跟踪装置、跟踪方法、跟踪程序与流程

跟踪装置、跟踪方法、跟踪程序
1.相关申请的交叉引用
2.本技术主张于2019年10月18日申请的日本技术编号2019－190909的优先权并在此引用其全部内容。
技术领域
3.本公开涉及跟踪目标的跟踪技术。


背景技术：

4.以往，例如在非专利文献1等公开了根据观测目标的多个观测点，识别有扩展的目标并进行追随处理的所谓的扩展目标跟踪(eot：extended object tracking)。
5.非专利文献1：k.granstrom，m.baum，and s.reuter，“extended object tracking：intro-duction,overview，and applications，”journal of advances in information fusion，vol.12，no.2，2017.
6.但是，在eot中观测点数随着时间经过而变化，所以对目标的状态的预测造成影响。因此，目标的跟踪的可否和精度取决于观测点数。特别是，在观测点数较少的情况下，由于基于较少的观测数据的预测而目标的跟踪丢失的可能性变高，所以期望跟踪技术的改善。


技术实现要素：

7.本公开的目的在于提供抑制目标的跟踪丢失的技术。本公开的另一课题在于提供抑制目标的跟踪丢失的跟踪方法。本公开的又一课题在于提供抑制目标的跟踪丢失的跟踪程序。
8.以下，对本公开的技术手段进行说明。另外，在本栏所记载的括号内的附图标记示出与在后面详述的实施方式所记载的具体单元的对应关系，并不对本公开的技术范围进行限定。
9.本公开的第一方式是跟踪目标(2)的跟踪装置(1)，具备：
10.预测部(100)，预测特定时刻(k)下的目标的状态分布；
11.校正部(120)，对在特定时刻观测目标的至少一个观测点，通过似然函数定义由预测部预测出的状态分布的准确度，并根据观测点的数目(m)校正似然函数；以及
12.更新部(140)，基于由校正部校正后的似然函数，更新特定时刻下的状态分布。
13.本公开的第二方式是由处理器(12)执行并跟踪目标(2)的方法，包含：
14.预测工序(s101)，预测特定时刻(k)下的目标的状态分布；
15.校正工序(s102)，对在特定时刻观测目标的至少一个观测点，通过似然函数定义预测出的状态分布的准确度，并根据观测点的数目(m)校正似然函数；以及
16.更新工序(s103)，基于校正后的似然函数，更新特定时刻下的状态分布。
17.本公开的第三方式是为了跟踪目标(2)而储存于存储介质(10)并包含使处理器
unit：中央处理器)、gpu(graphics processing unit：图形处理器)以及risc(reduced instruction set computer：精简指令集计算机)－cpu等中至少一种作为核心。
39.处理器12执行储存于存储器10的跟踪程序所包含的多个命令，该多个命令包含预测工序、校正工序、以及更新工序。预测工序预测特定时刻下的目标的状态分布。校正工序对在特定时刻观测目标的至少一个观测点，通过似然函数定义预测出的状态分布的准确度，并根据观测点的数目校正似然函数。更新工序基于校正后的似然函数，更新特定时刻下的目标的状态分布。由此，跟踪装置1构建多个用于跟踪目标2的功能模块。这样在跟踪装置1中，通过使处理器执行为了跟踪目标2而储存于存储器10的跟踪程序所包含的多个命令，能够构建多个功能模块，抑制目标的跟踪丢失。如图2所示，在通过跟踪装置1构建的多个功能模块中包含有预测模块100、校正模块120以及更新模块140。
40.图2所示的预测模块100预测特定时刻k下的目标2的状态。作为该预测的前提，若目标2为车辆4周围的其它车辆(参照图1)，则在特定时刻k预测出的目标2的状态空间xk通过下述式1如图3的作为目标2的矩形车辆模型的观测概率分布所示那样定义。在式1中xk、yk分别是正交坐标上的横向位置以及纵向位置。在式1中θk、sk、ωk分别是目标2的方向、速度以及横摆率。在式1中lk、bk是目标2的长度以及宽度。
41.[式1]
[0042]
xk＝(xk，yk，θk，sk，ωk，lk，bk)
t
…
式1
[0043]
另一方面，若将在特定时刻k识别目标2的独立的各观测点的索引设为m，则能够通过使用了成为该各观测点的总数的观测点数m的下述式2，定义该索引m。而且，若将特定时刻k下的目标2的各观测点的观测状态设为z
km
，则能够通过下述式3表示在特定时刻k观测到的目标2的状态空间zk。
[0044]
[式2]
[0045]
m＝1～m
…
式2
[0046]
[式3]
[0047][0048]
预测模块100将式1～3作为前提，通过使用第一粒子滤波器来预测特定时刻k下的目标2的状态分布f(xk|zk)。具体而言，若将蒙特卡罗方法中的识别取样点的索引设为i，则能够通过使用了成为取样点的总数的粒子数i的下述式4定义该索引i。而且，能够通过下述式5预测在特定时刻k预测出的目标2的状态分布f(xk|zk)。在式5中w
ki
是i＝1～i时的取样点的总和取值为1的加权函数。在式5中δ(xk－x
ki
)是使用了在特定时刻k的目标2的状态空间xk和特定时刻k下的目标2的各取样点的状态空间x
ki
的德尔塔函数。在预测模块100的处理中，在相对于特定时刻k的上一次时刻k－1由更新模块140计算出的w
k－1i
作为式5的w
ki
被代入。
[0049]
[式4]
[0050]
i＝1～i
…
式4
[0051]
[式5]
[0052][0053]
在图2所示的校正模块120的处理中，判断对在特定时刻k感测器件3观测到的至少一个观测点通过预测模块100的处理预测出的在特定时刻k的状态分布f(xk|zk)的准确度。为此在校正模块120的处理中，通过各种关联处理中的至少一种使各观测点的观测状态z
km
与预测状态分布f(xk|zk)所包含的状态空间xk建立关联。
[0054]
通过该关联处理建立了关联之后在校正模块120的处理中，通过使用了混合高斯模型的单个似然函数p(z
km
|xk)，定义每个观测点的状态分布f(xk|zk)的准确度。具体而言，若将在混合高斯模型中识别概率密度函数的索引设为j，则能够通过使用了该概率密度函数的总数j的下述式6定义该索引j。而且，对于特定时刻k下的各观测点的观测状态z
km
，能够通过下述式7的单个似然函数p(z
km
|xk)表示在特定时刻k的状态分布f(xk|zk)所包含的状态空间xk的预测可靠度。在式7中wj(xk)是取决于状态分布f(xk|zk)所包含的状态空间xk并且j＝1～j的wj(xk)的总和取值为1的加权函数。在式7中是将平均μj以及协方差r作为参数的高斯分布中的观测状态z
km
的概率密度函数。
[0055]
[式6]
[0056]
j＝1～j
…
式6
[0057]
[式7]
[0058][0059]
这里图4示出观测点数m无限大的理想分布，作为在特定时刻k预测出的状态分布f(xk|zk)。与此相对，图5a是对矩形车辆模型的观测概率分布重叠了两个观测点的特性图，图6a是对矩形车辆模型的观测概率分布重叠了十个观测点的特性图。图5b是观测点为两个时的在特定时刻k预测出的矩形车辆模型的状态分布f(xk|zk)。图6b是观测点为十个时的在特定时刻k预测出的矩形车辆模型的状态分布f(xk|zk)。图5b、6b的状态分布f(xk|zk)示出预计会比图4所示的理想分布劣化。而且，根据图4～6b可知，有观测点数m越减少，预测出的状态分布f(xk|zk)的相对于理想分布的劣化程度越增大的担心。
[0060]
因此在校正模块120的处理中，根据观测点数m校正特定时刻k下的各观测点的单个似然函数p(z
km
|xk)。具体而言，在校正模块120的处理中，通过使用了与观测点数m对应的校正函数η(m)的下述式8，对上述式7中作为单个似然函数p(z
km
|xk)遵循的高斯分布的参数之一的协方差r的值进行置换校正。此时校正函数η(m)例如通过模拟或者实验等预先设定为根据观测点数m的减少而输出使协方差r增大的值。这里下述式9示出根据观测点数m的情况划分目标2为上述其它车辆(参照图1)的情况下的校正函数η(m)的输出的例子。通过如式9那样根据观测点数m对校正函数η(m)的输出进行划分，从而在本实施方式中，通过式8进行置换校正的协方差r的值也同样地根据观测点数m进行情况划分。通过使用这样的校正函数η(m)，来在校正模块120的处理中，计算根据观测点数m校正了高斯分布的协方差r的单个似
然函数p(z
km
|xk)。
[0061]
[式8]
[0062]
r＝η(m)
·r…
式8
[0063]
[式9]
[0064][0065]
在校正模块120的处理中，还通过使用校正后的各观测点的单个似然函数p(z
km
|xk)，来定义整体似然函数l(zk|xk)。而且，通过整体似然函数l(zk|xk)定义对于在特定时刻k观测的所有观测点的状态分布f(xk|zk)的准确度。具体而言，在校正模块120的处理中，通过下述式10的整体似然函数l(zk|xk)对在特定时刻k观测的所有观测点计算表示状态分布f(xk|zk)的准确度的预测可靠度。其结果，包含各观测点的单个似然函数p(z
km
|xk)的整体似然函数l(zk|xk)也成为根据观测点数m进行了校正的函数。
[0066]
[式10]
[0067][0068]
在图2所示的更新模块140的处理中，基于通过校正模块120的处理校正后的整体似然函数l(zk|xk)，更新通过预测模块100的处理预测出的在特定时刻k的状态分布f(xk|zk)。具体而言，在更新模块140的处理中，使用与预测模块100的处理所使用的第一粒子滤波器一部分不同的运算处理的第二粒子滤波器，更新预测出的在特定时刻k的状态分布f(xk|zk)。
[0069]
具体而言，在更新模块140的处理中，将通过上述式10计算出的整体似然函数l(zk|xk)置换为各取样点的整体似然函数l(zk|x
ki
)。在更新模块140的处理中，还通过使用下述式11使置换后的函数l(zk|x
ki
)反映于上述式5，来计算更新后的状态分布f(xk|zk)。此时在更新模块140的处理中，在上一次时刻k－1由更新模块140的处理计算出的加权函数w
k－1i
作为式11的w
k－1i
被代入。
[0070]
[式11]
[0071][0072]
这里图7a、7b、7c分别示出在观测点数m为1、2、5的情况下，使用上述式8、9进行了校正的本实施方式与未使用上述式8、9进行该校正的比较例的对比结果。此外，在图7a、7b、7c中，对更新了预测出的特定时刻k的状态分布f(xk|zk)之后的状态分布f(xk|zk)的劣化程度进行对比。在图7a、7b、7c中示出，对于相同的纵轴值表示状态分布f(xk|zk)的劣化程度的横轴值越小，预测越正确。根据图7a、7b、7c可知，即使观测点数m减少，相对于比较例，本实施方式也能够通过校正与观测点数m对应的整体似然函数l(zk|xk)并进行对所有观测点的
状态分布f(xk|zk)的更新，来实现正确的预测。
[0073]
根据以上所述，在本实施方式中，预测模块100相当于“预测部”，校正模块120相当于“校正部”，更新模块140相当于“更新部”。
[0074]
以下根据图8对通过功能模块100、120、140的协作，跟踪装置1跟踪目标2的跟踪方法的流程进行说明。另外，本流程在从上一次时刻k－1到特定时刻k为止的跟踪期间开始。另外，在本流程中“s”是指执行储存于存储器10的跟踪程序所包含的命令的本流程的步骤。
[0075]
在s101的处理中，在特定时刻k之前，在预测模块100的处理中预测特定时刻k下的目标2的状态分布f(xk|zk)。具体而言，通过将满足通过上次流程的s103的处理进行了更新的上次时刻k－1的状态分布f(x
k－1
|z
k－1
)的加权函数w
k－1i
使用于第一粒子滤波器，来预测状态分布f(xk|zk)。
[0076]
在s102的处理中，对于通过这次流程的s101的处理预测出的状态分布f(xk|zk)，在校正模块120的处理中校正在特定时刻k观测的每个观测点的单个似然函数p(z
km
|xk)、和在特定时刻k观测的所有观测点的整体似然函数l(zk|xk)。特别是通过根据特定时刻k下的观测点数m的减少而使作为单个似然函数p(z
km
|xk)遵循的高斯分布的参数之一的协方差r增大，来根据该观测点数m校正单个似然函数p(z
km
|xk)。然后，使用校正后的各观测点的单个似然函数p(z
km
|xk)，校正整体似然函数l(zk|xk)。
[0077]
在s103的处理中，基于通过s102的处理进行了校正的整体似然函数l(zk|xk)，来在更新模块140的处理中更新通过s101的处理预测出的特定时刻k下的状态分布f(xk|zk)。具体而言，通过将满足通过上次流程的s103的处理进行了更新的上次时刻k－1的状态分布f(x
k－1
|z
k－1
)的加权函数w
k－1i
使用于第二粒子滤波器，来更新状态分布f(xk|zk)。
[0078]
根据以上所述，在本实施方式中，s101的处理相当于“预测工序”，s102的处理相当于“校正工序”，s103的处理相当于“更新工序”。
[0079]
(作用效果)
[0080]
以下，对以上说明的本实施方式的作用效果进行说明。
[0081]
根据本实施方式，对在特定时刻k观测目标2的至少一个观测点，通过整体似然函数l(zk|xk)定义预测出的特定时刻k的状态分布f(xk|zk)的准确度。然后，通过基于根据观测点数m校正后的整体似然函数l(zk|xk)，更新特定时刻k下的目标2的状态分布f(xk|zk)，如图9所示，能够抑制跟踪丢失。另外，图9使使用上述式8、9进行了校正的本实施方式、和未使用上述式8、9进行该校正的比较例的特定时刻k下的目标2的状态分布f(xk|zk)的跟踪丢失的产生数进行对比。
[0082]
另外，由于根据观测点数m校正整体似然函数l(zk|xk)遵循的高斯分布的协方差r，所以能够降低观测点数m对状态分布f(xk|zk)的影响。据此，能够提高状态分布f(xk|zk)的更新精度，确保跟踪丢失的抑制可靠性。
[0083]
特别是，在本实施方式中使用根据观测点数m对高斯分布的协方差r进行情况划分的校正函数的例子中，协方差r的校正运算处理比较简单。因此，能够在降低用于抑制跟踪丢失的运算负荷的同时进行该跟踪丢失的抑制。
[0084]
特别是，根据本实施方式，根据观测点数m的减少使高斯分布的协方差r增大，由此，即使观测点数m较少也能够基于适当地校正后的整体似然函数l(zk|xk)，提高状态分布f(xk|zk)的更新精度。因此，能够提高跟踪丢失的抑制可靠性。
[0085]
并且，本实施方式中的状态分布f(xk|zk)在使用第一粒子滤波器进行预测之后，通过使用的第二粒子滤波器来进行更新，第二粒子滤波器通过校正后的整体似然函数l(zk|xk)使运算处理与该预测时所使用的第一粒子滤波器不同。因此，能够提高从状态分布f(xk|zk)的预测到更新的可靠性，进而提高跟踪丢失的抑制可靠性。
[0086]
并且，在通过作为感测器件3搭载于车辆4的毫米波雷达或者lidar观测目标2的装置1的情况下能够抑制跟踪丢失的本实施方式例如对自动驾驶车辆或者高度驾驶辅助车辆等的周围检测特别有效。
[0087]
(其它的实施方式)
[0088]
以上，对一实施方式进行了说明，但本公开并不应该理解为限定于该实施方式，能够在不脱离本公开的主旨的范围内应用于各种实施方式。
[0089]
变形例的跟踪装置、跟踪方法以及跟踪程序也可以应用于车辆以外。该情况下，特别是应用于车辆以外的跟踪装置也可以不与感测器件3搭载或者设置于同一对象。
[0090]
变形例的跟踪装置也可以是包含数字电路以及模拟电路中至少一方作为处理器而构成的专用计算机。这里特别是数字电路例如是asic(application specific integrated circuit：专用集成电路)、fpga(field programmable gate array：现场可编程门阵列)、soc(system on a chip：芯片上系统)、pga(programmable gate array：可编程门阵列)、以及cpld(complex programmable logic device：复杂可编程逻辑器件)等中的至少一种。另外这样的数字电路也可以具备储存了程序的存储器。
[0091]
在变形例中，也可以通过函数η(m)校正包含于代入了各观测点的单个似然函数p(z
km
|xk)的整体似然函数l(zk|xk)的高斯分布的协方差r。这是因为若对在上述的实施方式说明的式7和式10进行整理，则得到下述式12。
[0092]
[式12]
[0093][0094]
在变形例中，也可以通过同一模块的同一步骤执行基于校正模块120的s102的处理和基于更新模块140的s103的处理。这是因为若对在上述的实施方式说明的式10和式11进行整理，则得到下述式13。
[0095]
[式13]
[0096][0097]
变形例的状态分布f(xk|zk)也可以在使用第一粒子滤波器以外的估计滤波器进行了预测之后，使用通过校正后的整体似然函数l(zk|xk)使运算处理与该预测时不同的、第二粒子滤波器以外的估计滤波器进行更新。