一种目标跟踪方法、计算机设备、可读存储介质及机动车技术

本发明专利技术公开了一种目标跟踪方法、计算机设备、可读存储介质及机动车，自动驾驶技术领域，用于具备自动驾驶功能的车辆在自动驾驶时进行目标跟踪，所述目标跟踪方法包括，循环如下步骤：各种传感器对被跟踪目标进行感知获取被跟踪目标的量测；计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价；由关联代价形成关联代价矩阵，据其对跟踪目标的量测和融合航迹进行关联；滤波更新被跟踪目标的状态，结束当前帧的目标跟踪，进行下一帧的目标跟踪。本发明专利技术可以减少不同传感器量测之间的误关联，从而达到对目标更准确、稳定的跟踪。稳定的跟踪。稳定的跟踪。

【技术实现步骤摘要】
一种目标跟踪方法、计算机设备、可读存储介质及机动车


[0001]本专利技术涉及自动驾驶
，具体涉及一种目标跟踪方法、计算机设备、可读存储介质及机动车。

技术介绍

[0002]自动驾驶依赖于对前车的跟踪判断。由于单个传感器在特定的环境条件下存在一些先天不足，难以满足智能驾驶对系统鲁棒性、稳定性等苛刻的需求。因此，在实际应用中，多目标跟踪已经成为智能驾驶感知系统中的通用方案。多目标跟踪是指使用多种传感器，例如相机、激光雷达、毫米波雷达等，对自动驾驶场景中的动静态目标进行感知，并将各个传感器的感知结果进行融合，得到更准确和置信度更高的跟踪结果。因此，为了实现对目标准确且稳定地跟踪，需要将各传感器对同一目标在不同时刻的感知结果进行关联。
[0003]但是，由于环境干扰、传感器自身性能、测距算法等因素的影响，在实际场景中，感知结果，例如位置、速度、偏航角等，会存在较大偏差。同时，不同传感器的成像原理不同，这又给多传感器之间的坐标系标定带来了较大偏差。上述因素的叠加，又导致了不同传感器在同一时刻对同一目标的量测之间出现较大偏差，进一步影响关联算法的性能，进而导致自动驾驶系统会出现频繁的误关联。在目标较为密集的场景，这样的误关联现象更加频繁。而频繁的误关联容易导致对目标状态的滤波更新出现收敛困难，甚至发散。

技术实现思路

[0004]本专利技术旨在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提供了一种目标跟踪方法，减少不同传感器量测之间的误关联，从而达到对目标更准确、稳定的跟踪。
[0005]为了达到上述目的，本专利技术采用如下技术方案：
[0006]一种目标跟踪方法，用于具备自动驾驶功能的车辆在自动驾驶时进行目标跟踪，所述目标跟踪方法包括，循环如下步骤：
[0007]设于车辆的各种传感器对被跟踪目标进行感知，获取被跟踪目标的量测；
[0008]计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价；
[0009]由关联代价形成关联代价矩阵，根据关联代价矩阵对跟踪目标的量测和融合航迹进行关联；
[0010]滤波更新被跟踪目标的状态，结束当前帧的目标跟踪，进行下一帧的目标跟踪。
[0011]可选的，根据如下公式获取被跟踪目标的当前状态预测值：
[0012][0013]其中，k为时刻，k+1为k时刻的下一时刻，S
k+1
为被跟踪目标在k时刻的下一时刻的预测值，S
k
为被跟踪目标在k时刻的状态值，v
k
为被跟踪目标的速度，θ
k
为被跟踪目标在k时刻的的偏航角，θ'
k
为被跟踪目标在k时刻的转弯速率，Δt为k时刻与k+1时刻的时间间隔。
[0014]可选的，根据如下公式计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价：
[0015]Cost
l
‑
1.0
×
|x
l
‑
x
k
|+0.0
×
|y
l
‑
y
k
|+0.0
×
|Vx
l
‑
Vx
k
|+0.0
×
|Vy
i
‑
Vy
k
|
[0016]Cost
v
＝1.0
×
|x
v
‑
x
k
|+1.4
×
|y
v
‑
y
k
|+0.2
×
|Vx
v
‑
Vx
k
|+0.2
×
|Vy
v
‑
Vy
k
|
[0017]Cost
r
＝1.0
×
|x
r
‑
x
k
|+0.7
×
|y
r
‑
y
k
|+1.0
×
|Vx
r
‑
Vx
k
|+1.0
×
|Vy
r
‑
Vy
k
|
[0018]其中，Cost为关联代价，x为被跟踪目标在全局坐标系下的纵向位置，y为被跟踪目标在全局坐标系下的横向位置，Vx为被跟踪目标在全局坐标系下的纵向速度，Vy为被跟踪目标在全局坐标系下的纵向速度；下角标为k表示在k时刻下对应参数为真实值，下角标为l表示在k时刻下对应参数为激光雷达的量测；下角标为v表示在k时刻下对应参数为视觉传感器的量测；下角标为r表示在k时刻下对应参数为毫米波雷达的量测。
[0019]可选的，计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价之前，对被跟踪目标的量测进行筛选，对筛选出的被跟踪目标的量测计算与被跟踪目标的当前状态预测值之间的关联代价，进行筛选包括如下步骤：
[0020]遍历被跟踪目标的融合航迹；
[0021]查询被跟踪目标的融合航迹的上一帧是否存在已经关联的量测，如果是，进行下一步骤，如果否，则计算被跟踪目标在当前帧的量测与被跟踪目标的融合航迹的关联概率；
[0022]在被跟踪目标的融合航迹的当前帧查询是否存在与已经关联的量测相同传感器ID的量测，如果是，计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价，如果否，则计算被跟踪目标在当前帧的量测与被跟踪目标的融合航迹的关联概率。
[0023]可选的，计算被跟踪目标在当前帧的量测与被跟踪目标的融合航迹的关联概率：
[0024][0025]其中，β
jt
(k)为第j个量测与第t个目标的关联概率，P{δ
i
(k)|Z
k
}为k时刻第i个联合事件δ
i
(k)的条件概率，n
k
为可行联合事件的总个数。
[0026]可选的，由关联代价形成关联代价矩阵包括如下步骤：
[0027]判断计算出的关联代价是否小于阈值，如果小于，保留关联代价，如果不小于，则计算被跟踪目标在当前帧的量测与被跟踪目标的融合航迹的关联概率，用计算出的关联概率的倒数与计算出的关联代价相乘，保留乘积；
[0028]由保留的关联代价和保留的乘积构成关联代价矩阵，其中，保留的乘积在关联代
价矩阵的位置为大于阈值的关联代价所在位置。
[0029]可选的，由联合概率数据关联方法，根据关联代价矩阵由匈牙利匹配算法对跟踪目标的量测和融合航迹进行关联。
[0030]本专利技术所提供的技术方案，利用JPDA的概率关联结果显著改善因为传感器量测的位置、速度等误差造成的目标误关联；充分考虑了所有传感器量测和所有目标关联的可能。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标跟踪方法，用于具备自动驾驶功能的车辆在自动驾驶时进行目标跟踪，其特征在于，所述目标跟踪方法包括，循环如下步骤：设于车辆的各种传感器对被跟踪目标进行感知，获取被跟踪目标的量测；计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价；由关联代价形成关联代价矩阵，根据关联代价矩阵对跟踪目标的量测和融合航迹进行关联；滤波更新被跟踪目标的状态，结束当前帧的目标跟踪，进行下一帧的目标跟踪。2.根据权利要求1所述的目标跟踪方法，其特征在于，根据如下公式获取被跟踪目标的当前状态预测值：其中，k为时刻，k+1为k时刻的下一时刻，S
k+1
为被跟踪目标在k时刻的下一时刻的预测值，S
k
为被跟踪目标在k时刻的状态值，v
k
为被跟踪目标的速度，θ
k
为被跟踪目标在k时刻的的偏航角，θ
’
k
为被跟踪目标在k时刻的转弯速率，Δt为k时刻与k+1时刻的时间间隔。3.根据权利要求1所述的目标跟踪方法，其特征在于，根据如下公式计算被跟踪目标的量测与被跟踪目标的当前状态预测值之间的关联代价：Cost
l
＝1.0
×
|x
l
‑
x
k
|+0.8
×
|y
l
‑
y
k
|+0.8
×
|Vx
l
‑
Vx
k
|+0.8
×
|Vy
l
‑
Vy
k
|Cost
v
＝1.0
×
|x
v
‑
x
k
|+1.4
×
|y
v
‑
y
k
|+0.2
×
|Vx
v
‑
Vx
k
|+0.2
×
|Vy
v
‑
Vy
k
|Cost
r
＝1.0
×
|x
r
‑
x
k
|+0.7
×
|y
r
‑
y
k
|+1.0
×
|Vx
r
‑
Vx
k
|+1.0
×
|Vy
r
‑
Vy
k
|其中，Cost为...

【专利技术属性】
技术研发人员：邱歆煜，
申请(专利权)人：浙江零跑科技股份有限公司，
类型：发明
国别省市：