基于多运动学模型融合的测距设备后端数据融合方法及其应用技术

本发明专利技术公开了一种基于多运动学模型融合的测距设备后端数据融合方法，包括以下步骤：步骤1，将两种测距设备测量所得的目标物的运动视为四种运动学模型的加权融合。步骤2，根据k

【技术实现步骤摘要】
Detection and Tracking Using MMW Radar and Monovision Fusion,"in IEEE Transactions on Intelligent Transportation Systems,vol.17,no.7,pp.2075
‑
2084,July 2016.)提出了一种利用毫米波雷达提供的感兴趣区域(ROI)限制的视觉检测方法，以减少雷达的虚警。文献(K.Lee,Y.Kanzawa,M.Derry and M.R.James,"Multi
‑
Target Track
‑
to
‑
Track Fusion Based on Permutation Matrix Track Association,"2018IEEE Intelligent Vehicles Symposium(IV),2018,pp.465
‑
470,doi:10.1109/IVS.2018.8500433.)开发了一种置换矩阵轨迹关联(PMTA)算法，对来自多个传感器的测量数据进行独立处理，创建一个对象的轨迹，并通过过滤融合对象的轨迹列表。
[0004]除了高级语义融合，低级语义融合的目的是处理来自雷达和摄像机的原始数据，通常包含像素和簇，混合融合结构由低级和高级融合组成，文献(A.Milella,G.Reina,J.Underwood and B.Douillard,"Combining radar and vision for self<br/>‑
supervised ground segmentation in outdoor environments,"2011IEEE/RSJ International Conference on Intelligent Robots and Systems,2011,pp.255
‑
260.)提出了一种包括雷达和视觉传感器的自监督分类系统，通过雷达测量选择摄像机图像中的地面块。文献(S.Wu,S.Decker,P.Chang,T.Camus and J.Eledath,"Collision Sensing by Stereo Vision and Radar Sensor Fusion,"in IEEE Transactions on Intelligent Transportation Systems,vol.10,no.4,pp.606
‑
614,Dec.2009.)通过融合雷达观测和视觉轮廓创建融合轮廓，然后通过刚体约束跟踪融合轮廓。文献(W.Huang,Z.Zhang,W.Li,and J.Tian,“Moving object tracking based on millimeter
‑
wave radar and vision sensor,”J.Appl.Sci.Eng.,vol.21,no.4,pp.609
–
614,2018.)通过自适应背景减法检测图像中的候选区域，并确定候选区域中的雷达目标。混合结构虽然灵活，但成本高，计算量大。
[0005]上述工作采用了如证据理论，滤波，航迹融合，聚类，感兴趣区域划分等各种方法提高了基于毫米波雷达/机器视觉相机对于目标物跟踪的效果，然而运用在无人驾驶车辆环境中时，上述方法并未关注目标物的运动特性与状态，如目标车辆运动时其运动状态可用运动学模型加以描述。基于跟踪目标物的运动学物理特性进行测量信号的甄别与融合，目前还鲜有公开发表的资料。

技术实现思路

[0006]本专利技术的目的是针对现有技术中存在的技术缺陷，而提供一种基于多运动学模型融合的测距设备后端数据融合方法。
[0007]本专利技术的另一个目的是提供所述测距设备后端数据融合方法在智能驾驶中的应用。
[0008]为实现本专利技术的目的所采用的技术方案是：
[0009]一种基于多运动学模型融合的测距设备后端数据融合方法，包括以下步骤：
[0010]步骤1，将两种测距设备的坐标统一后，将两者的测量所得的目标物的运动视为四种运动学模型的加权融合，四种运动学模型作为四个子模型，分别为恒定速度模型，恒定加速度模型，恒定转率和速度模型，恒定转率和加速度模型；
[0011]步骤2，根据k
‑
1时刻目标物的加权融合运动学模型以为初值对其k时刻的状态向量进行预测得到
[0012]步骤3，k时刻通过测距设备测出目标物当前的状态向量X
k
，两种测距设备测量的当前的状态向量分别记作和将两者与k
‑
1时刻融合运动学模型预测结果作对比，进行测量结果筛选，取和中与的欧几里得距离最近者作为可靠测量值，在该步骤输出可靠测量值
[0013]步骤4，以作为输入，计算各个子模型单独在k
‑
1时刻预测值以与k时刻可靠测量值的距离，更新每个子模型的临时权重并进行归一化；
[0014]步骤5，将临时权重与马尔可夫状态转移矩阵P
k
‑1相乘，得到k时刻的最终修正后的子模型权重并归一化处理；
[0015]步骤6，根据k时刻所有更新后的子模型权重与k
‑
1时刻的各个子模型权重对马尔可夫状态转移矩阵P
k
‑1进行修正得到P
k
，待k+1时刻使用。
[0016]在上述技术方案中，所述步骤1中的两种测距设备为毫米波雷达和激光雷达、激光雷达和机器视觉相机或者毫米波雷达和机器视觉相机。
[0017]在上述技术方案中，所述步骤1中的恒定速度模型为：
[0018]CV
k
＝[x
k
y
k
v
k
θ
k
00]T
(1)
[0019][0020]所述恒定加速度模型为：
[0021]CA
k
＝[x
k
y
k
v
k
θ
k
a
k
0]T
(3)
[0022][0023]所述恒定转率和速度模型为：
[0024]CTRV
k
＝[x
k
y
k
v
k
θ
k
0ω
k
]T
(5)
[0025][0026]所述恒定转率和加速度模型为：
[0027]CTRA
k
＝[x
k
y
k
v
k
θ
k
a
k
ω
k
]T
(7)
[0028][0029]公式(8)中的：
[0030][0031][0032]其中CV
k
，CA
k
，CTRV
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多运动学模型融合的测距设备后端数据融合方法，其特征在于，包括以下步骤：步骤1，将两种测距设备的坐标统一后，将两者的测量所得的目标物的运动视为四种运动学模型的加权融合，四种运动学模型作为四个子模型，分别为恒定速度模型，恒定加速度模型，恒定转率和速度模型，恒定转率和加速度模型；步骤2，根据k
‑
1时刻目标物的加权融合运动学模型以为初值对其k时刻的状态向量进行预测得到步骤3，k时刻通过测距设备测出目标物当前的状态向量X
k
，两种测距设备测量的当前的状态向量分别记作和将两者与k
‑
1时刻融合运动学模型预测结果作对比，进行测量结果筛选，取和中与的欧几里得距离最近者作为可靠测量值，在该步骤输出可靠测量值步骤4，以作为输入，计算各个子模型单独在k
‑
1时刻预测值以与k时刻可靠测量值的距离，更新每个子模型的临时权重并进行归一化；步骤5，将临时权重与马尔可夫状态转移矩阵P
k
‑1相乘，得到k时刻的最终修正后的子模型权重并归一化处理；步骤6，根据k时刻所有更新后的子模型权重与k
‑
1时刻的各个子模型权重对马尔可夫状态转移矩阵P
k
‑1进行修正得到P
k
，待k+1时刻使用。2.如权利要求1所述的一种基于多运动学模型融合的测距设备后端数据融合方法，其特征在于，所述步骤1中的两种测距设备为毫米波雷达和激光雷达、激光雷达和机器视觉相机或者毫米波雷达和机器视觉相机。3.如权利要求1所述的一种基于多运动学模型融合的测距设备后端数据融合方法，其特征在于，所述步骤1中的恒定速度模型为：CV
k
＝[x
k y
k v
k θ
k 0 0]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)所述恒定加速度模型为：CA
k
＝[x
k y
k v
k θ
k a
k 0]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)所述恒定转率和速度模型为：
CTRV
k
＝[x
k y
k v
k θ
k 0 ω
k
]
T
ꢀꢀꢀꢀ
(5)所述恒定转率和加速度模型为：CTRA
k
＝[x
k y
k v
k θ
k a
k ω
k
]
T
ꢀꢀꢀꢀ
(7)公式(8)中的：公式(8)中的：其中CV
k
，CA
k
，CTRV
k
，CTRA
k
分别为恒定速度模...

【专利技术属性】
技术研发人员：罗锦鹏，宋康，谢辉，
申请(专利权)人：天津大学，
类型：发明
国别省市：