一种深度归一化与自适应权重的多传感器障碍物关联系统的制作方法
本发明涉及智能驾驶多传感器感知融合,尤其是涉及一种深度归一化与自适应权重的多传感器障碍物关联系统。
背景技术:
1、在智能驾驶感知系统中,后融合引擎维护持续存在的航迹集合。每当一帧新传感器量测到达时,需要判定每个新量测应与哪条已有航迹关联(或作为新航迹)。关联质量直接决定后续碰撞预警、自动紧急制动等功能的可靠性。
2、现有主流后融合系统在进行传感器量测与航迹的关联时,多采用以下两类方案:
3、方案一:固定尺度欧氏距离关联。计算量测中心与航迹融合中心之间的欧氏距离,若小于阈值则视为可匹配,再由匈牙利算法在代价矩阵(由欧氏距离构成)上求全局最优指派。但是未建模测量误差随纵向深度的放大: 相机和毫米波雷达对纵向距离(深度)的量测误差随距离显著增大,现有固定尺度度量在远距离处区分度不足,易将相邻车道目标错误关联。原因是固定欧氏距离或固定权重马氏距离未引入与纵向深度相关的归一化因子。
4、方案二:固定权重马氏距离关联。采用固定的、与传感器对类型无关的单一协方差做马氏距离归一化,所有传感器对共享同一套权重向量,再由匈牙利算法求解。但是该方案中相机横向位置与类别可信度高、纵向与速度可信度低;雷达纵向距离与速度可信度高、横向与类别可信度低;激光雷达形状可信度高。现有方案用同一套权重处理所有传感器对,无法发挥各传感器优势。原因是未按传感器对类型配置差异化的多维权重。
技术实现思路
1、鉴于以上现有技术的不足,本发明提供了一种深度归一化与自适应权重的多传感器障碍物关联系统,不仅对位置/速度差按“常数项+纵向深度绝对值”做归一化以补偿远距离误差放大,而且配合静态定长容器避免运行期动态内存分配,满足车规级实时性要求。
2、为了实现上述目的及其他相关目的,本发明提供的技术方案如下:
3、一种深度归一化与自适应权重的多传感器障碍物关联系统,所述系统包括:
4、协方差校验与默认值注入模块,用于在量测进入关联前,检查各障碍物协方差是否为有效值;若传感器未给出有效协方差,按传感器类型注入与该类传感器物理误差特性相匹配的默认协方差;
5、中心距离预筛模块,与所述协方差校验与默认值注入模块连接,用于用量测中心与航迹融合中心的欧氏距离做粗筛;
6、时空同步模块,与中心距离预筛模块连接,用于以恒速模型将历史参考量测或航迹状态外推到待关联量测的时刻,消除时间错位对距离的影响;
7、深度归一化关联距离计算模块,与所述时空同步模块连接,用于针对不同传感器对,计算位置和速度各分量的深度归一化差,并按传感器对权重组合成马氏距离形式的关联代价;
8、传感器对权重与多维分量模块,与所述深度归一化关联距离计算模块连接,用于为每一类传感器对配置差异化的多维权重向量,并对相机/激光雷达对额外引入尺寸差异惩罚、对含航向信息的量测引入航向加权。
9、进一步地,所述系统还包括:
10、多参考传感器最小距离选择模块,与所述传感器对权重与多维分量模块连接,用于对一条航迹,遍历历史参考传感器量测,分别与待关联量测构成传感器对并计算距离,取其中的最小值作为最终关联距离,实现冗余比较。
11、进一步地,所述系统还包括:标识预匹配模块+全局匈牙利匹配模块,与所述多参考传感器最小距离选择模块连接,用于先按传感器给出的目标标识做预匹配,剩余未匹配项再用匈牙利算法在代价矩阵上求全局最优指派。
12、进一步地,所述匈牙利算法包括:
13、m1.动态稀疏化过滤,输入n×n的权重矩阵w,计算矩阵的稀疏度阈值θ,对于权重w(i,j)小于θ的元素,将其置为负无穷或零,从而将稠密矩阵转化为稀疏矩阵,阈值θ的计算公式为θ=μ+α·σ,其中μ为矩阵非零元素的均值,σ为标准差,α为动态调节系数;
14、m2.启发式贪心预匹配,在稀疏化后的矩阵中,按照权重从大到小的顺序遍历所有边,若边(i,j)的两个端点均未被匹配,则将其加入匹配集合m,并标记端点i和j为已匹配,此步骤能够在o(n2)时间内快速确定大量高权重的匹配对,消除确定性边;
15、m3.矩阵降维与重构,剔除已匹配的行和列,将剩余的未匹配行和列提取出来,构建降维后的子矩阵w´,假设预匹配了k对节点,则子矩阵w´的规模缩减为(n-k)×(n-k);
16、m4.改进的增广路搜索,采用深度优先搜索与广度优先搜索相结合的混合搜索策略。
17、进一步地,所述针对不同传感器对,计算位置和速度各分量的深度归一化差,并按传感器对权重组合成马氏距离形式的关联代价包括:
18、s1.设参考量测r与新量测o构成传感器对s,先以恒速模型将参考量测外推到量测o的时刻,得到同步后的纵向位置,
19、,
20、,
21、其中,xr为参考量测r的数值,vx,r为参考量r的速度,t0和tr为时间,δtr为时间差;
22、s2.各维度的深度归一化差定义为,
23、,
24、其中,wvx为纵向速度加权因子,ks为常数项,为纵向深度绝对值,xo为参考量测o的数值,ws,x为传感器对s的纵向差值,α为权重系数;
25、s3.横向维度dy在量测含有效航向时再乘以航向加权因子wθ,
26、。
27、进一步地,所述针对不同传感器对,计算位置和速度各分量的深度归一化差,并按传感器对权重组合成马氏距离形式的关联代价还包括:
28、s4.协方差归一化项取参考量测与量测协方差之和并放大,
29、,
30、其中,β为权重系数,σx,r为参考量测r的纵向协方差,σx,o为参考新量测o的纵向协方差。
31、进一步地,所述针对不同传感器对,计算位置和速度各分量的深度归一化差,并按传感器对权重组合成马氏距离形式的关联代价还包括:
32、s5.传感器对s的关联距离ds(r,o)为,
33、,
34、其中,ρs为传感器对的尺寸差异惩罚。
35、进一步地,所述传感器对的尺寸差异惩罚ρs为,
36、,
37、其中,δl为传感器对的长度差,δw为传感器对的宽度差,δh为传感器对的高度差,ul为传感器对的长度的偏差值,uw为传感器对的宽度的偏差值,uh为传感器对的高度的偏差值。
38、进一步地,所述针对不同传感器对,计算位置和速度各分量的深度归一化差,并按传感器对权重组合成马氏距离形式的关联代价还包括:
39、s6.最终对的关联距离在所有有效参考传感器对中取最小,
40、,
41、其中,rvalid为有效的传感器对量测,r为传感器对的量测,o为参考量测,s(r)为传感器对s中的传感器对的量测值。
42、进一步地,所述用量测中心与航迹融合中心的欧氏距离做粗筛为设置预设阈值,若量测中心与航迹融合中心的欧式距离大于预设阈值,则为无效代价。
43、本发明具有以下积极效果:
44、1.本发明通过利用“常数项+纵向深度绝对值”归一化位置/速度差,远距离目标的误差放大被自动补偿,避免了固定尺度度量在远距离处区分度不足的问题,在60m以上远距离场景误关联率明显下降。
45、2.本发明通过通过为相机-相机、相机-雷达、雷达-雷达、激光-激光等不同对分别配置多维权重-,相机主导横向/类别维度、雷达主导纵向/速度维度、激光雷达主导形状维度,使关联判据更合理。
46、3.本发明通过在关联距离中融合位置、速度、航向、尺寸等多维分量,以及多参考传感器取最小距离,即使某参考量测因遮挡失效,仍可借助其余参考量测正确关联,并利用标识预匹配快速处理稳定标识的简单情形,降低匈牙利求解规模;匈牙利全局匹配保证剩余项的最优指派; 全程采用确定性的解析计算(无神经网络推理),时序确定;配合静态定长容器避免运行期动态内存分配,满足车规级实时性要求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com