物体状态获取方法、可移动平台及存储介质技术

一种物体状态获取方法、可移动平台(11)及存储介质，其中可移动平台(11)搭载多个传感器，传感器用于对可移动平台(11)所处的环境进行数据采集，该方法包括：获取环境中物体(12)的运动状态的初始概率分布(S201)，初始概率分布是对多个传感器采集的数据的融合结果，初始概率分布包括运动状态对应的各个取值点的概率值；根据目标传感器采集的数据更新各个取值点的概率值(S202)；根据各个取值点更新后的概率值，确定运动状态的目标概率分布(S203)。通过该方法可以克服传感器采集的原始数据在运动状态的初始概率分布获得过程中损失的问题，从而可以保证获取的目标概率分布更加准确。从而可以保证获取的目标概率分布更加准确。从而可以保证获取的目标概率分布更加准确。

【技术实现步骤摘要】
【国外来华专利技术】物体状态获取方法、可移动平台及存储介质


[0001]本申请实施例涉及目标跟踪技术，尤其涉及一种物体状态获取方法、可移动平台及存储介质。

技术介绍

[0002]目前在无人机或者无人车等可移动平台所处的动态环境中，目标跟踪技术是一个重要研究方向。
[0003]无人机或者无人车等可移动平台在动态环境中如何有效的融合观测信息并利用这些观测信息实时在线的去更新多个物体的状态信息，这些状态信息包括动态物体的位置，朝向，速度等状态，以及不同时间序列上每个目标的关联信息，(即不同时刻的观测是否属于同样的目标)，从而达到对多目标跟踪的效果。
[0004]现有技术中，可移动平台可以对物体的状态进行预测，并对传感器采集的数据进行预处理，通过预处理后的数据对物体的状态进行更新，以得到物体的最优状态。上述过程过分依赖预处理后的数据，往往导致传感器采集的原始数据在预处理的过程中丢失，从而造成最终确定的物体的状态不准确。

技术实现思路

[0005]本申请实施例提供一种物体状态获取方法、可移动平台及存储介质。从而可以保证获取的目标概率分布更加准确。
[0006]第一方面，本申请提供一种物体状态获取方法，可移动平台搭载多个传感器，传感器用于对可移动平台所处的环境进行数据采集，方法包括：获取环境中物体的运动状态的初始概率分布，初始概率分布是对多个传感器采集的数据的融合结果，初始概率分布包括运动状态对应的各个取值点的概率值；根据目标传感器采集的数据更新各个取值点的概率值；根据各个取值点更新后的概率值，确定运动状态的目标概率分布。
[0007]第二方面，本申请提供一种可移动平台，可移动平台搭载多个传感器，传感器用于对可移动平台所处的环境进行数据采集，可移动平台包括：获取模块、更新模块和第一确定模块。其中，获取模块用于获取环境中物体的运动状态的初始概率分布，初始概率分布是对多个传感器采集的数据的融合结果，初始概率分布包括运动状态对应的各个取值点的概率值；更新模块用于根据目标传感器采集的数据更新各个取值点的概率值；第一确定模块用于根据各个取值点更新后的概率值，确定运动状态的目标概率分布。
[0008]第三方面，本申请提供一种可移动平台，可移动平台搭载多个传感器，传感器用于对可移动平台所处的环境进行数据采集，可移动平台包括：处理器，用于：获取环境中物体的运动状态的初始概率分布，初始概率分布是对多个传感器采集的数据的融合结果，初始概率分布包括运动状态对应的各个取值点的概率值；根据目标传感器采集的数据更新各个取值点的概率值；根据各个取值点更新后的概率值，确定运动状态的目标概率分布。
[0009]第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质包括计算
机指令，计算机指令用于实现上述第一方面所述的方法。
[0010]本申请提供一种物体状态获取方法、可移动平台及存储介质，其中可移动平台搭载多个传感器，传感器用于对可移动平台所处的环境进行数据采集，方法包括：获取环境中物体的运动状态的初始概率分布，初始概率分布是对多个传感器采集的数据的融合结果，初始概率分布包括运动状态对应的各个取值点的概率值；根据目标传感器采集的数据更新各个取值点的概率值；根据各个取值点更新后的概率值，确定运动状态的目标概率分布。该方法可以被称为一种后处理方法，通过这种后处理方法可以克服传感器采集的原始数据在运动状态的初始概率分布获得过程中损失的问题，从而可以保证获取的目标概率分布更加准确。
附图说明
[0011]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0012]图1为本申请一实施例提供的应用场景图；
[0013]图2为本申请一实施例提供的一种物体状态获取方法的流程图；
[0014]图3为本申请一实施例提供的更新各个取值点的概率值的方法流程图；
[0015]图4为本申请一实施例提供的第一似然函数g(x)的示意图；
[0016]图5为本申请一实施例提供的速度偏差的似然函数的示意图；
[0017]图6为本申请一实施例提供的确定各个取值点的方法流程图；
[0018]图7为本申请一实施例提供的生成点云簇的方法流程图；
[0019]图8为本申请另一实施例提供的一种物体状态获取方法的流程图；
[0020]图9为本申请再一实施例提供的一种物体状态获取方法的流程图；
[0021]图10为本申请一实施例提供的一种可移动平台的示意图；
[0022]图11为本申请一实施例提供的一种可移动平台的示意图。
具体实施方式
[0023]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
[0024]针对无人机或者无人车等可移动平台在动态环境中如何有效的融合观测信息并利用这些观测信息实时在线的去更新多个物体的状态信息，这些状态信息包括动态物体的位置，朝向，速度等状态，以及不同时间序列上每个目标的关联信息，(即不同时刻的观测是否属于同样的目标)，从而达到对多目标跟踪的效果。
[0025]卡尔曼滤波或者粒子滤波等算法，是一种利用在线观测递推的来估计某一组时序状态的状态估计技术。一般会包括系统模型和状态模型，系统模型主要用于约束不同时序之间状态的关系，实际运行阶段主要用来进行时序的预测，观测模型主要是用来约束观测
和状态之间的关系，得到某一个当前时间的状态预测后，可以利用该观测模型以及对应的观测，来对状态进行更新估计。当系统模型和观测模型都是线性的时候，并且观测模型和系统模型中的不确定性都符合零均值高斯分布并方差已知，这种情况下卡尔曼滤波是对状态估计的最优估计方法，当系统该模型或者观测模型不满足线性关系的时候，需要利用扩展卡尔曼滤波或者无迹卡尔曼滤波技术来处理，如果不确定性不仅有高斯特性，可以利用粒子滤波技术进行采样估计。
[0026]针对多目标跟踪问题，要估计的状态是每一个目标的状态的联立，其中，每一个物体的状态，可以包括位置，速度，朝向，角速度，加速度等信息。通常来说，假设每一个物体的状态是相互独立的，这样可以用很多个滤波器去各自估计每一个物体的状态。但是在多目标跟踪问题中，不同于单目标跟踪，每个物体利用滤波器估计的前提是保证观测和物体有明确的对应关系，即该观测确实是对该物体的观测，而不是其他物体的观测；如果这个关系未知，需要利用数据关联的技术来进行关联，将每个观测都和系统中正在估计的物体关联起来，然后才能用滤波技术进行状态估计。目前，常见的关联算法有匈牙利分配，多假设跟踪，联合概率本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种物体状态获取方法，其特征在于，可移动平台搭载多个传感器，所述传感器用于对可移动平台所处的环境进行数据采集，所述方法包括：获取所述环境中物体的运动状态的初始概率分布，所述初始概率分布是对多个所述传感器采集的数据的融合结果，所述初始概率分布包括所述运动状态对应的各个取值点的概率值；根据目标传感器采集的数据更新所述各个取值点的概率值；根据所述各个取值点更新后的概率值，确定所述运动状态的目标概率分布。2.根据权利要求1所述的方法，其特征在于，所述根据目标传感器采集的数据更新所述各个取值点的概率值，包括：针对任一个所述取值点，根据目标传感器采集的数据，确定所述取值点的后验概率，所述取值点的所述后验概率是所述目标传感器采集的数据的采集条件下，得到所述取值点的概率；根据所述各个取值点的后验概率，更新所述各个取值点的概率值。3.根据权利要求2所述的方法，其特征在于，所述根据目标传感器采集的数据，确定所述取值点的后验概率，包括：根据目标传感器采集的数据确定所述取值点的似然概率，所述取值点的似然概率是在所述取值点的得到条件下，所述目标传感器采集的数据的采集概率；计算所述取值点的概率值和所述似然概率的乘积，得到所述取值点的后验概率。4.根据权利要求1所述的方法，其特征在于，还包括：以所述初始概率分布中，概率值最大的取值点为中心，以所述目标传感器的融合精度值为半径，设置取值范围；在所述取值范围中等间隔确定所述各个取值点。5.根据权利要求1所述的方法，其特征在于，还包括：根据所述初始概率分布的概率密度在对应所述运动状态的值域内确定所述各个取值点，其中，概率密度越大的取值点与相邻取值点之间的间隔越小。6.根据权利要求1-5任一项所述的方法，其特征在于，所述目标传感器对所述环境采集的数据为点云数据，所述物体通过点云簇表示，所述各个取值点为所述点云簇中各个点云粒子的位置，所述各个取值点的概率值为所述各个点云粒子的位置的概率值。7.根据权利要求6所述的方法，其特征在于，还包括：在所述物体的第一点云簇中确定待检点云粒子，所述待检点云粒子为概率值大于第一预设阈值的点云粒子；检测其他物体对应的第二点云簇中是否存在与所述待检测点云粒子的距离小于预设距离的点云粒子；若所述第二点云簇中存在与所述待检测点云粒子的距离小于预设距离的点云粒子，则根据第一点云簇中的点云粒子的概率分布和所述第二点云簇的点云粒子的概率分布，计算所述第一点云簇和第二点云簇的联合概率；根据所述联合概率大于第二预设阈值的点云粒子生成新的点云簇。8.根据权利要求1-5任一项所述的方法，其特征在于，
所述初始概率分布是基于多个所述传感器在当前帧和上一帧采集数据得到的；所述根据目标传感器采集的数据更新所述各个取值点的概率值，包括：根据所述目标传感器在当前帧和上一帧采集的数据更新所述取值点的概率值。9.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述各个取值点更新后的概率值，确定所述运动状态的目标概率分布之后，还包括：判断所述初始概率分布和所述目标概率分布是否满足一致性条件；若所述初始概率分布和所述目标概率分布不满足一致性条件，则推送报警信息，以提示用户所述可移动平台存在异常。10.根据权利要求9所述的方法，其特征在于，所述判断所述初始概率分布和所述目标概率分布是否满足一致性条件，包括：通过卡方检验方式判断所述初始概率分布和所述目标概率分布是否满足一致性条件。11.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述各个取值点更新后的概率值，确定所述运动状态的目标概率分布之后，还包括：根据所述可移动平台的运动状态的取值点，和对应所述物体的运动状态的所述目标概率分布中的取值点，确定所述物体的运动状态的绝对取值。12.根据权利要求1-5任一项所述的方法，其特征在于，多个所述传感器包括以下至少一种：激光雷达传感器、双目视觉传感器，毫米波雷达，超声传感器。13.根据权利要求1-5任一项所述的方法，其特征在于，所述运动状态包括以下至少一项：所述物体的位置参数、朝向参数、速度参数、加速度参数。14.一种可移动平台，其特征在于，可移动平台搭载多个传感器，所述传感器用于对可移动平台...

【专利技术属性】
技术研发人员：吴显亮，陈进，李星河，
申请(专利权)人：深圳市大疆创新科技有限公司，
类型：发明
国别省市：