估计目标数量的装置和方法与流程

相关申请的交叉引用

本申请基于35u.s.c.§119(a)要求于2019年1月22日向韩国知识产权局提交的、申请号为10-2019-0007997的韩国专利申请的优先权，其全部内容通过引用并入本申请。

本公开的实施方式涉及一种用于估计目标数量的装置和方法，并且更具体地，涉及一种用于估计目标数量的装置和方法，其使车辆的雷达能够准确地估计目标物体(即，目标)的数量。

背景技术：

通常，车辆的雷达是指可以安装在车辆上的各种形状的雷达设备，并用于防止由于恶劣的天气情况或驾驶员的粗心而引起的事故的发生，并用于检测车辆周围的物体。

近来，随着对安全性和驾驶员便利性的兴趣增加，开发了使用这种车辆的雷达设备的各种车辆安全性和便利性技术。

例如，开发了各种技术，诸如用于检测正在行驶的车辆之前的车辆和自动跟踪所检测到的车辆的智能巡航技术、自动驾驶技术，和自动紧急制动技术。

可以在这些技术中广泛使用的车辆的雷达可以使用在发送雷达信号之后反射的反射信号来检测周围物体。

然而，使用这种车辆的雷达设备的各种车辆安全性和便利性技术基本上是基于车辆的雷达可以准确地估计目标数量。即，仅当准确地估计目标(即，目标物体)的数量时，才可以准确地估计目标角度。

在传统技术中，对目标角度的估计进行了深入研究，但是用于准确地估计目标数量的研究不足。

在公开号为10-2017-0075474(2017年7月3日)、名称为“用于检测目标物体的方法及其装置”的韩国专利申请中公开了本公开的背景技术。

技术实现要素：

各种实施方式针对提供一种用于估计目标数量的装置和方法，其使得车辆的雷达能够准确地估计目标对象(即目标)的数量。

在一个实施方式中，一种用于估计目标数量的装置包括：雷达信号接收器，其被配置为接收雷达信号，所述雷达信号属于由雷达发送的检测信号，并且所述雷达信号被地面上的物体反射；和控制器，其被配置为通过处理接收到的雷达信号来学习目标数量，并且基于所学信息，通过处理新接收到的雷达信号来估计目标数量。

在一个实施方式中，控制器被配置为包括：学习单元，其被配置为通过处理所述接收到的雷达信号来学习目标数量；和估计单元，其被配置为通过基于所学信息，通过处理所述新接收到的雷达信号来估计目标数量。

在一个实施方式中，控制器被配置为接收已知的目标数量和相应的角谱，并提取特征点信息，和使用神经网络(nn)来学习所述特征点信息。

在一个实施方式中，基于目标数量来指定角谱的形状。

在一个实施方式中，根据角谱的形状来指定对于角谱的预设主要部分的特征点信息。

在一个实施方式中，控制器被配置为当在学习过程和估计过程中提取角谱时，相同地设置角度(θ)的范围和权重(w)。

在一个实施方式中，控制器被配置为：从所述角谱的最大信号的两侧的每一侧上的指定数量的信号，提取与所述最大信号的大小和位置相对应的角度、距所述最大信号的3db较小位置处的角度信息、与旁瓣的大小和位置相对应的角度，和与零值的大小和位置相对应的角度信息中的至少一个作为所述特征点信息。

在一个实施方式中，控制器被配置为参数化特征点信息，以便将特征点信息输入到神经网络(neuralnetwork,nn)，和接收参数化的特征点信息并将参数化的特征点信息教导给nn。

在一个实施方式中，控制器被配置为接收目标数量已知的雷达信号的角谱，并且从该角谱提取特征点信息，将在学习过程中提取的权重相同地应用于估计单元，和通过将权重输入到与学习单元中使用的nn相同的nn来估计目标数量。

在一个实施方式中，一种用于估计目标数量的方法包括：由雷达信号接收器接收雷达信号，所述雷达信号属于由雷达发送的检测信号，并且所述雷达信号被地面上的物体反射；和由控制器通过处理接收到的雷达信号来学习目标数量，并基于所学信息，通过处理新接收到的雷达信号来估计目标数量。

在一个实施方式中，控制器被配置为由学习单元通过处理接收到的雷达信号来学习目标数量，和由估计单元基于所学信息，通过处理新接收到的雷达信号来估计目标数量。

在一个实施方式中，在学习目标数量时，控制器被配置为接收已知的目标数量和相应的角谱，提取特征点信息，并使用神经网络(nn)学习特征点信息。

在一个实施方式中，基于目标数量来指定角谱的形状。

在一个实施方式中，根据角谱的形状来指定对于角谱的预设主要部分的特征点信息。

在一个实施方式中，在学习目标数量和估计目标数量中，控制器被配置为在提取角谱时相同地设置角度(θ)的范围和权重(w)。

在一个实施方式中，为了提取特征点信息，控制器被配置为从角谱的最大信号的两侧的每一侧上的指定数量的信号，提取与所述最大信号的大小和位置相对应的角度、距所述最大信号的3db较小位置处的角度信息、与旁瓣的大小和位置相对应的角度，和与零值的大小和位置相对应的角度信息中的至少一个作为所述特征点信息。

在一个实施方式中，当提取特征点信息时，控制器被配置为参数化特征点信息，以便将特征点信息输入到神经网络(nn)，和接收参数化的特征点信息，并将参数化的特征点信息教导给nn。

在一个实施方式中，在估计目标数量中，控制器被配置为接收目标数量已知的雷达信号的角谱，并从所述角谱中提取特征点信息，将在学习过程中提取的权重相同地应用于估计单元，通过将权重输入到与学习单元中使用的nn相同的nn来估计目标数量。

附图说明

图1是示出根据本公开的实施方式的用于估计目标数量的装置的示意性配置的示例图。

图2是用于描述图1所示的学习单元的详细操作的流程图。

图3是用于描述图2中的角谱的特征点信息的示例图。

图4是用于描述图3中的提取特征点信息的过程的流程图。

图5是示出与图2中的目标数量相对应的角谱的形状的示例图。

图6是用于描述图1所示的估计单元的详细操作的流程图。

具体实施方式

如在传统的相应领域中，在功能块、单元和/或模块方面可以在附图中示出一些示例性实施方式。本领域普通技术人员将理解，这些块、单元和/或模块由诸如逻辑电路、分立组件、处理器、硬连线电路、存储元件、布线连接等电子(或光学)电路物理地实现。当块、单元和/或模块由处理器或类似硬件实现时，可以使用软件(例如，代码)对它们进行编程和控制，以执行本文讨论的各种功能。可替代地，每个块、单元和/或模块可以由专用硬件实现，或作为执行一些功能的专用硬件和执行其他功能的处理器(例如，一个或多个编程的处理器和相关的电路)的组合。在不背离本发明构思的范围的情况下，一些示例性实施方式的每个块、单元和/或模块可以物理地分成两个或更多个相互作用和离散的块、单元和/或模块。此外，在不脱离本发明构思的范围的情况下，一些示例性实施方式的块、单元和/或模块可以物理地组合成更复杂的块、单元和/或模块。

在下文中，将通过实施方式的各种示例，参照附图来描述用于估计目标数量的装置和方法。

在这样的过程中，为了说明的清楚和方便起见，可能夸大图中所示的线的粗细或元件的尺寸。下文将描述的术语已经通过考虑它们在本发明公开中的功能来定义，并且可以根据操作者的意图或实践而不同。因此，应基于本说明书的整体内容来解释这些术语。

图1是示出根据本公开的实施方式的用于估计目标数量的装置的示意性配置的示例图。

如图1所示，根据本实施方式的用于估计目标数量的装置包括雷达信号接收器100、控制器200，和目标数量信息输出单元300。

雷达信号接收器100接收信号(以下称为“雷达信号”)，其属于由雷达(未示出)发送的检测信号并且被地面上的物体反射。

控制器200通过处理接收到的雷达信号来学习目标数量，并且基于该学习，通过处理新接收到的雷达信号来估计目标数量。

控制器200包括：学习单元210，其用于通过处理接收到的雷达信号来学习目标数量；和估计单元220，其用于基于该学习通过处理新接收到的雷达信号来估计目标数量。在本实施方式中，为了方便起见，分别描述了学习单元210和估计单元220的操作，但是它们可以通过集成到控制器200中来描述。

目标数量信息输出单元300输出了由控制器200估计的关于目标数量的信息。例如，目标数量信息输出单元300可以基于估计的关于目标数量的信息，通过执行角度算法来估计目标角度。

图2是用于描述图1所示的学习单元210的详细操作的流程图。

参照图2，学习单元210通过输入已知的目标数量和相应的角谱来提取特征点信息，并且通过学习特征点信息(例如，可以使用神经网络来学习目标数量)来计算神经网络(以下称为“nn”)的权重。

更具体地，学习单元210基于目标数量和目标角度来接收角谱(s101)。

在这种情况下，可以使用数字波束成形方案来接收角谱。在常规技术中，只有使用角谱才能识别目标是否位于前方(在雷达方向上)和方向(或角度)。

相反，在本实施方式中，学习单元210从角谱中提取特征点信息(即，与目标数量相对应的角谱的特征点信息)(s102)，并使用该特征点信息来学习目标数量(s103)(例如，可以使用nn来学习目标数量)。

在这种情况下，用于学习特征点(即，学习特征点信息)的nn方案可以使用公开的nn(包括前馈nn)中的任何一种。

作为参考，在本实施方式中，根据目标数量，角谱具有不同形状。因此，角谱的主要部分具有不同的特征点信息(参考图5)。因此，在本实施方式中，通过学习这样的特征点信息来估计目标数量。

在这种情况下，当提取角谱时，角度(θ)的范围(例如，在-50度至+50度的范围内)和权重(w)被相同地设置，使得可以基于相同的标准进行学习和估计。

图3是用于描述图2中的角谱的特征点信息的示例图。

参照图3，特征点信息(例如，与最大信号的大小和位置相对应的角度(最大峰值)、与3db波束宽度相对应的角度、每个旁瓣的角度和大小，和零值(nulling)的角度和大小)是从最大信号的两侧的每一侧上的指定数量的信号(例如，左侧和右侧的每一侧上的两个信号)中提取的。

图4是用于描述图3中提取特征点信息的过程的流程图。

参照图4，当接收到角谱时(s201)，学习单元210提取与最大信号的大小和位置相对应的角度(即，与位置相对应的角度)作为特征点信息，提取从最大信号的3db较小位置处的角度信息，提取与旁瓣的大小和位置相对应的角度(即，与位置相对应的角度)，和提取与零值的大小和位置相对应的角度信息(s202)。此外，学习单元210对所提取的特征点信息进行参数化，以使其被输入到nn(s203)。

结果，学习单元210接收并学习被参数化以输入到nn的特征点信息(例如，可以使用nn来学习目标数量)。

参照图2，当学习单元210学习特征点信息时，其提取对应nn的权重(s104)。

这是为了在估计目标数量时，通过允许将经过训练的权重相同地应用于nn，从而能够基于相同的准则执行学习和估计。

图5是示出与图2中的目标数量相对应的角谱的形状的示例图。作为参考，图5的角谱是示出在天线间隔＝1λ并且阵列天线的数量是9的情况下的角谱的示例图。

参考图5，根据目标数量，角谱具有不同的形状(或形式)。因此，角谱的主要部分具有不同的特征点信息。

在这种情况下，图5(b)和5(c)对应于目标数量为2并且需要具有相同信号波形的情况。然而，在图5(b)和5(c)中，信号波形通常具有相似的形状，但是具体有不同的信号波形。原因是因为信号波形根据雷达的分辨率而不同。这意味着需要对每个车辆雷达不同地执行学习和估计。

上述学习的信息(即，基于目标数量的每个频谱的形状和特征点信息)被存储在内部数据库(未示出)或存储器(未示出)中。

图6是用于描述图1所示的估计单元220的详细操作的流程图。

参照图6，估计单元220接收目标数量已知的角谱，提取该角谱的特征点信息，将由学习单元210提取的权重应用于特征点信息，并且通过将特征点信息输入到相应的nn来估计目标数量。

更具体地，估计单元220接收新目标(即，其数目将被估计的目标)的角谱(s301)。

此外，估计单元220从角谱提取特征点信息(即，与目标数目相对应的角谱的特征点信息)(s302)。

此外，估计单元220将学习单元210先前使用特征点信息学习目标数量时提取的权重相同地应用于估计单元220(s303)(例如，估计单元220可以使用与通过学习单元210所使用的nn相同的nn)。

因此，估计单元220基于通过应用权重已经学习的信息，来估计与提取的特征点信息相对应的目标数量(s304)。

如上所述，本实施方式的效果在于，它可以通过车辆的雷达准确地估计目标物体(即，目标)的数量，并且可以基于精确估计的目标数量来精确地估计目标角度。此外，具有可以减少错误检测和未检测概率的效果。

上面已基于附图中示出的实施方式描述了本公开，但是实施方式仅是说明性的。本公开所属领域的技术人员将理解，各种修改和其它等效实施方式可能来自于这些实施方式。因此，本公开保护的技术范围应由本技术方案确定。此外，在本说明书中描述的实施可以实现为例如方法或过程、装置、软件程序、数据流或信号。尽管仅在单一形式的实现的上下文中讨论了本公开(例如，仅作为方法讨论)，但是具有所讨论的特征的实现也可以以另一形式(例如，装置或程序)来实现。该装置可以实现为适当的硬件、软件或固件。例如，该方法可以在诸如处理器(通常指处理设备)的装置中实现，其包括计算机、微处理器、集成电路或可编程逻辑设备。该处理器包括通信设备，例如计算机、蜂窝电话、移动电话/个人数字助理(personaldigitalassistant,“pda”)和另一设备，其有助于最终用户之间的信息通信。

尽管已经出于说明性目的公开了本公开的优选实施方式，但是本领域技术人员将理解，在不脱离如本技术方案所限定的本公开的范围和精神的情况下，可以进行各种修改、添加和替换。因此，本公开的真实技术范围应由本技术方案限定。