CN115066632B 利用模型几何学习跟踪移动对象的扩张状态的系统和方法 （三菱电机株式会社）

2022.08.08PCT/JP2021/0048562021.02.02WO2021/162018EN2021.08.19WorldVehicleSensorFusIEEEInternationalCon利用模型几何学习跟踪移动对象的扩张状本文中提供了一种用于跟踪对象的扩张状的位置的运动学状态和指示对象的尺寸和取向和对象的测量模型估计的对象的扩张状态的联2至少一个传感器，所述至少一个传感器被配置为利用多个信处理器，该处理器被配置为执行概率滤波器，该概率滤波器跟踪由所述置为估计拟合所述测量的所述中心截断分布并且生成与所述中心截断分布对应的所述底是以在所述概率滤波器的先前迭代期间估计的所述扩张状其中，由从所述训练数据学习的噪声协方差矩阵限定噪声，使型包括根据所述噪声协方差矩阵的中心截断所述当前值的所述中心截断分布的所述当前测量模型来更新所3测所述扩张状态并且使用所述测量模型来利用所述对象的所述扩张状态的基于随机矩阵所述概率滤波器生成拟合所述测量的所述无噪源的所述中心截新包括从全局坐标系变换到所述车辆的局部坐标系的测述车辆的模型包括受过程噪声影响的所述对象的所述运动模型和受测量噪声影响的所述4[0004]车辆(自主车辆或半自主车辆)所采用的控制系统为车辆预测安全运动或路径以机和LIDAR传感器一起，汽车雷达以可承受的成本和可伸缩生产辅助在全天候条件下进行[0005]车辆的控制系统基于汽车雷达测量来跟踪其它车辆的对象状态(其中对象状态包测量的伸展对象跟踪(EOT)已显示出改进的对象跟踪。伸展状态提供所跟踪的对象的尺寸围绕对象空间分布)。当前方法包括刚体上的固定点集合的框架，其即使对于单个对象跟的扩张状态包括指示对象的位置的运动学状态和指示对象的尺寸和取向之一或组合的伸5估计的中心截断分布对应的底层高斯分布的均值和方差。一些实施方式基于这样的认识：[0016]为此，一些实施方式基于这样的认识：分层测量模型基地预测扩张状态并更新扩张状态和截断区间来根据分层测量模型开发贝叶斯EOT算法。截6骤中的边界估计减载(offload)，以便从训练数据学习与测量模型关联的截断边界和其它7[0024][图1A]图1A示出用于跟踪对象的扩张状态的一些实施方式所使用的一些原理的[0025][图1B]图1B示出用于跟踪对象的扩张状态的一些实施方式所使用的一些原理的[0026][图1C]图1C示出用于跟踪对象的扩张状态的一些实施方式所使用的一些原理的[0028][图3A]图3A示出根据一些实施方式的使用递归贝叶斯滤波器的对象的扩张状态[0029][图3B]图3B示出根据一些实施方式的使用递归贝叶斯滤波的对象的扩张状态的[0031][图5A]图5A示出根据一些实施方式的当对象的正面或背面面向传感器时的示例[0032][图5B]图5B示出根据一些实施方式的当对象相对于传感器侧向取向时的示例性[0039][图9A]图9A示出根据一些实施方式的对象在转弯过程中移动90个时间步的情景[0041][图9C]图9C是示出利用理想测量模型与正则随机矩阵(RM)和分层截断高斯随机矩阵(HTG-RM)对应的对象的运动学状态和伸展状态估计的均方根误差(RMSE)的[0043][图10B]图10B是示出在模型失配下与RM和HTG-RM对应的对象的运动学状态和伸[0044][图11A]图11A示出包括与采用一些实施方式的原理的系统通信的控制器的车辆[0045][图11B]图11B示出根据一些实施方式的控制器与车辆的控制器之间的交互的示8[0046][图11C]图11C示出使用一些实施方式生成控制输入的自主或半自主受控车辆的[0047][图12]图12示出根据一些实施方式的用于学习几何相关结构模型参数的方法的[0048][图13A]图13A示出根据一些实施方式的从不同对象的不同运动收集的训练数据[0049][图13B]图13B示出根据一些实施方式的从不同对象的不同运动收集的训练数据[0050][图13C]图13C示出根据一些实施方式的从不同对象的不同运动收集的训练数据[0052][图15A]图15A示出一些实施方式所使用的对象的状态、自我车辆以及自我车辆[0053][图15B]图15B示出根据一些实施方式的估计用于跟踪车辆的模型的参数的离线[0057][图18]图18示出根据一些实施方式的移动对象的扩张状态的随机矩阵(RM)更新“包含”及其其它动词形式在结合一个或更多个组件或其它项目的列表使用时各自应被解象跟踪提供车辆106的运动学状态和伸展状态(尺寸和取向)。运动学状态和伸展状态被合9[0064]中心截断分布124是底层未截断高斯分布132以适当归一化/缩放的截断。基于中车辆。扩张状态包括指示对象的位置的运动学状态和指示对象的尺寸和/或取向的伸展状可包括传感器202或者操作上连接到一组传感器以利用一个或多个信号传输探测场景，以制器(NIC)214适于通过总线212将系统200连接到网络216，网络216将系统200与操作上连置为向控制器222发送控制输入的控制接[0069]系统200包括被配置为执行所存储的指令的处理器204以及存储可由处理器204执208的执行产生受对象的尺寸的固定值影响并且变化对象的取向的对象的扩张状态的预[0071]一些实施方式基于这样的认识：测量模型210包括具有截断区间的中心截断分布中心截断分布124是中心截断student-t分布。中心截断分布124是底层未截断高斯分布根分布124。由概率滤波器224执行测量模型210迭代地更新在概率滤波器的先前迭代期间确[0072]此外，概率滤波器224被配置为生成与估计的中心截断高斯分布对应的底层高斯一些实施方式中，概率滤波器224被配置为在根据中心截断高斯分布评估无噪测量源的似然性之前从测量去除噪声，使得概率滤波器224生成拟合无噪测量源的中心截断分布124。[0074]系统200包括车辆226的模型，其包括受过程噪声影响的对象的运动模型208和受测量噪声影响的对象的测量模型210，使得过程噪声和测量噪声之一或组合界定对象的扩[0076]图3A示出根据一些实施方式的使用递归贝叶斯滤波的对象的扩张状态的后验密表示运动学状态，Xk表示伸展状态。对于时间步k，从汽车雷达传感器观测到nk个测量始300。通过执行后验密度预测304来预测后验密度。在一些实施方式中，从Chapman- 布评估无噪测量源的似然性之前从测量去除可以是任意形状。例如，考虑围绕对象中心的矩形形状404。矩形形状404由四个边界Br⃞[ax,axs,br1,b:'描述。在一些实施方式中，边界对应于中心截断的区间。截断高斯概量进行积分来计算所得测量似然性(空间分布)pel)[0094]上述测量似然性(4)导致以下总测量似然性其可用于更新[0095]图5A示出根据一些实施方式的当对象以正面506或背面502面向传感器500时的示[0096]图5B示出根据一些实施方式的当对象相对于传感器500侧向取向时的示例性截断[0098]针对运动学状态和伸展状态二者基于分层测量模型制定贝叶斯EOT算法。贝叶斯测扩张状态并更新扩张状态和截断区间来根据分层测量模型开发贝叶斯EOT算法。截断区Pk|k*[0111]图7A示出根据一些实施方式的扩张状态更新步骤318的示意图。在可选扫描聚合正则随机矩阵方法计算样本均值和方差可能对于对象的运动学状态和伸展状态产生有偏表示根据步骤318更新的截断边界。圆圈712表示对象坐标中的(可能聚合的)局部观测测k个观测测量对应于根据TN分布的测量源变量是来自分布的等效样本。作为底层高斯本均值和方差706，由处理器204生成伪测量作为来自的样本，类似于预测步骤，运动学状态xk708的更新步骤是(12a)和(12b)中的类似[0129]其分别相对于联合测量的质心mz与预测测量Hmk|k-1(经由ε)和联合测量(经态xk|k-1同样，在迭代2中，由处理器204生成伪测量并将和更新为和[0133]图8A示出根据一些实施方式的从自我车辆坐标到对象坐标的坐标变换322、扫描过使测量似然性最大化来更新截断边界Bk，其中个体测量似然性由图4的描述中描述的似然性(4)给出。测量似然性经由标准高斯分布的累迭代，由处理器204使用来自第(t-1)迭代的更新的状态估计将全局坐标中时间步k的测量时间步k的扫描聚合局部测量316，由处[0134]图8B示出根据一些实施方式的对象坐标系中的滤波的扫描聚合316。当由于自遮[0138]并且表示来自时间步k的滤波的扫描聚合测量。利用滑动窗口大[0139]滤波的扫描聚合测量和新的局部测量被分组为第t迭代"的分别表示具有密度支持{y|y>bk,1}的单变量截断高斯分布和具有零均值和方差R1,1的高斯[0148]图9A示出根据一些实施方式的对象在转弯过程中移动90个时间步的情景的仿真。Ts＝1s并且标准极和角加速度噪声分别为和变换函数E(·)是取决于转个时间步的测量次数从均值为8的泊松分布得到。图9A示出对象周围的合成汽车雷达测量[0153]图9C是示出利用理想测量模型与RM和HTG-RM对应的对象的运动学状态和伸展状量的变分雷达模型适于在图9A中的过程中生成雷达测量。图10A示出在模型失配下总共90这进一步通过将RM的运动学状态和伸展状态估计的RMSE与HTG-RM的运动学状态和伸展状[0156]图10B是示出在模型失配下与RM和HTG-RM对应的对象的运动学状态和伸展状态估包括由车辆1100的转向系统1104控制的车辆的横向运动。在一个实施方式中，转向系统感器、压力传感器和流量传感器。传感器向控制器1102提供信息。车辆可配备有收发器[0159]图11B示出根据一些实施方式的车辆1100的控制器1102与控制器1112之间的交互控制器1114和1116输出控制命令以控制车辆的运动学状态。在一些实施方式中，控制器1112还包括高级控制器，例如进一步处理控制器1102的控制命令的车道保持辅助控制器[0160]图11C示出使用一些实施方式生成控制输入的自主或半自主受控车辆1120的示意图。受控车辆1120可配备有系统200。在一些实施方式中，受控车辆1120跟踪各个障碍物训练数据学习与HTG测量模型关联的截断边[0164]图12示出根据一些实施方式的用于学习几何相关结构模型参数的方法的流程一致，通过将训练数据1210变换1220到公共坐标系来使用机器学习学习1230结构几何参[0166]图13A、图13B和图13C示出根据一些实施方式的从不同对象的不同运动收集的训[0167]接下来，如图13B所示，实施方式将聚合的OC1330测量转换到单位坐标(UC)系一化技术来执行。图13C示出一些实施方式所使用的UC系中来自真实世界数据集ωk[0169]示例概率EOT估计在各个时间步k接收nk个测量对象跟踪的目的在于对象状态ξk。[0176]一些实施方式使用分层截断高斯(HTG)空间分布来对有噪汽车雷达测量进行建轴的取向θ指定。一个或更多个截断边界可被设定为无穷大以对由自遮挡导致的部分视图训练数据包括全局坐标系中的N个二维累积数据点的集合其以给定参数值通过HTG生成。模型的参数是未知的，因此目标是给定可用数据来估计参数。最大似然性[0186]图15B示出根据一些实施方式的估计用于跟踪车辆的模型的参数的离线空间模型来找到未知参数1550中的所有或一些的ML估计，坐标下降优化迭代地确定坐标(这里为未以UC系中的视界角是OC系中的角度与SC系[0212]以这种方式，针对对象相对于传感器的不同类型的遮挡而预定截断区间的不同的一个元素)转换1740为对应视界角，并且针对更新的视界角从存储器选择1720学习的空并且使用测量模型使用对象的扩张状态的随机矩阵(RM)更新来更新由运动模型预测的扩而伸展矩阵Xk是具有νk|k'自由度和缩放矩阵Vk|k'的逆Wishart分布。[0218]图18示出根据一些实施方式的移动对象的扩张状态的随机矩阵(RM)更新的框是取决于运动学状态x的旋转矩阵。给定状态转移密度(32)和(31)中的后验密度p(ξk-1|k动学状态预测遵循(非线性)卡尔曼滤波器的预测步骤，而伸展状态预测由(35)和(36)给[0226]由于学习的HTG测量模型1819取决于对象状态，所以对象状态以递归方式更新计量(均值和展开)来更新预测的状态密度。为了将HTG测量模型整合到RM的状态更新步骤感器噪声协方差ROC和计算的伪测量统计量从归一化的对象坐标系转换到全局坐标系。然密度的更新的参数{m,P,v,V}k|[0239]与未修改RM中的先前更新步骤相比，学习的HTG模型的更新步骤直接使用离线学施方式的可行描述。在不脱离所附权利要求中阐述的公开的主题的精神和范围的情况下，[0244]本文中概述的各种方法或处理可被编码为可在采用各种操作系统或平台中的任