DE102015100134B4

DE102015100134B4 - Verfahren zum Detektieren und Verfolgen von Objekten unter Verwendung mehrerer Radarsensoren

Info

Publication number: DE102015100134B4
Application number: DE102015100134.9A
Authority: DE
Inventors: Shuqing Zeng; Jeremy A. Salinger; Bakhtiar B. Litkouhi; Kevin A. O'Dea; Joel Pazhayampallil; Mohannad Murad; James N. Nickolaou
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2014-01-16
Filing date: 2015-01-08
Publication date: 2022-07-14
Anticipated expiration: 2035-01-09
Also published as: CN104793202A; US20150198711A1; DE102015100134A1; US9255988B2; CN104793202B

Abstract

Verfahren zum Detektieren und Verfolgen von Objekten unter Verwendung mehrerer Radarsensoren, das umfasst, dass:Objekte relativ zu einem Host-Fahrzeug (12, 50) aus Radardaten, die durch eine Erfassungseinrichtung erzeugt werden, detektiert werden, wobei die Radardaten Doppler-Messdaten umfassen;durch einen Prozessor als Funktion der Radardaten Cluster gebildet werden, wobei jedes Cluster ein jeweiliges Objekt darstellt;durch den Prozessor jedes jeweilige Objekt basierend auf den Doppler-Messdaten jedes Objekts und einer Fahrzeuggeschwindigkeit des Host-Fahrzeugs (12, 50) als stationär oder nicht stationär klassifiziert wird; undin Ansprechen darauf, dass das Objekt als nicht stationäres Objekt klassifiziert wird, durch den Prozessor eine Zielverfolgung auf ein Objekt unter Verwendung von Doppler-Messdaten über der Zeit angewandt wird, andernfalls ein Belegungsgitter in Ansprechen auf das Klassifizieren des Objekts als stationäres Objekt aktualisiert wird;wobei das Klassifizieren jedes jeweiligen Objekts als stationär oder nicht stationär die folgenden Schritte umfasst:Identifizieren einer Geschwindigkeit für jeden Punkt in einem Cluster;Identifizieren eines Einheitsvektors für jeden Punkt mit dem Cluster;Ermitteln eines Entfernungsänderungsrestwerts für jeden Punkt in dem Cluster;Ermitteln, dass das Cluster ein stationäres Cluster ist, wenn ein vorbestimmter Prozentsatz der Entfernungsänderungsrestwerte innerhalb eines Restschwellenwerts liegt; ansonsten, Ermitteln, dass das Cluster ein dynamisches Cluster ist.

Description

HINTERGRUND DER ERFINDUNG
Eine Ausführungsform bezieht sich auf eine Objektsensorvereinigung.
Radarsysteme werden verwendet, um Objekte auf der Fahrstraße zu detektieren. Derartige Systeme verwenden eine kontinuierliche oder periodische Verfolgung von Objekten über der Zeit, um verschiedene Parameter eines Objekts zu ermitteln. Oftmals werden Daten, wie beispielsweise Objektort, Entfernung und Entfernungsänderung, unter Verwendung der Daten von Radarsystemen berechnet. Eingänge von Radaren sind jedoch oftmals wenige verfolgte Ziele. Darüber hinaus basieren Radarsysteme oftmals auf der Annahme, dass das Ziel ein einzelner Punkt ist, was es noch mehr erschwert, nahe Ziele zu bewerten.
NGUYEN, Thien-Nghia et al.: Stereo-camera-based urban environment perception using occupancy grid and object tracking, in: IEEE Transactions on Intelligent Transportation Systems, Vol. 13, 2012, No. 1, S. 154-165, ISSN 1524-9050 beschreibt eine Kombination eines objektbasierten und eines gitterbasierten Verfahrens zur Bereitstellung von relevanter Information für eine Umgebungswahrnehmung. Weiterer Stand der Technik ist aus DE 10 2004 030 752 A1 und KELLNER, Dominik et al.: Instantaneous lateral velocity estimation of a vehicle using Doppler radar, in: 2013 16th international conference on information fusion (FUSION 2013), 9-12 July 2013, Vol. 2, S. 877-884, ISBN 978-1-4799-0284-2 bekannt.
ZUSAMMENFASSUNG DER ERFINDUNG
Aufgabe der Erfindung ist es, ein verbessertes Verfahren zum Detektieren und Verfolgen von Objekten unter Verwendung mehrerer Radarsensoren bereitzustellen.
Zur Lösung der Aufgabe ist ein Verfahren mit den Merkmalen des Anspruchs 1 vorgesehen. Vorteilhafte Ausbildungen der Erfindung sind den Unteransprüchen, der Beschreibung und den Zeichnungen zu entnehmen.
Ein Vorteil einer Ausführungsform ist das verbesserte Verfolgen einer Objektposition und -orientierung relativ zu einem Host-Fahrzeug. Das Host-Fahrzeug verwendet Doppler-Messdaten, um zu ermitteln, welche Teile der Radardaten ein Cluster bilden, sowie zum Ermitteln, ob das Cluster stationär oder dynamisch ist. Das Verfolgen einer Position und der Form des Objekts ermöglicht dem Host-Fahrzeug, die Orientierung des Objekts während jedes Zeit-Frames zu ermitteln. Da sich eine Objektform von einem Host-Fahrzeug aus gesehen ändert, kann die Orientierung auf der Grundlage der Änderungen der Form zu jedem Zeitpunkt ermittelt und dementsprechend verfolgt werden. Folglich kann das jeweilige Verfolgungssystem die Orientierung, Position und Geschwindigkeit eines entfernten Fahrzeugs zu anderen Fahrzeugsubsystemen für deren Verwendung hinsichtlich Objekten außerhalb des Fahrzeugs übermitteln.
Eine Ausführungsform zieht ein Verfahren zum Detektieren und Verfolgen von Objekten unter Verwendung von mehreren Radarsensoren in Betracht. Es werden Objekte relativ zu einem Host-Fahrzeug aus Radardaten detektiert, die durch eine Erfassungseinrichtung erzeugt werden. Die Radardaten umfassen Doppler-Messdaten. Durch einen Prozessor werden Cluster als Funktion der Radardaten gebildet. Jedes Cluster stellt ein jeweiliges Objekt dar. Jedes jeweilige Objekt wird durch den Prozessor als stationär oder nicht stationär basierend auf den Doppler-Messdaten jedes Objekts und einer Fahrzeuggeschwindigkeit des Host-Fahrzeugs klassifiziert. In Ansprechen darauf, dass das Objekt als nicht stationäres Objekt klassifiziert wird, wird eine Zielverfolgung durch den Prozessor auf ein Objekt unter Verwendung der Doppler-Messdaten über der Zeit angewandt; andernfalls wird in Ansprechen auf das Klassifizieren des Objekts als stationäres Objekt ein Belegungsgitter aktualisiert. Das Klassifizieren jedes jeweiligen Objekts als stationär oder nicht stationär umfasst die folgenden Schritte: Identifizieren einer Geschwindigkeit für jeden Punkt in einem Cluster; Identifizieren eines Einheitsvektors für jeden Punkt mit dem Cluster; Ermitteln eines Entfernungsänderungsrestwerts für jeden Punkt in dem Cluster; Ermitteln, dass das Cluster ein stationäres Cluster ist, wenn ein vorbestimmter Prozentsatz der Entfernungsänderungsrestwerte innerhalb eines Restschwellenwerts liegt; ansonsten, Ermitteln, dass das Cluster ein dynamisches Cluster ist.
Figurenliste

1 ist eine bildliche Darstellung eines Fahrzeugumgebungserfassungssystems.
2 ist ein Blockdiagramm eines Objektdetektions- und -verfolgungssystems.
3 ist eine beispielhafte Darstellung eines Radars, das ein Zielfahrzeug detektiert.
4a ist eine beispielhafte Darstellung eines Radars, das ein sich bewegendes Ziel detektiert.
4b ist ein Resthistogramm zum Ermitteln eines dynamischen oder stationären Ziels in 4a.
5a ist eine beispielhafte Darstellung eines Radars, das ein stationäres Ziel detektiert.
5b ist ein Resthistogramm zum Ermitteln eines dynamischen oder stationären Ziels in 5b.
6 ist eine beispielhafte Darstellung von über der Zeit verfolgten Radardaten für ein Fahrzeug.
7 ist ein Flussdiagramm zum Aktualisieren eines Objektmodells und einer Objektbewegung.
8 ist ein Flussdiagramm einer Verfolgungstechnik eines Bayes'schen Netzes.
9 ist eine Darstellung eines Systems einer dynamischen Ziellokalisierung unter Verwendung von Radnaben eines Fahrzeugs.
10 ist eine Radnabe zum Ermitteln der Geschwindigkeit eines Fahrzeugs.

DETAILLIERTE BESCHREIBUNG
1 zeigt ein Fahrzeugumgebungserfassungssystem 10 zum Detektieren von Objekten 360 Grad um ein Fahrzeug 12. Das System 10 umfasst eine erste Erfassungseinrichtung 14, eine zweite Erfassungseinrichtung 16, eine dritte Erfassungseinrichtung 18 und eine vierte Erfassungseinrichtung 20. Jeder der Sensoren detektiert Objekte in einer erfassten Region, die das Fahrzeug 12 umgibt. Die Daten von jedem der Sensoren werden vereinigt, um zusammenwirkend Objekte außerhalb des Fahrzeugs 12 zu verfolgen. Es sei angemerkt, dass die Anzahl von Sensoren wie in 1 gezeigt beispielhaft ist, und dass entweder einer oder mehrere Sensoren verwendet werden können, ohne von dem Schutzumfang der Erfindung abzuweichen.
Nahbereichsradarsensoren weisen typischerweise ein schmales Band auf und weisen Probleme beim Erfassen von Objekten, die sich in einer kompakten Szene befinden, oder nahen ausgedehnten Objekten aufgrund von fehlender Entfernung auf. Wenn beispielsweise ein Host-Fahrzeug auf einer Autobahn fährt, wobei sich ein entferntes Fahrzeug auf einer Seite des Host-Fahrzeugs und eine Leitplanke auf der anderen Seite des Fahrzeugs befinden, sind derartige Objekte schwierig zu unterscheiden, wenn Daten von Nahbereichsradarsensoren verwendet werden. Das heißt, die Auflösung beider Objekte sieht gleich aus, so dass nicht ermittelt werden kann, ob beide Objekte dynamisch oder stationär sind. Dies ist auf die Punktzielannahme zurückzuführen, die bei der Verfolgung verwendet wird, welche aufgrund von Schwierigkeiten bei der Datenassoziierung nicht geeignet ist.
In 1 umfasst jede der Erfassungseinrichtungen 14-20 Bildgebungseinrichtungen eines Radars mit synthetischer Apertur (SAR von synthetic aperture radar), die eine hohe Auflösung aufweisen, um lange ausdehnbare Objekte, wie beispielsweise Leitplanken, Betonwände und Lastkraftwagen, zu detektieren und zu verfolgen. Ferner umfasst das SAR Doppler-Messungen, die verwendet werden können, um ein stationäres Objekt von einem dynamischen Objekt zu unterscheiden. Nachdem die Objekte als stationär oder dynamisch klassifiziert wurden, können die Objekte über einen Konturabgleich zwischen benachbarten Frames verfolgt werden, um die Orientierung des Fahrzeugs konstant zu überwachen. Ferner kann eine Radnabendetektion verwendet werden, um die Position des Objekts zu verbessern, wenn das Objekt ein Fahrzeug ist.
2 zeigt ein Blockdiagramm einer Übersicht für eine Cluster-Verfolgung. Die Kreise bezeichnen die Radarreflektoren von dem vorderen entfernten sich bewegenden Fahrzeug, während die Quadrate die Radarreflektoren von stationären Objekten am Straßenrand bezeichnen. Da diese beiden Gruppen unterschiedliche Attribute einer relativen Radialgeschwindigkeit aufweisen, werden die beiden Gruppen in zwei Cluster geclustert: Fahrzeug gegen stationäres Objekt am Straßenrand (d.h. Leitplanke).
In Kasten 30 werden Radardaten von Objektdetektionssensoren erhalten. Wie zuvor beschrieben, sind die Objektdetektionssensoren vorzugsweise SAR-Sensoren; es können jedoch auch andere Sensoren verwendet werden, die ähnliche Daten erhalten. Es können ein oder mehrere SAR-Sensoren verwendet werden, um Objekte zu detektieren, die die Fahrzeuge umgeben. Es sei angemerkt, dass das SAR eine Form von Radar ist, dessen definierende Charakteristik im Gegensatz zu herkömmlichen Radarsystemen seine Verwendung der relativen Bewegung (zwischen einer Antenne und seiner Zielregion) ist, um unterscheidbare Langzeitabweichungen eines kohärenten Signals bereitzustellen, um die räumliche Auflösung auszunutzen.
Das SAR ist an dem Host-Fahrzeug angebracht, welches eine sich bewegende Plattform ist, und erzeugt eine einzelne Beamforming-Antenne. Eine Szene (z.B. eine Zielregion) wird wiederholt mit Impulsen von Funkwellen beleuchtet. Die Wellenformen werden als Ergebnis dessen, dass sich das Host-Fahrzeug bewegt, nacheinander an den verschiedenen Antennenpositionen empfangen. Derartige Positionen werden kohärent detektiert, gespeichert und zusammenwirkend verarbeitet, um Objekte in einem Bild der Zielregion zu detektieren. Es sei angemerkt, dass jede empfangene Wellenform einem Radarpunkt, im Gegensatz zu dem gesamten Objekt, entspricht. Daher werden mehrere Wellenformen empfangen, die verschiedene Radarpunkte, im Gegensatz zu dem gesamten Objekt, darstellen. Folglich ist es beim Betrachten der Rohdaten unklar, ob benachbarte Punkte ein gleiches Objekt oder unterschiedliche Objekte darstellen. Daher wird während dieses Schritts jeder Punkt als seine eigene Entität/sein eigenes Cluster betrachtet.
In Kasten 31 wird eine Sensorregistrierung durchgeführt. Eine Sensorregistrierung ist ein Prozess eines Transformierens verschiedener Sätze von Daten unter einem Koordinatensystem. Eine Registrierung ist notwendig, um dazu in der Lage zu sein, Daten, die von verschiedenen Sensoren erhalten werden, zu integrieren und zu vergleichen.
In Kasten 32 wird das Clustern auf jede Position, die in den Radardaten detektiert wird, durch einen Prozessor angewandt. Eine Position allein kann nicht zwei detektierte benachbarte Positionen unterscheiden. Beispielsweise überträgt ein Host-Fahrzeug 12 in 3 Radarsignale zum Detektieren von Objekten außerhalb des Fahrzeugs. Wie es in 3 gezeigt ist, stellt der Satz von Quadraten eine Leitplanke 42 dar und stellt der Satz von Punkten ein hinteres Ende eines entfernten Fahrzeugs 44 dar. Durch Betrachten der Radardaten als Ganzes kann jedoch nicht ermittelt werden, welche jeweiligen Punkte Teil welches Objekts sind. Folglich können Doppler-Messdaten verwendet werden, um Cluster voneinander zu unterscheiden. Ein Doppler-Radar ist ein spezialisiertes Radar, das den DopplerEffekt verwendet, um Geschwindigkeitsdaten hinsichtlich Objekten in einer Distanz zu erzeugen. Es wird ein Mikrowellensignal zu einem gewünschten Ziel übertragen, und ein Empfänger horcht die Reflexion des Signals ab und analysiert dann, wie die Frequenz des zurückgegebenen Signals durch die Bewegung des Objekts geändert wurde.
In Kasten 32 wird, um zu ermitteln, ob ein Satz von Punkten innerhalb eines gleichen Clusters liegt, die folgende Cluster-Technik durch den Prozessor verwendet. Erstens werden alle detektierten Punkte von den Radardaten anfänglich als separate Cluster behandelt. Jeder Punkt ist ein 3-D-Punkt im Raum (x, y, d), wobei x eine Breitengradkoordinate relativ zu dem Host-Fahrzeug ist, y eine Längengradkoordinate relativ zu dem Host-Fahrzeug ist und d Doppler-Daten umfasst, die eine Radialgeschwindigkeitsinformation relativ zu dem Host-Fahrzeug bereitstellen. Zweitens wird jeder Punkt mit seinem benachbarten Punkt verglichen. Wenn ein Ähnlichkeitsmaß zwischen einem jeweiligen Punkt und seinem Nachbar kleiner als ein Ähnlichkeitsschwellenwert ist, werden die beiden Punkte zu einem einzelnen Cluster zusammengefasst. Wenn das Ähnlichkeitsmaß größer als ein Ähnlichkeitsschwellenwert ist, bleiben die beiden Punkte separate Cluster. Folglich werden ein oder mehrere Cluster für jeden der detektierten Punkte gebildet. Um diese Technik zu beschleunigen, können Radarpunkte unter Verwendung eines k-d-Baums oder einer Hash-Nachschlagetabelle indiziert werden.
In Kasten 33 wird eine Klassifizierung durch einen Klassifizierer auf die Cluster angewandt, um zu ermitteln, ob jedes identifizierte Cluster ein stationäres Objekt (Grundgeschwindigkeit Null) oder ein dynamisches Objekt (Grundgeschwindigkeit nicht Null) ist. Eine Klassifizierung kann unter Verwendung des Prozessors durchgeführt werden, der die Radardaten clustert, oder kann eine separate Verarbeitungseinheit sein. Um zu ermitteln, ob ein Objekt stationär oder dynamisch ist, werden die Fahrzeuggeschwindigkeit des Host-Fahrzeugs und Doppler-Messdaten verwendet. Die Fahrzeuggeschwindigkeitsdaten des Host-Fahrzeugs werden in Kasten 34 erhalten. Es sei angemerkt, dass jede Einrichtung oder jeder Prozess verwendet werden kann, um die Geschwindigkeit des Host-Fahrzeugs zu ermitteln (z.B. Beispiele für solche Einrichtungen umfassen einen Raddrehzahlsensor, einen Motordrehzahlsensor, GPS, sind jedoch nicht darauf beschränkt.
Um die Klassifizierungstechnik in Kasten 33 zu initiieren, wird zuerst angenommen, dass das analysierte Cluster stationär ist. Das Cluster wird durch eine Liste von Punkten (x_i, y_i, d_i) i = 1, ..., N dargestellt, wobei x_i, y_i, d_i ein Ort und eine Radialgeschwindigkeit von Radarreflektoren von einer Kontur des Ziels sind. Die Prüfung wird durchgeführt, um zu ermitteln, ob ein vorbestimmter Prozentsatz, vorzugsweise 80%, einer vorhergesagten Entfernungsänderung mit tatsächlichen Doppler-Messungen übereinstimmt. Wenn 80% der Restwerte innerhalb eines Schwellenwerts liegen, wird ermittelt, dass das Cluster stationär ist, andernfalls wird ermittelt, dass das Cluster dynamisch ist.
Um den Restwert der Entfernungsänderung zu ermitteln, wird die Host-Fahrzeugkinematik durch die Host-Fahrzeuggeschwindigkeit v_H und die Host-Fahrzeuggierrate ω_H bezeichnet. Bei einem stationären Ziel bewegen sich die detektierten Radarpunkte mit Geschwindigkeiten ${\vec{v}}_{i}$
Diese Geschwindigkeit kann unter Verwendung der folgenden Formeln ermittelt werden: $v_{x i} = y_{i} ω_{H} - v_{H}$
$v_{y i} = - x_{i} ω_{H}$
Wenn ein Einheitsvektor von dem Radarmittelpunkt zu dem i-ten Punkt durch ${\vec{n}}_{i}$
dargestellt wird, kann der Entfernungsänderungsrest ${\vec{v}}_{i}$
für einen i-ten Punkt durch die folgende Gleichung dargestellt werden: $ε_{i} = | {\vec{v}}_{i} \cdot {\vec{n}}_{i} - d_{i} |,$
Daher wird, unter Verwendung von 80% als der beispielhafte vorbestimmte Prozentsatzwert, wenn 80% der Restwerte innerhalb eines Restschwellenwerts, wie beispielsweise 0,5 m/s liegen, das Cluster als stationäres Cluster identifiziert; andernfalls wird das Cluster als dynamisches Cluster identifiziert.
4 und 5 zeigen Beispiele eines Klassifizierens eines dynamischen Clusters bzw. eines stationären Clusters. In 4a fährt ein Fahrzeug 50 benachbart zu einem Lastkraftwagen 52, wobei beide Fahrzeuge eine Grundgeschwindigkeit haben, die größer als Null ist. Bei diesem Beispiel fährt das Host-Fahrzeug mit 30 m/s, wohingegen der Lastkraftwagen 52 mit 20 m/s fährt. Das Host-Fahrzeug 50 überträgt einen Radarstrahl, der unter Verwendung der SAR-Einrichtungen an dem Lastkraftwagen 52 an verschiedenen Punkten reflektiert wird. Wie zuvor beschrieben, nimmt das Host-Fahrzeug 50 anfänglich an, dass das Cluster ein stationäres Cluster ist. Bei diesem Beispiel würde die vorhergesagte Differenz, wenn der Lastkraftwagen beispielsweise stationär wäre, -19 m/s für Punkte in dem Cluster vor dem Host-Fahrzeug 52 und 19 m/s für Punkte des Clusters hinter dem Host-Fahrzeug 52 betragen. In Ansprechen auf das Empfangen der reflektierten Radarsignale geben Doppler-Messdaten an, dass das Cluster (d.h. der Lastkraftwagen 52) eine Differenz von -7 m/s und 7 m/s aufweist.
4b zeigt ein Resthistogramm für die Doppler-Messdaten. Element 54 (z.B. +/-0,5 m/s) stellt den Restschwellenwert dar. Wie in 4b gezeigt liegen weit über 80% der Werte nicht innerhalb des Restschwellenwertbereichs. Daher wird das Cluster (d.h. der Lastkraftwagen 52) als dynamisches Cluster identifiziert.
5a zeigt das Fahrzeug 50, das benachbart zu einer Leitplanke 56 fährt, wobei das Fahrzeug 50 eine Grundgeschwindigkeit aufweist, die größer als Null ist, und die Leitplanke eine Grundgeschwindigkeit aufweist, die Null ist. Das Host-Fahrzeug 50 nimmt anfänglich an, dass das benachbarte Cluster ein stationäres Cluster ist. Daher würde die vorhergesagte Differenz, wenn die Leitplanke stationär ist, -19 m/s für Punkte in dem Cluster vor dem Host-Fahrzeug 52 und 19 m/s für Punkte in dem Cluster hinter dem Host-Fahrzeug 52 betragen. In Ansprechen auf das Empfangen der reflektierten Radarsignale geben Doppler-Messdaten an, dass das Cluster (d.h. die Leitplanke 56) eine Differenz von -19 m/s und 19 m/s aufweist. Dies entspricht der vorhergesagten Geschwindigkeit.
5b zeigt ein Resthistogramm für die Doppler-Messdaten. Element 58 (d.h. +/-0,5 m/s) stellt den Restschwellenwert dar, wenn das Cluster stationär ist. Wie in 5b gezeigt, liegen weit über 80% der Werte in dem Schwellenwertbereich. Folglich wird das Cluster als stationäres Cluster identifiziert.
Wieder auf 2 Bezug nehmend wird in Kasten 35 basierend auf der in Kasten 33 identifizierten Klassifizierung durch den Prozessor ermittelt, ob das Cluster stationär ist. Wenn das Cluster als stationär ermittelt wird, fährt die Routine mit Kasten 36 fort; ansonsten fährt die Routine mit Kasten 37 fort.
In Kasten 36 wird durch den Prozessor ein Belegungsgitter erzeugt. Dieses identifiziert alle stationären Objekte in der Region außerhalb des Fahrzeugs, die durch die Sensoren detektiert wurden. Da die Objekte stationär sind, müssen sie nicht hinsichtlich einer Bewegung verfolgt werden, und somit wird ihre Belegung in Bezug auf ihre Position in einer Abtastkarte aktualisiert.
In Kasten 37 wird eine Bayes'sche Regel verwendet, um das Belegungsgitter zu aktualisieren.
Wieder auf Kasten 35 Bezug nehmend fährt die Routine mit Schritt 38 fort, um das Cluster zu verfolgen, wenn herausgefunden wurde, dass das Cluster nicht stationär ist. Um das Cluster zu verfolgen, stellt das SAR-Bildradar Radarortspunkte, die die Form des Clusters bilden, und Doppler-Messdaten zum Verfolgen der Kontur des Clusters, wie sie durch die SAR-Objektdetektionseinrichtungen gesehen wird, bereit. Für die Zwecke hierin wird eine Punktzielannahme, wie beispielsweise, dass ein Fahrzeug eine reguläre Form beibehält, nicht als Annahme beibehalten, was der Grund dafür ist, das herkömmliche Kalman-Filter oder Partikelfilter Schwierigkeiten bei einer Datenassoziierung hätten.
Um ein Cluster zu verfolgen, muss eine starre Transformation zwischen zwei benachbarten Frames aufgelöst werden, um einen Radarmessabgleich zu verwenden, was eine Verschiebung in Längsrichtung, eine seitliche Verschiebung und Doppler umfasst. 6 zeigt einen Satz von Punkten, die für ein Cluster zu einem vorherigen Zeitpunkt detektiert wurden (M), und einen Satz von Punkten, die für ein Cluster zu einem aktuellen Zeitpunkt detektiert wurden (S). Mit dem gegebenen Eingang des Objektmodells M auf der Grundlage der vorherigen Radarkarte, einer aktuellen Radarkarte S und einer Ermittlung einer vorherigen starren Bewegung v von M nach S wird eine aktuelle starre Bewegung v ermittelt.
Eine 2-dimensionale starre Bewegung weist sowohl eine lineare Geschwindigkeit v_t als auch eine Winkelgeschwindigkeit ω auf. Daher kann die folgende Formel verwendet werden, um die aktualisierte starre Bewegung v' iterativ zu berechnen, bis eine Konvergenz erhalten wird. $v' = a r g m i n_{v} \sum_{k j} a_{k j} (\frac{{‖ s_{k} - T_{v} (m_{k}) ‖}^{2}}{σ_{1}} + \frac{{‖ d_{k} - v_{j} \cdot n_{j} ‖}^{2}}{σ_{2}})$
wobei s_k ein Radarpunkt ist, m_j ein Modellpunkt ist, T_v(x) ein Operator ist, der eine starre Bewegung während v während Δt für einen Punkt x anwendet, a_kj die Wahrscheinlichkeit ist, dass der Radarpunkt s_k einem Modellpunkt m_j zugehörig ist (d.h. der Messung des Modellpunkts m_j), d_k die Doppler-Messung des Punkts s_k ist, n_j die Einheitsrichtung von dem Radarmittelpunkt zu dem Modellpunkt m_j ist und v_j die in Verbindung stehende Geschwindigkeit für den Modellpunkt m_j ist. Es sei angemerkt, dass in der obigen Gleichung der Term $\frac{{‖ d_{k} - v_{j} \cdot n_{j} ‖}^{2}}{σ_{2}}$
der Doppler-Term ist.
Der in Verbindung stehende Geschwindigkeitsterm v_j für den Modellpunkt m_j kann wie folgt berechnet werden: $v_{j} = v_{t} + (m_{j} - o) \times ω$
wobei (v_t, ω) eine Translations- und eine Winkelgeschwindigkeit der starren Bewegung v sind.
Eine starre Transformation wird verwendet, um zusammenwirkend einen Ort und eine Orientierung von Objekten zu verifizieren, die durch die Radareinrichtungen zwischen zwei Zeitpunkten detektiert werden. Folglich ermöglicht eine Orientierung des Fahrzeugs unter Verwendung der mehreren Verfolgungspunkte, dass die Fahrzeugposition und -orientierung genau verfolgt werden.
In Kasten 40 erhalten Ausgabeeinrichtungen, die Kollisionswarneinrichtungen und -systeme umfassen, jedoch nicht darauf beschränkt sind, die Verfolgungsdaten zum Verfolgen möglicher Kollisionen mit anderen Fahrzeugen und Alarmieren der Fahrt dementsprechend.
7 und 8 zeigen eine Übersicht des Rahmenwerks zum Vereinigen einer Information für ein dynamisches Cluster. 7 zeigt ein Blockflussdiagramm, bei dem das Verfolgen als das Problem von sowohl (i) Schätzen der Bewegung des Objekts als auch (ii) Aktualisieren des Objektmodells, wenn ein neuer Frame einer Radarabtastkarte empfangen wird, behandelt werden kann. Wie es in 7 gezeigt ist, ist ein Objektmodell bei 60 gezeigt und ist eine Objektbewegungsschätzung bei 62 gezeigt. Die Objektbewegung wird unter Verwendung des Objektmodells rekursiv geschätzt, wohingegen das Objektmodell unter Verwendung der Objektbewegungsschätzung rekursiv aktualisiert wird.
8 zeigt ein dynamisches Bayes'sches Netz, das zwei Schritte der hierin beschriebenen Verfolgungstechnik darstellt. Für die Verfolgungstechnik sind in der Routine S₀, ..., S_t und S_t+1 abgetastete Radarkarten, welche ein dynamisches Cluster zu Zeitschritten 0, ..., t bzw. t+1 bilden. v_t und v_t+1 sind (zu schätzende) Parameter der starren Transformation zu den Zeitschritten t bzw. t+1. M_t und M_t+1 sind Objektmodelle zu den Zeitschritten t bzw. t+1.
Bei einem aktuellen Zeitschritt (t) wird der für den aktuellen Zeitschritt (t) geschätzte Transformationsparameter auf das Objektmodell für den aktuellen Zeitschritt (t) und auch die Radarkarte zum aktuellen Zeitschritt (t) angewandt. Ähnlich wird mit fortschreitender Zeit bei einem nächsten Zeitschritt (t+1) der für den nächsten Zeitschritt (t+1) geschätzte Transformationsparameter auf das Objektmodell für den nächsten Zeitschritt (t+1) und auch die Radarkarte zum nächsten Zeitschritt (t+1) angewandt. Das Ergebnis ist eine Bayes-basierte Technik, die die Bewegung rekursiv schätzt und das Objektmodell für eine Verfolgung basierend auf Parametern einer starren Transformation aktualisiert.
9 zeigt ein dynamisches Ziellokalisierungssystem durch Verfolgen des Fahrzeugs unter Verwendung der Radnabe des Fahrzeugs. Die Position zweier Radnaben kann verwendet werden, um eine Position eines Zielfahrzeugs zu ermitteln, um einen Ort des Fahrzeugs zur Verwendung bei der Zielverfolgungstechnik, die hier beschrieben wird, zu verbessern. Da Radnaben gute Reflektoren sind, stellen Radardaten, die von dem SAR-System erhalten werden, genauere Daten bereit. Radnaben bewegen sich mit unterschiedlichen Geschwindigkeiten relativ zu der Fahrzeugkarosserie. 10 zeigt die Geschwindigkeit einer Radnabe an verschiedenen Orten der Radnabe. Beispielsweise ist die Geschwindigkeit an einem äußeren Abschnitt der Radnabe doppelt so groß wie die Geschwindigkeit an einem Mittelpunkt der Radnabe.
Wieder auf 9 Bezug nehmend werden zwei Radarpunkte 60 und 62 als Radnaben eines Zielfahrzeugs unter Verwendung von Maximum-Doppler-Messungen identifiziert. Es wird eine Basislinienbreite (W) zwischen den beiden Naben berechnet. Zwischen dem ersten Punkt 60 und dem zweiten Punkt 62 wird eine Orientierung θ ermittelt. Unter Verwendung der ersten Nabe 60 als Scheitel des Orientierungswinkels θ legen das Segment, das zwischen der ersten Nabe 60 und der zweiten Nabe 62 dargestellt ist, und der Vektor, in dem der durch das Host-Fahrzeug übertragene Radarstrahl auf die erste Nabe 60 trifft, den Orientierungswinkel θ fest. Daher können durch Verfolgen der Orientierung und der Basislinie des Zielfahrzeugs eine Position, Orientierung, Geschwindigkeit des Zielfahrzeugs konstant ermittelt und verfolgt werden.
Während bestimmte Ausführungsformen der vorliegenden Erfindung ausführlich beschrieben wurden, werden Fachleute, die diese Erfindung betrifft, verschiedene alternative Entwürfe und Ausführungsformen zum Ausführen der Erfindung wie durch die folgenden Ansprüche definiert erkennen.

Claims

Verfahren zum Detektieren und Verfolgen von Objekten unter Verwendung mehrerer Radarsensoren, das umfasst, dass: Objekte relativ zu einem Host-Fahrzeug (12, 50) aus Radardaten, die durch eine Erfassungseinrichtung erzeugt werden, detektiert werden, wobei die Radardaten Doppler-Messdaten umfassen; durch einen Prozessor als Funktion der Radardaten Cluster gebildet werden, wobei jedes Cluster ein jeweiliges Objekt darstellt; durch den Prozessor jedes jeweilige Objekt basierend auf den Doppler-Messdaten jedes Objekts und einer Fahrzeuggeschwindigkeit des Host-Fahrzeugs (12, 50) als stationär oder nicht stationär klassifiziert wird; und in Ansprechen darauf, dass das Objekt als nicht stationäres Objekt klassifiziert wird, durch den Prozessor eine Zielverfolgung auf ein Objekt unter Verwendung von Doppler-Messdaten über der Zeit angewandt wird, andernfalls ein Belegungsgitter in Ansprechen auf das Klassifizieren des Objekts als stationäres Objekt aktualisiert wird; wobei das Klassifizieren jedes jeweiligen Objekts als stationär oder nicht stationär die folgenden Schritte umfasst: Identifizieren einer Geschwindigkeit für jeden Punkt in einem Cluster; Identifizieren eines Einheitsvektors für jeden Punkt mit dem Cluster; Ermitteln eines Entfernungsänderungsrestwerts für jeden Punkt in dem Cluster; Ermitteln, dass das Cluster ein stationäres Cluster ist, wenn ein vorbestimmter Prozentsatz der Entfernungsänderungsrestwerte innerhalb eines Restschwellenwerts liegt; ansonsten, Ermitteln, dass das Cluster ein dynamisches Cluster ist.
Verfahren nach Anspruch 1, wobei die Geschwindigkeit jedes Punkts in dem Cluster durch die folgende Gleichung ermittelt wird: $v_{x i} = y_{i} ω_{H} - v_{H}$
$v_{y i} = - x_{i} ω_{H}$
wobei v_xi eine Quergeschwindigkeit eines i-ten Punkts ist, v_yi eine Längsgeschwindigkeit des i-ten Punkts ist, y_i eine Längengradkoordinate relativ zu dem Fahrzeug des i-ten Punkts ist, x_i eine Breitengradkoordinate relativ zu dem Fahrzeug des i-ten Punkts ist, ω_H eine Gierrate ist und v_H eine Geschwindigkeit ist.
Verfahren nach Anspruch 2, wobei der Entfernungsänderungsrestwert durch die folgende Gleichung ermittelt wird: $ε_{i} = | {\vec{v}}_{i} \cdot {\vec{n}}_{i} - d_{i} |$
wobei v_i die ermittelte Geschwindigkeit ist, n_i ein Einheitsvektor ist und d_i eine Radialgeschwindigkeit ist.