CN112615604A

CN112615604A - 智能驾驶感知系统的滤波方法、装置及电子设备

Info

Publication number: CN112615604A
Application number: CN202011461427.3A
Authority: CN
Inventors: 吴宏升; 韩志华; 杜一光
Original assignee: Suzhou Zhitu Technology Co Ltd
Current assignee: Suzhou Zhitu Technology Co Ltd
Priority date: 2020-12-08
Filing date: 2020-12-08
Publication date: 2021-04-06

Abstract

本发明提供了智能驾驶感知系统的滤波方法、装置及电子设备。其中，该方法包括：基于先验知识库中的运动模型，确定障碍物目标的目标运动模型集合，判断目标运动模型集合与VSIMM滤波器上一时刻的模型集合是否一致；如果否，则基于目标运动模型集合和VSIMM滤波器上一时刻的模型集合，确定VSIMM滤波器当前时刻的目标模型集合；获取障碍物目标当前时刻的量测信息，以使VSIMM滤波器根据量测信息和目标模型集合进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；根据总估计输出信息跟踪障碍物目标，从而通过VSIMM滤波器提高了障碍物目标的跟踪精度，进而提高了智能驾驶感知系统的性能，具有较好的实用价值。

Description

智能驾驶感知系统的滤波方法、装置及电子设备

技术领域

本发明涉及智能驾驶环境感知技术领域，尤其是涉及智能驾驶感知系统的滤波方法、装置及电子设备。

背景技术

在智能驾驶感知系统中，要提升其性能，主要是提升障碍物检测以及障碍物目标跟踪的能力，其中目标跟踪是非常重要的环节。滤波器是用于目标跟踪过程中，计算周围环境障碍物目标的位置、速度、轨迹、数量、类型和特性。在智能驾驶领域，常用的传感器一般是激光雷达、摄像机、毫米波雷达和超声波雷达等。

目标跟踪滤波所面临的计算优化问题，主要是有两点：一是智能驾驶环境障碍物目标机动性强且差异巨大，难以预测；二是车辆环境复杂存在大量噪声以及传感器本身也有一定的误差噪声很难进行拟合，从而导致目标跟踪过程中滤波器状态估计精度不高甚至滤波发散等问题。现有方法主要通过自适应滤波算法进行滤波，该方法虽然可以一定程度上提高障碍物目标跟踪精度，但是由于障碍物目标的强机动性与随机性，因此，导致障碍物目标的运动模型难以确定，从而影响滤波效果，导致障碍物目标跟踪精度下降，甚至出现丢失障碍物目标的情形，影响了智能驾驶感知系统的性能。

发明内容

有鉴于此，本发明的目的在于提供智能驾驶感知系统的滤波方法、装置及电子设备，以缓解上述问题。

第一方面，本发明实施例提供了一种智能驾驶感知系统的滤波方法，该方法应用于智能驾驶感知系统的服务器，其中，服务器提供有先验知识库和变结构交互式多模型VSIMM滤波器，该方法包括：基于先验知识库中的运动模型，确定障碍物目标的目标运动模型集合，其中，运动模型包括以下至少一种：匀速CV模型、匀加速CA模型、匀转速CT模型、当前Current模型和曲线运动CM模型；判断目标运动模型集合与VSIMM滤波器上一时刻的模型集合是否一致；其中，VSIMM滤波器上一时刻的模型集合包括上一时刻VSIMM滤波器中每个滤波器对应的运动模型；如果否，则基于目标运动模型集合和VSIMM滤波器上一时刻的模型集合，确定VSIMM滤波器当前时刻的目标模型集合；获取障碍物目标当前时刻的量测信息，以使VSIMM滤波器根据量测信息和目标模型集合进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；根据总估计输出信息跟踪障碍物目标。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述判断目标运动模型集合与VSIMM滤波器上一时刻的模型集合是否一致的步骤，包括：判断目标运动模型集合中每个目标运动模型与上一时刻VSIMM滤波器中每个滤波器对应的运动模型是否完全相同；如果是，则判定目标运动模型集合与VSIMM滤波器上一时刻的模型集合一致；如果有任一不同，则判定目标运动模型集合与VSIMM滤波器上一时刻的模型集合不一致。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述基于目标运动模型集合和VSIMM滤波器上一时刻的模型集合，确定VSIMM滤波器当前时刻的目标模型集合的步骤，包括：根据目标运动模型集合和VSIMM滤波器上一时刻的模型集合的并集，得到VSIMM滤波器当前时刻的模型集合；获取目标运动模型集合的第一模型概率和VSIMM滤波器上一时刻的模型集合的第二模型概率；根据第一模型概率和第二模型概率的比值，确定VSIMM滤波器当前时刻的目标模型集合。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，根据第一模型概率和第二模型概率的比值，确定VSIMM滤波器当前时刻的目标模型集合的步骤，包括：判断比值是否大于第一阈值，如果是，则确定VSIMM滤波器当前时刻的目标模型集合为目标运动模型集合；如果否，判断比值是否小于第二阈值，如果是，则确定VSIMM滤波器当前时刻的目标模型集合为VSIMM滤波器上一时刻的模型集合；其中，第二阈值小于第一阈值。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，VSIMM滤波器根据量测信息和目标模型集合进行滤波状态估计的步骤，包括：根据目标模型集合中每个目标模型确定对应的VSIMM滤波器中目标滤波器；通过每个目标滤波器根据量测信息和对应的目标模型进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；其中，总估计输出信息包括总状态估计值和总误差协方差，总状态估计值包括每个目标滤波器在当前时刻的状态估计值，总误差协方差包括每个目标滤波器在当前时刻的误差协方差。

结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，每个目标模型还配置有模型概率，该方法还包括：基于每个目标模型的似然函数，对每个目标模型的模型概率进行更新；其中，通过下式计算似然函数：

其中，Λ_j(k)表示第j个目标模型在k时刻的似然函数，S_j(k)表示第j个目标模型在k时刻的量测协方差，v_j(k)表示第j个目标模型在k时刻的卡尔曼滤波残差。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，上述基于先验知识库中的运动模型，确定障碍物目标的目标运动模型集合的步骤，包括：获取障碍物目标的采集信息；其中，采集信息包括类型信息、位置信息和参数信息；基于类型信息确定障碍物目标的第一运动模型集合；基于位置信息确定障碍物目标的第二运动模型集合；基于参数信息确定障碍物目标的第三运动模型集合；其中，参数信息包括以下至少一种：采集装置信息、障碍物目标轮廓信息和气象信息；根据第一运动模型集合、第二运动模型集合和第三运动模型集合，确定障碍物目标的目标运动模型集合。

第二方面，本发明实施例还提供一种智能驾驶感知系统的滤波装置，该装置应用于智能驾驶感知系统的服务器，其中，服务器提供有先验知识库和变结构交互式多模型VSIMM滤波器，该装置包括：第一确定模块，用于基于先验知识库中的运动模型，确定障碍物目标的目标运动模型集合，其中，运动模型包括以下至少一种：匀速CV模型、匀加速CA模型、匀转速CT模型、当前Current模型和曲线运动CM模型；判断模块，用于判断目标运动模型集合与VSIMM滤波器上一时刻的模型集合是否一致；其中，VSIMM滤波器上一时刻的模型集合包括上一时刻VSIMM滤波器中每个滤波器对应的运动模型；第二确定模块，用于如果否，则基于目标运动模型集合和VSIMM滤波器上一时刻的模型集合，确定VSIMM滤波器当前时刻的目标模型集合；滤波估计模块，用于获取障碍物目标当前时刻的量测信息，以使VSIMM滤波器根据量测信息和目标模型集合进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；跟踪模块，用于根据总估计输出信息跟踪障碍物目标。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的智能驾驶感知系统的滤波方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面的智能驾驶感知系统的滤波方法的步骤。

本发明实施例带来了以下有益效果：

本发明实施例提供了智能驾驶感知系统的滤波方法、装置及电子设备，基于先验知识库中的运动模型来动态确定障碍物目标的目标运动模型，并根据目标运动模型确定VSIMM滤波器的当前时刻的目标模型集合，以便进行滤波处理，从而在障碍物目标发生机动时VSIMM滤波器可以快速收敛，提高了障碍物目标的跟踪精度，进而提高了智能驾驶感知系统的性能，具有较好的实用价值。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种智能驾驶感知系统的滤波方法的原理图；

图2为本发明实施例提供的一种智能驾驶感知系统的滤波方法的流程图；

图3为本发明实施例提供的一种道路地形示意图；

图4为本发明实施例提供的一种构建障碍物目标的目标运动模型集合的示意图；

图5为本发明实施例提供的一种确定目标模型集合的示意图；

图6为本发明实施例提供的一种VSIMM滤波器的工作原理图；

图7为本发明实施例提供的一种智能驾驶感知系统的滤波装置的示意图；

图8为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对现有的障碍物目标的运动模型难以确定，从而影响滤波效果的问题，本发明实施例提供了智能驾驶感知系统的滤波方法、装置及电子设备，提高了障碍物目标的跟踪精度，进而提高了智能驾驶感知系统的性能，具有较好的实用价值。

为便于对本实施例进行理解，下面首先对本发明实施例提供的一种智能驾驶感知系统的滤波方法进行详细介绍。

本发明实施例提供了一种智能驾驶感知系统的滤波方法，该方法应用于智能驾驶感知系统。其中，智能驾驶感知系统包括服务器，以及与服务器连接的检测单元，这里检测单元包括多个检测元件如传感器等，以便得到智能驾驶感知系统的环境感知信息，这里环境感知信息包括传感器信息、电子地图信息和环境其他信息等。

如图1所示，服务器根据获取到的环境感知信息构建先验知识库，先验知识库输出相应的滤波器运动模型集合，并根据滤波器运动模型集合和VSIMM(Variable StructureInteracting Multiple Model，变结构交互多模型)滤波器计算得到的模型概率对VSIMM滤波器的模型集合进行调整，并根据输入的障碍物目标的障碍物运动数据基于调整后的VSIMM滤波器进行滤波状态估计，以便跟踪障碍物目标。需要说明的是，上述VSIMM滤波器也称为VSIMM滤波算法或者VSIMM算法。

基于上述服务器，本发明实施例提供的一种智能驾驶感知系统的滤波方法如图2所示，该方法包括以下步骤：

步骤S202，基于先验知识库中的运动模型，确定障碍物目标的目标运动模型集合；

其中，在智能驾驶感知系统中，障碍物目标的运动模型包括以下至少一种：CV(Constant Velocity，匀速)模型、CA(Constant Acceleration，匀加速)模型、CT(ConstantTurn，匀转速)模型、当前Current模型和CM(Curvilinear Motion，曲线运动)模型。需要说明的是，对于其他的障碍物目标的运动模型，可以根据实际情况进行设置，本发明实施例对此不作限制说明。

为了便于理解，这里对各个运动模型进行如下说明：

(1)CV模型；其中，根据下式计算CV模型：

其中，x_k表示k时刻x方向障碍物目标的位移，

表示k时刻x方向障碍物目标的速度，y_k表示k时刻y方向障碍物目标的位移，

表示k时刻y方向障碍物目标的速度，x_k+1表示k+1时刻x方向障碍物目标的位移，

表示k+1时刻x方向障碍物目标的速度，y_k+1表示k+1时刻y方向障碍物目标的位移，

表示k+1时刻y方向障碍物目标的速度，T表示时间间隔，其中，该时间间隔为k时刻到k+1时刻的时间间隔。

(2)CA模型；其中，根据下式计算CA模型：

其中，x_k表示k时刻x方向障碍物目标的位移，

表示k时刻x方向障碍物目标的速度，

表示k时刻x方向障碍物目标的加速度，y_k表示k时刻y方向障碍物目标的位移，

表示k时刻y方向障碍物目标的速度，

表示k时刻y方向障碍物目标的加速度，x_k+1表示k+1时刻x方向障碍物目标的位移，

表示k+1时刻x方向障碍物目标的速度，

表示k+1时刻x方向障碍物目标的加速度，y_k+1表示k+1时刻y方向障碍物目标的位移，

表示k+1时刻y方向障碍物目标的速度，

表示k+1时刻y方向障碍物目标的加速度，T表示时间间隔。

(3)CT模型；其中，根据下式计算CT模型：

其中，x_k表示k时刻x方向障碍物目标的位移，

表示k+1时刻y方向障碍物目标的速度，T表示时间间隔，ω表示障碍物目标的角速度。

(4)Current模型；其中，根据下式计算Current模型：

其中，x_k表示k时刻x方向障碍物目标的位移，

表示k时刻x方向障碍物目标的速度，

表示k时刻x方向障碍物目标的加速度，

表示k时刻x方向障碍物目标的急动度，

表示随机加速度的均值，w(t)表示均值为零、机动加速度方差为σ_a ²的高斯白噪声，α表示机动加速度时间常数的倒数。需要说明的是，这里

在每一个采样间隔内均为常数，机动频率α通常根据经验取值，并通过实际测量确定，具体可以根据实际情况进行设置，本发明实施例对此不作限制说明。

其离散方程则如下：

其中，x_k表示k时刻x方向障碍物目标的位移，

表示k时刻x方向障碍物目标的速度，

表示k时刻x方向障碍物目标的加速度，x_k+1表示k+1时刻x方向障碍物目标的位移，

表示k+1时刻x方向障碍物目标的速度，

表示k+1时刻x方向障碍物目标的加速度，

表示随机加速度的均值，α表示高斯白噪声与噪声方差的系数，T表示时间间隔，W(t)表示均值为零的高斯白噪声的离散值。

(5)CM模型；其中，根据下式计算CM模型：

其中，x_k表示k时刻x方向障碍物目标的位移，

表示k+1时刻y方向障碍物目标的速度，T表示时间间隔，Δθ表示速度方向角的变化量，a_t表示曲线运动切向加速度，Δt_k表示k+1时刻和k时刻的时间差，θ_k表示k时刻障碍物目标的速度方向角。

其中，根据下式计算上述速度方向角的变化量：

Δθ＝θ_k+1-θ_k (6)

其中，Δθ表示速度方向角的变化量，θ_k+1表示k+1时刻障碍物目标的速度方向角，θ_k表示k时刻障碍物目标的速度方向角。

因此，根据先验知识库中预存的上述运动模型，可以构建障碍物目标的目标运动模型集合，其中一种可能的目标运动模型集合的构建方式如下：

(1)获取障碍物目标的采集信息；其中，采集信息包括单不仅限于类型信息、位置信息和参数信息；具体可以根据实际情况进行设置，本发明实施例对此不作限制说明。

(2)基于类型信息确定障碍物目标的第一运动模型集合；具体地，根据障碍物目标的类型信息确定对应的第一运动模型集合，例如，汽车等大型机动车由于挡位固定，一般是匀速运动、匀速转弯运动和曲线运动，即当障碍物目标的类型信息为大型机动车时，对应的第一运动模型集合为{CV模型，CT模型，CM模型}；对于行人，一般为直线步行或者疾跑的匀速运动和当前模型，即当障碍物目标的类型信息为行人时，对应的第一运动模型集合为{CV模型，Current模型}；对于自行车或摩托车这些小型机动车则会存在一定的加减速，即当障碍物目标的类型信息为小型机动车时，对应的第一运动模型集合则为{CV模型，CA模型，Current模型}等，因此，每种类型信息对应的第一运动模型集合，具体可以根据实际情景进行设置。

(3)基于位置信息确定障碍物目标的第二运动模型集合；具体地，根据高精度电子地图以及障碍物目标在电子地图中的位置匹配得到障碍物目标所在的位置信息，比如直行道、掉头车道等等，如图3所示。对于机动车而言必须遵循交通规则，例如在直行车道上，对应的第二运动模型集合为{CV模型，CA模型，Current模型}；在立交桥、拐角车道或者掉头车道上，对应的第二运动模型集合则为{CT模型，Current模型}；在待转弯区域或者分岔路、匝道等可变道路，则对应的第二运动模型集合则为{CM模型，Current模型}等；具体可以根据实际情况进行设置。

(4)基于参数信息确定障碍物目标的第三运动模型集合；其中，参数信息包括以下至少一种：采集装置信息、障碍物目标轮廓信息和气象信息；其中，采集装置信息如传感器信息等，由于现有方法中很少考虑上述参数信息，因此，这里第三运动模型集合默认为全集，即此时第三运动模型集合为{CV模型，CA模型，CT模型，CM模型，Current模型}；其余非全集情况可以根据实际场景进行设置。

(5)根据第一运动模型集合、第二运动模型集合和第三运动模型集合，确定障碍物目标的目标运动模型集合。具体地，确定第一运动模型集合、第二运动模型集合和第三运动模型集合的交集，并将该交集确定为障碍物目标的目标运动模型集合，以确保目标运动模型集合可以精确模拟障碍物目标的运动。

为了便于理解，这里以传感器举例说明。如图4所示，采集信息包括传感器感知信息、高精度地图信息和环境其他信息；其中，传感器感知信息包括传感器信息和障碍物类别，根据传感器信息可以确定障碍物目标的子模型集合M₁，根据障碍物类别可以确定障碍物目标的子模型集合M₂，基于传感器感知信息和高精度地图信息可以匹配确定障碍物地形，并基于障碍物地形确定障碍物目标的子模型集合M₃，以及，基于环境其他信息中的其他感知信息可以确定障碍物目标的子模型集合M_n，其中，n为采集信息的数量，最后根据上述子模型集合M₁、子模型集合M₂、子模型集合M₃和子模型集合M_n的交集确定障碍物目标的目标运动模型集合，即目标运动模型集合M＝M₁∩M₂∩M₃∩…M_n。

需要说明的是，具体障碍物目标的目标运动模型集合可以根据实际应用场景进行构建，以确保目标运动模型集合可以精确模拟障碍物目标的运动，本发明实施例对此不作限制说明。

在实际应用中，由于障碍物目标的目标机动类型、机动强度、机动时间都是未知的，尤其是障碍物目标在机动过程中多次改变运动模式，例如：转弯、加速、爬升等，因此，运动模型一般难以确定，即障碍物目标的目标运动模型难以匹配障碍物目标实际的运动模式，从而导致滤波器发散、跟踪精度下降甚至丢失目标。而本发明实施例则利用地图环境信息和障碍物目标的类型信息等先验知识，确定障碍物目标的目标运动模型集合，从而缓解了现有障碍物目标的运动模型难以确定的问题，且，通过构建先验知识库，还扩展了障碍物目标的目标运动模型集合，以使目标运动模型集合更好的拟合了障碍物目标的实际运动，从而提高了障碍物目标状态估计精度。

步骤S204，判断目标运动模型集合与VSIMM滤波器上一时刻的模型集合是否一致；

其中，VSIMM滤波器上一时刻的模型集合包括上一时刻VSIMM滤波器中每个滤波器对应的运动模型；具体地，判断目标运动模型集合中每个目标运动模型与上一时刻VSIMM滤波器中每个滤波器对应的运动模型是否完全相同；如果是，则判定目标运动模型集合与VSIMM滤波器上一时刻的模型集合一致，即VSIMM滤波器上一时刻的模型集合中没有新的滤波器模型激活；如果有任一不同，则判定目标运动模型集合与VSIMM滤波器上一时刻的模型集合不一致，即VSIMM滤波器当前时刻的模型集合与上一时刻的模型集合相比，存在新的滤波器模型，此时需要确定VSIMM滤波器当前时刻的模型集合，即对VSIMM滤波器的滤波器模型进行调整。

步骤S206，如果否，则基于目标运动模型集合和VSIMM滤波器上一时刻的模型集合，确定VSIMM滤波器当前时刻的目标模型集合；

在实际应用中，自适应滤波算法使得目标跟踪系统能够按照目标的机动情况进行自适应调整，极大提高了跟踪精度。常用的自适应滤波算法主要有三类：检测自适应滤波算法、实时辨识自适应滤波算法和多模型方法；其中，检测自适应滤波算法和实时辨识自适应滤波算法都是在滤波过程中对模型或者噪声进行修正，但会存在普遍滞后性并且对模型依赖比较大，而多模型方法如IMM(Interactive Multi-tude Model，交互多模型自适应)滤波算法则不需要机动检测，而是通过调整各个模型的概率来实现不通模式之间的切换，达到全面的自适应。但这些算法本质上都并没有改变IMM的固定结构，仍然不能解决IMM算法中冗余目标运动模型的干扰而带来的性能下降问题。而本发明实施例则尽可能利用先验知识和传感器外部信息等改变IMM算法的固定结构，即通过VSIMM算法来提高滤波器性能，如可以动态的增减障碍物目标的运动模型，或者对障碍物目标的估计位置进行修正，从而在障碍物目标发生机动时，VSIMM滤波器中跟踪滤波器能更快速地收敛，从而得到更高的跟踪精度，提高运算速度。

具体地，由于目标运动模型集合中每个目标运动模型与上一时刻VSIMM滤波器中每个滤波器对应的运动模型并不完全相同，则按照一定的规则在先验知识库中确定的目标运动模型集合中进行滤波器模型的调整。具体地，首先根据目标运动模型集合和VSIMM滤波器上一时刻的模型集合的并集，得到VSIMM滤波器当前时刻的模型集合；然后，获取目标运动模型集合的第一模型概率和VSIMM滤波器上一时刻的模型集合的第二模型概率，并获取第一模型概率和第二模型概率的比值，判断该比值是否大于第一阈值，如果是，则确定VSIMM滤波器当前时刻的目标模型集合为目标运动模型集合；如果比值不大于第一阈值，则判断比值是否小于第二阈值，如果是，则确定VSIMM滤波器当前时刻的目标模型集合为VSIMM滤波器上一时刻的模型集合。需要说明的是，具体的第一阈值和第二阈值的数值可以根据实际情况进行设置，只要满足第二阈值小于第一阈值即可。

为了便于理解，这里以VSIMM滤波器上一时刻即k时刻的模型集合M_k和目标运动模型集合M_m为例说明。如图5所示，根据M_k和M_m判断VSIMM滤波器当前时刻即k+1时刻的模型集合是否存在更新；如果否，则VSIMM滤波器k+1时刻的模型集合为M_k+1，且，M_k+1＝M_k，如果存在更新，则根据目标运动模型集合M_m和VSIMM滤波器k时刻的模型集合M_k确定VSIMM滤波器k+1时刻的模型集合M_k+1＝M_k∪M_m，并获取目标运动模型集合M_m的第一模型概率

和VSIMM滤波器k时刻的模型集合M_k的第二模型概率

其中，根据下式计算模型集合的模型概率：

其中，u_M(k)表示模型集合M的模型概率，m_i表示模型集合M中模型的数量，u_i(k)表示模型集合中每个模型的概率。

因此，根据上述公式可以计算得到第一模型概率

和第二模型概率

并根据下式计算得到第一模型概率和第二模型概率的比值：

其中，t表示第一模型概率和第二模型概率的比值，

表示k时刻目标运动模型集合M_m的第一模型概率，

表示VSIMM滤波器k时刻的模型集合M_k的第二模型概率。

计算得到上述比值后，判断比值t是否大于第一阈值t₁，如果是，则确定VSIMM滤波器k+1时刻的目标模型集合为目标运动模型集合即M_k+1＝M_m；如果否，判断比值t是否小于第二阈值t₂，如果是，则确定VSIMM滤波器k+1时刻的目标模型集合为VSIMM滤波器k时刻的模型集合，即M_k+1＝M_k，从而根据目标运动模型集合M_m和VSIMM滤波器k时刻的模型集合u_Mm(k)，确定VSIMM滤波器k+1时刻的目标模型集合M_k+1，如果比值t大于或等于第二阈值t₂且小于或等于第一阈值t₁，则继续按照M_k+1＝M_k∪M_m确定VSIMM滤波器k+1时刻的目标模型集合M_k+1。

步骤S208，获取障碍物目标当前时刻的量测信息，以使VSIMM滤波器根据量测信息和目标模型集合进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；

对于VSIMM滤波器，其基本思想是：首先建立一个总的模型集，由多个独立且相容的模型集合序列组合成该模型集，在目标跟踪过程中的每个时刻，根据先验知识和目标的估计状态在总的模型集中选择与目标运动状态最吻合的一个模型集合；其中，各模型集合之间可以按一定的规则相互转换，即模型集中每个滤波器模型均是独立且可以相互转换的。因此，对于上述确定的目标模型集合，VSIMM滤波器还将按照一定的分配规则为VSIMM滤波器中每个滤波器分配对应的目标模型，以便每个滤波器按照分配的目标模型进行滤波。

具体地，根据目标模型集合中每个目标模型确定对应的VSIMM滤波器中目标滤波器；然后，通过每个目标滤波器根据量测信息和对应的目标模型进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；总估计输出信息包括总状态估计值和总误差协方差，总状态估计值包括每个目标滤波器在当前时刻的状态估计值，总误差协方差包括每个目标滤波器在当前时刻的误差协方差。需要说明的是，这里障碍物目标的量测信息包括但不仅限于障碍物目标的位置信息和速度信息等，具体可以根据实际情况进行设置。

为了便于理解，这里以VSIMM滤波器上一时刻即k时刻的模型集合M_k和目标运动模型集合M_m为例说明。如果判定VSIMM滤波器的滤波器模型在k+1时刻需要调整，则对于确定的VSIMM滤波器k+1时刻的目标模型集合M_k+1，可以对每个目标滤波器对应的目标模型分配初始模型概率，并进行初始化，也可以按照转移概率矩阵调整每个目标滤波器的模型概率，其中，转移概率矩阵包括多个转移概率，这里转移概率包括多个目标滤波器对应的转移概率，每个目标滤波器对应的转移概率还包括该目标滤波器对应的不同目标模型之间的多个转移概率。

对于VSIMM滤波器k+1时刻的目标模型集合M_k+1，其中r个目标模型对应的目标滤波器在k+1时刻的输入包括：k时刻输出的混合状态估计和混合误差协方差。其中，k时刻的混合状态估计可以根据下式计算：

其中，

表示k时刻的混合状态估计，

表示目标模型i在k时刻的总状态估计值，u_i|j(k)表示k时刻的目标模型i到目标模型j的混合概率，其中，目标模型i为VSIMM滤波器k时刻的模型集合M_k的目标模型，目标模型j为VSIMM滤波器k+1时刻的模型集合M_k+1的目标模型。

需要说明的是，上述混合概率是基于目标模型i和目标模型j的模型概率，以及目标模型i和目标模型j的初始转移概率确定的k+1时刻的目标模型i到目标模型j的转移概率，从而通过调整每个时刻的模型之间的转移概率，缓解了现有方法中由于障碍物目标机动不确定，导致原有转移概率矩阵不确定，从而不能很好的反映障碍物目标真实的运动模型切换的问题，提高了跟踪性能。

以及，根据下式计算k时刻的混合误差协方差：

其中，P_0j(k)表示k时刻的混合误差协方差，P_i(k)表示目标模型i在k时刻的总误差协方差，

表示目标模型i在k时刻的总状态估计值，

表示k时刻的混合状态估计，u_i|j(k)表示k时刻的目标模型i到目标模型j的混合概率，其中，目标模型i为VSIMM滤波器k时刻的模型集合M_k的目标模型，目标模型j为VSIMM滤波器k+1时刻的模型集合M_k+1的目标模型。

其中，可以根据下式计算混合概率：

其中，u_i|j(k)表示k时刻的目标模型i到目标模型j的混合概率，p_ij表示目标模型i转变为目标模型j的转移概率，u_i(k)表示k时刻目标模型i的模型概率，

表示目标模型j的预测概率。

根据下式计算目标模型j的预测概率：

其中，

表示目标模型j的预测概率，p_ij表示目标模型i转变为目标模型j的混合概率，u_i(k)表示k时刻目标模型i的模型概率，目标模型i为VSIMM滤波器k时刻的模型集合M_k的目标模型，目标模型j为VSIMM滤波器k+1时刻的模型集合M_k+1的目标模型。

此时，根据上述k时刻的混合状态估计和混合误差协方差对目标模型集合M_k+1中的目标滤波器进行滤波，得到k+1时刻每个目标滤波器的总估计输出信息，即得到每个目标滤波器k+1时刻的总状态估计值

和总误差协方差P_j(k+1)。以及，基于目标模型j的似然函数对目标模型j的模型概率进行更新，其中，根据下式计算目标模型j的似然函数：

其中，Λ_j(k+1)表示第j个目标模型即目标模型j在k+1时刻的似然函数，S_j(k+1)表示目标模型j在k+1时刻的量测协方差，v_j(k+1)表示目标模型j在k+1时刻的卡尔曼滤波残差。

根据下式对k+1时刻目标模型j的模型概率进行更新：

其中，u_j(k+1)表示k+1时刻目标模型j的模型概率，Λ_j(k+1)表示目标模型j在k+1时刻的似然函数，

表示目标模型j的预测概率，C表示模型概率归一化常数。

其中，根据下式计算模型概率归一化常数：

其中，C表示模型概率归一化常数，Λ_j(k+1)表示目标模型j在k+1时刻的似然函数，

表示目标模型j的预测概率，目标模型j为VSIMM滤波器k+1时刻的模型集合M_k+1的目标模型。

根据上述公式，可以计算得到VSIMM滤波器k+1时刻的目标模型集合M_k+1的总估计输出信息。其中，根据下式计算总状态估计值

其中，

表示目标模型集合M_k+1的总状态估计值，

表示目标模型j在k+1时刻的总状态估计值，u_j(k+1)表示k+1时刻目标模型j的模型概率。

以及，根据下式计算总误差协方差：

其中，P(k+1)表示目标模型集合M_k+1的总误差协方差，u_j(k+1)表示k+1时刻目标模型j的模型概率，P_j(k+1)表示目标模型j在k+1时刻的总误差协方差，

表示目标模型j在k+1时刻的总状态估计值，

表示目标模型集合M_k+1的总状态估计值。

为了便于理解，这里举例说明。如图6所示，基于k+1时刻的量测信息，VSIMM滤波器在k+1时刻的目标模型集合M_k+1中第一目标模型对应的第一目标滤波器输出有第一估计输出信息和第一模型概率，第二目标模型对应的第二目标滤波器输出有第二估计输出信息和第二模型概率，以此类推，第N目标模型对应的第N目标滤波器输出有第N估计输出信息和第N模型概率，根据第一估计输出信息、第二估计输出信息至第N估计输出信息可以得到标模型集合M_k+1对应的总估计输出信息。此外，还可以基于似然函数分别对第一模型概率、第二模型概率和第N模型概率进行模型概率更新，以提高每个目标滤波器在每个时刻对应的模型概率的精度，从而提高目标跟踪性能。

因此，通过VSIMM滤波器的混合概率对转移概率进行调整，并通过似然函数对每个目标滤波器的模型概率进行更新，从而缓解了由于障碍物目标的机动不确定，从而导致原有VSIMM滤波器中转移概率矩阵设定方法并不能很好的反映目标真实的运动模型的切换；以及，由于很多外部环境信息的干扰，使得障碍物目标在不同环境下的模型概率也发生了很大的变化，原有设定方法难以获得更准确的模型概率，导致跟踪性能下降的问题，同时还可以缓解由于传感器的量测模型难以确定，量测的噪声方差不断变化的，导致必须进行实时估计才能保证跟踪精度的问题，从而提高了目标跟踪性能。

步骤S210，根据总估计输出信息跟踪障碍物目标。

因此，上述智能驾驶感知系统的滤波方法，充分利用智能驾驶感知系统的各种先验知识以对障碍物目标的运动模型进行约束，排除错误运动模型，从而确定障碍物目标的目标运动模型，最大限度的发挥了先验知识信息的利用率，同时减少了大量运动模型的并行运算，且，保证了障碍物目标的目标运动模型更加符合障碍物目标的实际运动。

此外，通过VSIMM算法还避免了传统的跟踪滤波器发散导致跟踪失败的问题，以及，缓解了一般的VSIMM算法中滤波器的目标模型集合难以确定导致跟踪精度下降和计算时间增加的问题，从而通过确定VSIMM滤波器在每个时刻的目标模型集合，降低了VSIMM滤波器计算时间，提高了VSIMM滤波器跟踪滤波的状态估计精度，从而提高了障碍物目标的跟踪精度，进而提高了智能驾驶感知系统的性能，具有较好的实用价值。

在上述实施例的基础上，本发明实施例还提供了一种智能驾驶感知系统的滤波装置，该装置应用于智能驾驶感知系统的服务器，其中，服务器提供有先验知识库和变结构交互式多模型VSIMM滤波器。如图7所示，该装置包括依次连接的第一确定模块71、判断模块72、第二确定模块73、滤波估计模块74和跟踪模块75；其中，各个模块的功能如下：

第一确定模块71，用于基于先验知识库中的运动模型，确定障碍物目标的目标运动模型集合，其中，运动模型包括以下至少一种：匀速CV模型、匀加速CA模型、匀转速CT模型、当前Current模型和曲线运动CM模型；

判断模块72，用于判断目标运动模型集合与VSIMM滤波器上一时刻的模型集合是否一致；其中，VSIMM滤波器上一时刻的模型集合包括上一时刻VSIMM滤波器中每个滤波器对应的运动模型；

第二确定模块73，用于如果否，则基于目标运动模型集合和VSIMM滤波器上一时刻的模型集合，确定VSIMM滤波器当前时刻的目标模型集合；

滤波估计模块74，用于获取障碍物目标当前时刻的量测信息，以使VSIMM滤波器根据量测信息和目标模型集合进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；

跟踪模块75，用于根据总估计输出信息跟踪障碍物目标。

本发明实施例提供的智能驾驶感知系统的滤波装置，基于先验知识库中的运动模型来动态确定障碍物目标的目标运动模型，并根据目标运动模型确定VSIMM滤波器的当前时刻的目标模型集合，以便进行滤波处理，从而在障碍物目标发生机动时VSIMM滤波器可以快速收敛，提高了障碍物目标的跟踪精度，进而提高了智能驾驶感知系统的性能，具有较好的实用价值。

在其中一种可能的实施例中，上述判断模块72还用于：判断目标运动模型集合中每个目标运动模型与上一时刻VSIMM滤波器中每个滤波器对应的运动模型是否完全相同；如果是，则判定目标运动模型集合与VSIMM滤波器上一时刻的模型集合一致；如果有任一不同，则判定目标运动模型集合与VSIMM滤波器上一时刻的模型集合不一致。

在另一种可能的实施例中，上述第二确定模块73还用于：根据目标运动模型集合和VSIMM滤波器上一时刻的模型集合的并集，得到VSIMM滤波器当前时刻的模型集合；获取目标运动模型集合的第一模型概率和VSIMM滤波器上一时刻的模型集合的第二模型概率；根据第一模型概率和第二模型概率的比值，确定VSIMM滤波器当前时刻的目标模型集合。

在另一种可能的实施例中，上述第二确定模块73还用于：判断比值是否大于第一阈值，如果是，则确定VSIMM滤波器当前时刻的目标模型集合为目标运动模型集合；如果否，判断比值是否小于第二阈值，如果是，则确定VSIMM滤波器当前时刻的目标模型集合为VSIMM滤波器上一时刻的模型集合；其中，第二阈值小于第一阈值。

在另一种可能的实施例中，上述滤波估计模块74还用于：根据目标模型集合中每个目标模型确定对应的VSIMM滤波器中目标滤波器；通过每个目标滤波器根据量测信息和对应的目标模型进行滤波状态估计，得到当前时刻VSIMM滤波器的总估计输出信息；其中，总估计输出信息包括总状态估计值和总误差协方差，总状态估计值包括每个目标滤波器在当前时刻的状态估计值，总误差协方差包括每个目标滤波器在当前时刻的误差协方差。

在另一种可能的实施例中，上述每个目标模型还配置有模型概率，该装置还包括：基于每个目标模型的似然函数，对每个目标模型的模型概率进行更新；其中，通过下式计算似然函数：

在另一种可能的实施例中，上述第一确定模块71还用于：获取障碍物目标的采集信息；其中，采集信息包括类型信息、位置信息和参数信息；基于类型信息确定障碍物目标的第一运动模型集合；基于位置信息确定障碍物目标的第二运动模型集合；基于参数信息确定障碍物目标的第三运动模型集合；其中，参数信息包括以下至少一种：采集装置信息、障碍物目标轮廓信息和气象信息；根据第一运动模型集合、第二运动模型集合和第三运动模型集合，确定障碍物目标的目标运动模型集合。

本发明实施例提供的智能驾驶感知系统的滤波装置，与上述实施例提供的智能驾驶感知系统的滤波方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述智能驾驶感知系统的滤波方法。

参见图8所示，该电子设备包括处理器80和存储器81，该存储器81存储有能够被处理器80执行的机器可执行指令，该处理器80执行机器可执行指令以实现上述智能驾驶感知系统的滤波方法。

进一步地，图8所示的电子设备还包括总线82和通信接口83，处理器80、通信接口83和存储器81通过总线82连接。

其中，存储器81可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线82可以是ISA(IndustrialStandard Architecture，工业标准结构总线)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Enhanced Industry StandardArchitecture，扩展工业标准结构)总线等。上述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器80可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81，处理器80读取存储器81中的信息，结合其硬件完成前述实施例的方法的步骤。

本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述智能驾驶感知系统的滤波方法。

本发明实施例所提供的智能驾驶感知系统的滤波方法、装置及电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种智能驾驶感知系统的滤波方法，其特征在于，所述方法应用于所述智能驾驶感知系统的服务器，其中，所述服务器提供有先验知识库和变结构交互式多模型VSIMM滤波器，所述方法包括：

基于所述先验知识库中的运动模型，确定障碍物目标的目标运动模型集合，其中，所述运动模型包括以下至少一种：匀速CV模型、匀加速CA模型、匀转速CT模型、当前Current模型和曲线运动CM模型；

判断所述目标运动模型集合与所述VSIMM滤波器上一时刻的模型集合是否一致；其中，所述VSIMM滤波器上一时刻的模型集合包括上一时刻所述VSIMM滤波器中每个滤波器对应的运动模型；

如果否，则基于所述目标运动模型集合和所述VSIMM滤波器上一时刻的模型集合，确定所述VSIMM滤波器当前时刻的目标模型集合；

获取所述障碍物目标当前时刻的量测信息，以使所述VSIMM滤波器根据所述量测信息和所述目标模型集合进行滤波状态估计，得到当前时刻所述VSIMM滤波器的总估计输出信息；

根据所述总估计输出信息跟踪所述障碍物目标。

2.根据权利要求1所述的智能驾驶感知系统的滤波方法，其特征在于，判断所述目标运动模型集合与所述VSIMM滤波器上一时刻的模型集合是否一致的步骤，包括：

判断所述目标运动模型集合中每个目标运动模型与上一时刻所述VSIMM滤波器中每个滤波器对应的运动模型是否完全相同；

如果是，则判定所述目标运动模型集合与所述VSIMM滤波器上一时刻的模型集合一致；

如果有任一不同，则判定所述目标运动模型集合与所述VSIMM滤波器上一时刻的模型集合不一致。

3.根据权利要求2所述的智能驾驶感知系统的滤波方法，其特征在于，基于所述目标运动模型集合和所述VSIMM滤波器上一时刻的模型集合，确定所述VSIMM滤波器当前时刻的目标模型集合的步骤，包括：

根据所述目标运动模型集合和所述VSIMM滤波器上一时刻的模型集合的并集，得到所述VSIMM滤波器当前时刻的模型集合；

获取所述目标运动模型集合的第一模型概率和所述VSIMM滤波器上一时刻的模型集合的第二模型概率；

根据所述第一模型概率和所述第二模型概率的比值，确定所述VSIMM滤波器当前时刻的目标模型集合。

4.根据权利要求3所述的智能驾驶感知系统的滤波方法，其特征在于，根据所述第一模型概率和所述第二模型概率的比值，确定所述VSIMM滤波器当前时刻的目标模型集合的步骤，包括：

判断所述比值是否大于第一阈值，如果是，则确定所述VSIMM滤波器当前时刻的目标模型集合为所述目标运动模型集合；

如果否，判断所述比值是否小于第二阈值，如果是，则确定所述VSIMM滤波器当前时刻的目标模型集合为所述VSIMM滤波器上一时刻的模型集合；其中，所述第二阈值小于所述第一阈值。

5.根据权利要求4所述的智能驾驶感知系统的滤波方法，其特征在于，所述VSIMM滤波器根据所述量测信息和所述目标模型集合进行滤波状态估计的步骤，包括：

根据所述目标模型集合中每个目标模型确定对应的所述VSIMM滤波器中目标滤波器；

通过每个所述目标滤波器根据所述量测信息和对应的所述目标模型进行滤波状态估计，得到当前时刻所述VSIMM滤波器的总估计输出信息；其中，所述总估计输出信息包括总状态估计值和总误差协方差，所述总状态估计值包括每个所述目标滤波器在当前时刻的状态估计值，所述总误差协方差包括每个所述目标滤波器在当前时刻的误差协方差。

6.根据权利要求5所述的智能驾驶感知系统的滤波方法，其特征在于，每个所述目标模型还配置有模型概率，所述方法还包括：

基于每个所述目标模型的似然函数，对每个所述目标模型的模型概率进行更新；其中，通过下式计算所述似然函数：

7.根据权利要求1所述的智能驾驶感知系统的滤波方法，其特征在于，基于所述先验知识库中的运动模型，确定障碍物目标的目标运动模型集合的步骤，包括：

获取所述障碍物目标的采集信息；其中，所述采集信息包括类型信息、位置信息和参数信息；

基于所述类型信息确定所述障碍物目标的第一运动模型集合；

基于所述位置信息确定所述障碍物目标的第二运动模型集合；

基于所述参数信息确定所述障碍物目标的第三运动模型集合；其中，所述参数信息包括以下至少一种：采集装置信息、障碍物目标轮廓信息和气象信息；

根据所述第一运动模型集合、所述第二运动模型集合和所述第三运动模型集合，确定所述障碍物目标的目标运动模型集合。

8.一种智能驾驶感知系统的滤波装置，其特征在于，所述装置应用于所述智能驾驶感知系统的服务器，其中，所述服务器提供有先验知识库和变结构交互式多模型VSIMM滤波器，所述装置包括：

第一确定模块，用于基于所述先验知识库中的运动模型，确定障碍物目标的目标运动模型集合，其中，所述运动模型包括以下至少一种：匀速CV模型、匀加速CA模型、匀转速CT模型、当前Current模型和曲线运动CM模型；

判断模块，用于判断所述目标运动模型集合与所述VSIMM滤波器上一时刻的模型集合是否一致；其中，所述VSIMM滤波器上一时刻的模型集合包括上一时刻所述VSIMM滤波器中每个滤波器对应的运动模型；

第二确定模块，用于如果否，则基于所述目标运动模型集合和所述VSIMM滤波器上一时刻的模型集合，确定所述VSIMM滤波器当前时刻的目标模型集合；

滤波估计模块，用于获取所述障碍物目标当前时刻的量测信息，以使所述VSIMM滤波器根据所述量测信息和所述目标模型集合进行滤波状态估计，得到当前时刻所述VSIMM滤波器的总估计输出信息；

跟踪模块，用于根据所述总估计输出信息跟踪所述障碍物目标。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的智能驾驶感知系统的滤波方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-7任一项所述的智能驾驶感知系统的滤波方法的步骤。