重汽集团济南动力有限公司 一种交通目标综合感知***及方法
CN112130136B (zh) * 2020-09-11 2024-04-12 中国重汽集团济南动力有限公司 一种交通目标综合感知***及方法
CN115131594A (zh) * 2021-03-26 2022-09-30 航天科工深圳（集团）有限公司 一种基于集成学习的毫米波雷达数据点分类方法及装置
CN117784064A (zh) * 2023-12-28 2024-03-29 昆明理工大学 一种用于多普勒量测的预观测整体融合跟踪方法

Also Published As

Publication number Publication date
CN108872975A (zh) 2018-11-23
CN108872975B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
WO2018209997A1 (zh) 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质
US20220300607A1 (en) Physics-based approach for attack detection and localization in closed-loop controls for autonomous vehicles
JP6622167B2 (ja) 軸ずれ推定装置
JP2018055539A (ja) 移動体の状態算出装置、状態算出方法、プログラムおよびそれを記録した記録媒体
JP2015179514A (ja) ターゲットオブジェクトの動きパラメーターを予測する方法及び装置
CN111103587A (zh) 用于预测同时并线车辆的方法和设备及包括其的车辆
JP2015072604A (ja) 先行車選択装置
CN110632916B (zh) 行动预测装置以及自动驾驶装置
WO2023273467A1 (zh) 真值数据确定、神经网络训练、行驶控制方法及装置
JP7260416B2 (ja) 追跡装置
CN113176562A (zh) 多目标跟踪方法、装置、电子设备及可读存储介质
CN113424242B (zh) 信息处理装置、计算机可读取的记录介质及信息处理方法
JP4817854B2 (ja) 周辺物体追尾装置及び周辺物***置予測方法
JP2004219300A (ja) 目標追尾装置
WO2017164250A1 (ja) 推定装置
US11402487B2 (en) Joint radon transform association
JP7294978B2 (ja) 進行方向推定装置及び物体追跡装置
JPWO2020066497A1 (ja) 電子機器、電子機器の制御方法、及び電子機器の制御プログラム
US20240230842A9 (en) Method and apparatus of filtering dynamic objects in radar-based ego-emotion estimation
US20240134009A1 (en) Method and apparatus of filtering dynamic objects in radar-based ego-emotion estimation
CN117491965B (zh) 基于4d毫米波雷达的目标航迹起始方法
JP6647465B1 (ja) 位置推定装置、位置推定システム、位置推定方法、および位置推定プログラム
JP2020063934A (ja) 物体認識装置およびこれを用いた車両制御装置並びに物体認識方法およびこれを用いた車両制御方法
US11989889B2 (en) Method for determining a relative movement using a digital image sequence
JP5909401B2 (ja) 渋滞予測方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18801635

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18801635

Country of ref document: EP

Kind code of ref document: A1