确定目标车辆取向的方法与流程

本发明涉及一种通过配备有例如雷达或激光雷达系统的主车辆来确定目标车辆的取向的方法。该方法使用取向的初始估计，以及使用来自由主车辆发射并从目标车辆反射的雷达或激光雷达信号的反射的点检测以精确初始估计。

本发明的方面适用于(但不限于)估计车辆的汽车感知系统，并且可用于主动安全、驾驶员辅助以及自主驾驶应用。

背景技术：

对象(诸如另一车辆的目标)的取向是在汽车系统中要进行估计的重要状态参数。虽然已知确定取向的方法，但这些方法都会遇到准确性问题。在整个说明书中，对取向的参考应理解为另选地包括对航向的参考。因此，对于直线行驶的车辆，其航向与取向相同。

通常，(主)车辆可以配备有用于对车辆附近的环境进行分类的雷达或激光雷达系统，诸如以便例如检测车辆周围的移动或静止的对象。这样的系统被用于例如估计用于汽车感知系统的其它车辆的运动状态或取向，并且可以用于主动安全、驾驶员辅助以及自主驾驶应用。所述雷达系统包括适于接收从所述主车辆发射并由所述目标反射的信号的雷达传感器单元。通常，所捕获的数据包括来自在单个时间点实例发射雷达信号并根据从所述雷达传感器单元捕获的多个点雷达检测测量值确定的点检测。这些雷达检测可以例如通过一组点检测来识别目标车辆。假设这些点检测通常来自车辆的外侧，并且可以被认为具有水平面内(即，在二维平面图/地图上)的x坐标和y坐标。另选地，点检测可以被认为是距离和方位的极坐标。

已知的技术可以例如通过由雷达或激光雷达系统跟踪车辆来确定车辆的取向(或航向)，并且在下文进行解释。然而，这些技术经常会遇到准确性问题。跟踪算法的问题也由于时间过滤延迟而被引入。

本发明的目的是使用来自扩展雷达目标的检测的空间分布来校正或改善诸如另一车辆的目标的取向估计。还详细描述了与不使用集群检测的空间信息的方法相比，该技术提供了估计准确性的提升。

技术实现要素：

在本发明的一个方面，提供了一种通过主车辆确定目标车辆的航向或取向的方法，所述主车辆配备有激光雷达或雷达系统，所述系统包括适于接收从所述主车辆发射并由所述目标车辆反射的信号的传感器单元，所述方法包括以下步骤：

a)确定至少一个参考角，所述参考角是目标航向或取向(β)的初始估计；

b)从所述系统发射信号并且确定属于所述目标车辆的多个点雷达或激光雷达检测，所述点检测具有水平面内的坐标；

c)根据所述点检测制定(fomulate)初始矩形边界盒，其中，该边界盒被制定成使得边界盒的两个边平行于参考角绘制并且两侧垂直于参考角，并且使得所有检测或者位于边界盒侧上或者位于边界盒内，并且每个边具有在其上的至少一个检测点；

d)对于位于边界盒的边上的每个点，顺时针和逆时针旋转与相应边重合的线，直到所述线遇到(hit)另一点检测或直到执行了旋转最大角度为止；并且每当所述线遇到所述另一点检测时，确定校正角δi，其中，该校正角如此应用于参考角，使得其给出方向候选角γi；

f)关于每个取向候选角γi/校正角δi，确定成本函数；

g)选择具有最低成本函数的取向候选角。

可以仅关于位于可见边上的检测点执行步骤d)。

如果关于相对于检测点的相应顺时针和逆时针旋转找到两个校正角(δi)的值，则该方法可以仅根据两个校正角(δi)中的最小值来制定取向候选对象。

步骤g)可以包括选择具有校正角δi的最小值的取向候选对象。

步骤d)可以包括确定位于初始边界盒的边上的所述点与由所述线遇到的点检测之间的距离，并且其中，所述步骤g)选择针对其中所述距离最大的实例制定的取向候选角。

对于步骤d)中的每种情况，当所述线遇到所述另一点检测时，所述方法可以涉及制定修改的边界盒，其中所述边界盒的一个边被形成为与来自位于所述初始边界盒的所述边上的所述点和被旋转的所述线遇到的所述点检测的线重合，并且其中，另一边与所述修改的边界盒的所述边平行并且另两个边与其垂直，并且每个边具有在其上的至少一个检测点。

所述成本函数可以是所述修改的边界盒的面积。

所述成本函数可以是不位于修改的边界盒上的各点检测与其最近边之间的最短距离之和。

附图说明

现在参照附图以举例的方式描述本发明，其中：

图1示出了目标坐标系；

图2示出了车辆坐标系；

图3示出了传感器坐标系；

图4示出了由主车辆检测到的来自目标车辆的点数据检测的示意图；

图5示出了如何根据点检测数据制定边界盒；

图6、图7和图8例示了根据本发明的一个方面的方法；

图9例示了如何制定修改的边界盒的示例；

图10在一个示例中例示了可以如何根据修改的边界盒获得成本函数；

图11、图12和图13示出了例示本发明的示例的方法的流程图。

具体实施方式

背景

本公开涉及一种使用例如多普勒雷达测量来确定取向的估计的方法。本公开详述了用于使用来自扩展雷达目标的检测的空间分布来确定或校正诸如另一车辆的目标的取向估计的方法(该方法可被称为基于几何的取向或gbo)。

还详细说明了与不使用集群检测的空间信息的算法相比，该技术提供了估计准确性的提升。

示例中的方法可以被看作是对对象取向的伪测量。术语“伪测量”在此被限定为来自单个测量实例的瞬时估计。该方法可以用合理性检查来执行，并且不需要使用时间过滤。此外，不需要对对象和主(车辆)偏航率进行限制。这意味着不需要假设对象的对地速度矢量沿对象取向的方向对齐。

假设目标是分布式目标(即不是点目标)，使得可以获得在同一时间来自同一目标的多个原始检测。假设存在从单个目标到一个组的原始检测的适当集群化。可以假设用适用于车辆的刚体模型来近似分布式目标，尽管其通常不适于易受伤害的道路使用者。

一方面，目标几何的近似可以通过单个2d取向的边界盒(obb)来实现。

主车辆配备有诸如雷达发射和接收单元的雷达装置，从而可以获得来自目标(其它车辆)的(原始)雷达反射检测。每个原始检测可以归因于相对于传感器fov的位置、笛卡尔位置、或极性(方位角、距离)。例如，源自不同的算法(例如云算法、跟踪算法)，假设至少一个初始航向估计。

惯例

在随后的概念描述中，使用以下惯例和定义：

世界坐标系

按照惯例，使用具有固定到空间中的一点的原点的惯性坐标系-假设坐标系不移动并且也不旋转。照惯例，坐标系是右手坐标系；y轴与x轴正交，指向右侧；z轴指向页面内并且正向旋转是向x轴的右侧；参见图1，其示出了具有原点1和非自身车辆2的这种坐标系。

车辆坐标系

如图2所示，原点可以位于主车辆4的前保险杠3的中心处。x轴平行于车辆的纵向轴。坐标系是右手坐标系，y轴与x轴正交，指向右侧，z轴指向页面内并且正向旋转向x轴的右侧。

传感器坐标系

原点位于传感器单元/天线罩的中心处。x轴垂直于传感器天线罩，指向远离天线罩方向。坐标系是右手坐标系：y轴与x轴正交，指向右侧；z轴指向页面内；正向旋转向x轴的右侧。图3示出了传感器原点5。

要解决的问题可以表述如下：为扩展目标的obb的取向提供合理性估计，该扩展目标由多普勒雷达的单个测量实例中捕获的检测的空间分布支持。

现有技术

本部分简要回顾公共领域中可获得的相关文献和公司内部报告。本roi中提出的方法的构建块得到了承认，并确定了其来源。

增强型定向边界盒

1983年ieeemelecon83的论文集中g.toussaint所著的“solvinggeometricproblemswiththerotatingcalipers”中，介绍了一种用于拟合包围多边形的最小矩形的旋转卡尺算法。该程序涉及确定分配给特定对象的所有点的凸包。在这步骤之后，边界盒在点位置的极值上展开，并且然后被旋转以便在每个步骤中它与凸包的一侧共线。

在2015年圣地亚哥的电气电子工程师学会/微波理论与技术研讨会的智能移动微波国际会议上f.roos、d.kellner、j.klappsetin、j.dickmann、k.dietmayer、k.muller-glaser、和c.waldschmidt编著的“estimationoftheorientationofvehiclesinhigh-resolutionradarimages”中，考虑了用于高分辨率雷达图像的取向估计的几何方法的增强定向边界盒算法。该方法不使用时间过滤并且仅适用于单各雷达测量。该算法是针对目标车辆取向估计之前呈现的方法的增强和调整。该算法反复地忽略凸包的连续点，因为检测可能位于车辆外部(例如，由于测量误差或较差的集群化)。此外，针对每个拟合的边界盒，评估品质因数。评估度量使边界盒的大小不利，边界盒应尽可能小。确定每个检测至最近的盒边的距离；针对所有检测对所述距离求和。

类似地，也基于用于lidar应用的旋转卡尺算法的用于估计航向的空间方法是已知的，其中，旋转卡尺算法通过假设对象几何结构的对称性而被扩展，然后用于借助可见侧的镜像检测点来投射目标的不可见部分。作者声称这个结果在给定的一组检测上对边界盒进行更稳定和准确的收缩。

在上文中，作者演示了该解决方案适用于仅使用来自单个雷达测量的检测的笛卡尔位置由obb表示的车辆的方向的估计。该解决方案的主要缺点是计算时间长，并且需要来自目标车辆的相对较多的检测。然而，过程的结果是拟合边界盒，而没有精确的航向方向估计。然而，由于仅仅拟合边界盒(没有特定的运动方向)，导致取向模糊。另外，已经确定，与lidar或视觉传感器相比，多普勒雷达的相对较低的几何准确性通常使得形状和取向的空间分析不准确并且不稳健。

obb取向估计算法

存在用于估计针对空间分布点的边界盒的取向的若干不同的算法。它们通常基于笛卡尔坐标系中的检测的几何对齐。其中一些是l-拟合或霍夫变换。

云算法

已经考虑了直线移动分布式目标的情况。这种限制简化了估计问题，因为每个原始检测的位置处的速度矢量是相同的，即：

vt,i＝[ut,ivt,i]^t＝[utvt]^t＝vt其中，i＝1,…,m

云算法(ca)能够估计来自同一目标的检测的“云”的对地横向速度vt和纵向速度ut。

这可以通过对问题的最小二乘解来实现，定义如下：

该算法将是用于瞬时估计目标速度的非常有效的技术。

此外，在可忽略的侧滑的额外假设下，角度

可以用作估计目标航向。

考虑了针对直线移动物体的横向速度的估计的同一问题和同一理论基础。作者通过以下方式提出对云算法的增强：执行ransac算法以识别异常值，执行正交距离回归(odr)以解决针对原始问题的修正公式的变量带误差问题。与原始的云算法解相比，这种改进的算法提供了改进的稳健性。计算复杂性和解决优化问题的要求是所提出的方法的主要缺点，尤其是当要考虑生产嵌入式系统中的应用时。此外，偏航目标可能会导致严重的扰动和航向估计中的重大错误。

发明概述

本发明的贡献包括：使该应用能够作为针对扩展目标的取向的瞬时伪测量；自适应选择最可靠的取向估计的算法；以及基于已经估计的取向的质量有条件地执行新方法。

该方法有条件地提供了当一些初始取向角候选对象可用时对象的瞬时取向估计，并且允许改进偏航目标的取向/航向估计。该方法(与云算法相比)可以使用车轮自旋检测(来自旋转目标对象的车轮的反射，其距离变化率可以与车身反射的距离变化率显著不同)。该方法可以评估多个取向候选对象，包括来自预处理的初始猜测。该方法可以通过成本函数参数进行校准，并且原则上不需要过滤/跟踪。该方法不依赖于任何目标运动模型，并且由于其低计算复杂性而适用于生产嵌入式系统中的应用。该方法可以立即用于最先进的短程雷达以用于估计低距离(长达约40米)的对象。原则上，该方法可用于lidar系统。

具体实施方式

现在将参照图4至图13来描述本发明的方法，因此以下呈现基于几何的取向确定过程的步骤。

步骤1

在初始步骤中，关于目标车辆获得包括适时的检测点的原始检测数据。这些数据可以通过主车辆上的车载雷达或激光雷达系统获得。图4示出了由位于坐标系的原点的主车辆11检测到的来自目标车辆的点数据检测10的示意图。在该步骤中，原始检测数据(表示假设在所述目标车辆的外周长上的检测点)因此是属于目标车辆的点检测。所以这种方法可以使用技术来识别可能属于同一车辆的集群点检测。因此，该图示出了该方法所使用的并且可以由主车辆从本领域已知的雷达系统获得的原始数据。

所以原始数据提供点检测。应注意，原始检测可以是从点检测到主车辆的(径向)距离r的参考，并且获得相对于主车辆的点检测的方位角θ。所以换句话说，在瞬时的时间点，配备有雷达系统的主车辆发出雷达信号并接收被识别为来自同一目标的反射点检测数据。可以使用已知的集群算法。所以原始数据是假设来自刚性分布式目标(诸如车辆)的点检测的笛卡尔坐标或极坐标。

步骤2

假设或确定至少一个初始取向估计。这可以例如从其它算法(诸如上述的云算法或任何跟踪算法)导出。所以换句话说，可以运行例如基于几何的取向算法以提供初始取向估计或初始参考角β。在示例中，可以存在一个以上的初始取向估计/取向角。可以存在确定可用检测的数量是否高于可校准阈值或者取向的初始估计是否未被验证为足够可靠的可选步骤。初始取向或参考角将被称为β，如图4所示。

步骤3

这里制定了一个矩形边界盒，其最终相对于局部坐标系定向。

该过程包括根据点检测和假设的航向角β确定相对于目标车辆的边界盒12。这可以假设车辆是一个矩形边界盒，并且可以从那些位于末端的检测点导出。因此制定矩形边界盒，使得边界盒的两侧13、14平行于参考角绘制，并且两侧(15、16)垂直于参考角绘制，并且使得这些侧经过末端上的检测点；换句话说，所有的检测要么在边界盒侧上，要么位于边界盒内。因此，至少一个不同的点检测将与边界盒的每一侧重合，并且所有点检测都位于边界盒上或包含在边界盒内。

应注意的是，边界盒的两侧14和16是可见的，它们离主车辆最接近(有效地可见)并且在图5中用粗体绘制。在该示例中，这两侧是底侧和右侧。这一点很重要，稍后将会清楚。图5示出了相对于点检测和方位角β绘制的边界盒。

因此，点检测用于制定随后与局部坐标系对齐的边界盒，其中，y轴和矩形的两侧沿参考角的方向对齐，如图6所示。在图6中，点检测被称为a1、a2、a3、a4、a5、和a6。局部坐标系的原点可以使得确定最接近主车辆(a2)的点检测(该点在图5中示出)。穿过该点以参考角绘制一条线标记为y轴。结果如图6所示。

因此，总的来说，该步骤涉及边界盒的形成和至(基于原始航向/取向)沿着参考角定向的局部对象坐标系的变换(检测的x位置和y位置)，并且具有例如在最近的检测中的原点。因此，图6示出了该步骤的结果，并示出了直接在y轴上的取向角以及与此对齐的点检测。如图中所提到的，局部坐标系中点检测a2是原点，尽管任何点都可以作为原点。主要的是点检测沿最初计算的参考角对齐。

因此，总的来说，图6示出了通过将边界盒布置成与坐标系的x轴和y轴对齐绘制关于检测的局部坐标参考系以使得边界盒的侧平行且垂直于x轴和y轴，并且原点贯穿最近的检测-所以前边界和后边界平行于局部坐标系的x轴，并且盒的侧与y轴平行。因此，y轴以参考角β定向。根据航向/取向的初始估计，将盒定位到局部坐标系并不是必须的，而是为了提高理解而这样进行。

步骤4

下一过程用于提供一系列取向候选对象(角度)，然后对其进行进一步处理/分析以找出哪个是最佳的；即，就可能是最准确的而言最适合的。因此，输出是通常称为γi(即γ1、γ2、γ3、γ4等)的一系列取向候选角度，其围绕初始取向候选对象略微变化。方法的任务是确定这些候选取向角并选择最可能的取向角，即，基于点检测的分布最有可能成为精确角的取向角。图4中示出了这些候选角。

回到图6，针对位于边界盒的边上的多个的每个点检测重复以下过程；优选针对这些点检测中的每一个，这可以优选地仅相对于可见边进行，即，相对于主车辆的边界盒的可见侧(即，14和16)上的点检测。

因此，可以选择在边界盒的(例如可见的)边上的每个点检测。在图6中，存在点a1、点a3和点a6。在图6中，可见侧(边界盒的边)用附图标记14和164标记，并且其中，只选择位于可见边上的点，因此，将是右手侧(可见边界14)上的点a3和在底侧(可见)边界16(表示目标车辆的后侧)上的点a1。

在下一步骤中，针对从上述步骤确定的每个所选择的点检测(因此，针对a1、a3和a6)，穿过每个所选择的点并平行且与点所在边界/边重合的线围绕所选择的点顺时针和逆时针摆动(旋转)，直到线遇到另一点检测。然后，标记该线摆动的角度(通过它移动到达该点)，并称为调整角δi并且形成候选航向角γi的基础。因此，候选航向角γi是β+δi，其中i＝1至m，其中m是从过程中获得有效值的次数。应当注意，δi的值可以根据旋转是顺时针或逆时针而是正值或负值。

因此，对于点a3，与边界平行并且与其所在的边界(在该情况下是右手边界)重合的线17逆时针旋转直到它到达，即它与下一点检测重合。在这里，线17(相当于扩展边界线)逆时针旋转-边界线遇到的第一个点(类似于雷达扫描仪屏幕)为点a5。这在图7中示出，并且示意性地在图8中示出角δ。其逆时针移动的角是δa6，例如，可以是3度，这可以被视为δ1。因此，到达检测a5得到的角调整是最小的，并且因此，其导致针对右边γ1的逆时针旋转考虑的取向校准候选对象，其为β+δ1(或β+δa6逆时针方向)，其中δ1为负值(逆时针)。重复该过程，这次围绕点a3顺时针移动线17。然而，应注意的是，在线17到达下一个点a1/a2之前，顺时针旋转必须通过非常大的角。出于这个原因，该过程可能会有一个最大角(约10度)，所以大于该最大角的角度或者取向可以忽略。因此，在这种情况下，该角足够大，使得针对点a3的过程的这部分结果因此仅是δ1，其实际上是对参考角进行调整以找到取向角(候选对象)。可能的是，关于点a3找到调整角δ(通过顺时针和逆时针旋转找到)的两个值δ1、δ2，这两个值δ1、δ2小于阈值。可以仅使用具有最低值的调整角。结果是，针对每个点，可能导致δ的0、1、或2个值。然后，针对点a1和点a6重复该过程。如上所述，该过程可以优选地针对仅位于可见边上的点执行-在这种情况下为a1和a3。

因此，点a1也在边界上并且所以通过此点并与边界平行的线以逆时针方向绕点a1摆动，直到其到达下一个点检测，该点检测将是a2。所以再一次，将角旋转标记为δ2。再一次，针对线顺时针旋转重复这个过程，其将到达的第一个检测将是点a6-然而，这需要大于最大阈值的较大旋转并且因此结果将被忽略。

该过程也可以针对a6重复。

作为该过程的结果，对于边上的每个点，针对初始航向候选对象确定一系列校准或调整角δi。然后，分析这些调整角i(有效地表示取向候选对象γi＝γ1、γ2、γ3、γ4等)以检测最可能是最准确的角。这可以通过几种方式来实现，如将在后面说明的。

因此，该过程另选地被描述为针对(例如，优选为可见的)边界上的每个点检测，使与所述点重合的线(以及与相应边重合的延长线)围绕所述检测顺时针和逆时针旋转，以找出调整角δ，该调整角δ是来自对齐的坐标系中适当检测子集的最小方位；针对每个可见边，通过顺时针和逆时针旋转参考角直到它遇到与该对象相关联的检测组内的另一检测。该步骤的输出给出了候选取向角的多个值。

步骤5

如上所述，然后在分析中使用(有效地表示取向候选对象γi，即γ1、γ2、γ3、γ4、...)的调整角δi(即δ1、δ2、δ3、δ4、...)来检测最有可能成为最准确的取向候选对象。这可以通过几种方式来实现，如将在后面说明的。

本质上，在该步骤中，可以选择具有最低成本(其是成本函数的结果)的候选取向角或δ的值。因此，针对上面找到的每个候选取向，必须确定成本函数，并且具有最低成本函数的成本函数被认为是该对象的最终取向估计。成本拟合分析可以以各种方式执行，但是可以有效地确定检测点符合具有位于盒上边界上的点检测并且其取向与取向候选对象对齐的车辆或矩形的良好性。

成本拟合分析的一些示例将在后面说明。

此外，如果不符合特定标准，可能会对其值被忽略的δi/γi的值进行合理性检查。因此，候选对象可被认为是不合理的，即从参考角得到的偏差δ高于某个阈值，或沿着候选取向对齐的(如后面说明的)修改的边界盒的尺寸超过最大合理尺寸。

这些条件可以实现为二进制可信门或作为候选评估成本函数中包含的附加因素。

修改的边界盒

在选择δi(因此δ1、δ2、δ3等)的哪个值是最好的并因此哪个取向候选对象γi(因此γ1、γ3、...)是最可能是准确的一些方法(成本函数)中，需要制定修改的边界盒。

该角δ被用来重新制定修改的边界盒18，如针对δ1在图9中示出的。这里，根据先前的步骤的结果来制定新的矩形边界盒18，其中，先前边界盒的边围绕调整角旋转。因此，在针对角δ1的示例中，通过围绕点a3逆时针旋转右手边找出新的边界，该边界以角δ1绘制到坐标系，使得右手侧(可见边)现在与点a3和点a5重合。剩下的盒边与边界盒的这个新边垂直并平行，即分别与角δ1垂直和平行。新的边界盒可以用各种方式制定，但重要的是边现在与角δ1垂直和平行。可以重新绘制边界盒，使得边封装所有的点检测，其中在末端的点检测与新的边界盒周边(侧)重合。换句话说，所有的检测点都位于侧上或重新制定的边界盒上或者包含在其中。因此，至少一个不同的点检测将与边界盒的每一侧重合。在图9中示出了通过线17绕a3逆时针旋转直到其到达a5找出相对于δ1的新制定的边界盒的示例。

候选对象的选择和成本拟合分析

如上所述，在识别出有效取向候选对象δi/γ之后，可以给它们中的每一个分配拟合值的成本。用于计算该值的成本函数取决于设置的标量因子(或度量标准)。可以使用一个或更多个参数。以下详细描述可用于上述步骤5的成本拟合方法。

a)在一个简单的方法中，确定航向候选对象γi与参考角β的偏差并选择最小的，换句话说，利用相应的候选取向角γi选择δi的最小值。

b)在一个示例中，成本拟合是根据点检测和新的/修改的边界盒的新边界的考虑来确定的。图10示出了修改的边界盒，其中点检测a1、a2、a3、a4、a5和a6来自上例。这里除a2和a4之外的所有检测都位于修改的边界盒边上。

因此，这里从不在边界/边(即a2和a4)上的点到边/边界的最短距离被确定和相加。选择总和最低的情况(候选取向角)。这些距离分别示出为da2和da4。因此，这里的成本函数是(da2+da4)；最低的被选中。

自然地，这个总和或成本函数越低，点检测对齐得越多，以符合矩形车辆的边检测。需要指出的是，在实际实现中，只有少数几点会出现在新的边上，而大多数则不会。所以换句话说，点检测到边界盒的距离的累积距离越小，盒与点的拟合越好，并且候选对象越好，即所确定的取向候选角可能对应于在现实世界中的取向。因此，这种方法是基于从每个检测到边界盒的最近边的累积距离来确定的。

c)在另一步骤中，确定所得到的修改的边界盒的面积。因此，对于δi的每个值(和相应的取向候选对象)，考虑相应的修改过的边界盒面积。最好的候选对象是导致最小边界盒的那个。

d)在成本拟合分析的另一示例中，在每种情况下，确定盒或线17绕其旋转的检测(图6中的检测a3)到限定取向候选对象的检测(图6中的检测a5)的距离。选择具有最大值的这些候选对象。这是因为更短的距离更差-它可能会增加角度更新的不稳定性-较小距离有时意味着较大角。

一般来说，与取向候选对象对应的特定拟合成本可以计算为：成本＝cx，其中：c-是分配给每个因子的非负权重的水平向量；x-是以标量表示的非负因子的竖直向量。(例如，来自上述列举的成本拟合方法a)、b)、c)和d)的选择因子)。在更先进的解决方案中，cx项可以用更复杂的非线性函数(例如，s型函数)代替。这种增强允许表示类似于神经网络应用中使用的更错综复杂的特征表示。使用这些函数的目的是以受控(有界)方式影响拟合成本，或者表示没有尖锐约束的对象的特征(如宽度或长度)。然后，成本函数可以表示为：成本＝f(x)其中：f(x)-可以是x的任意度量。

根据校准，初始取向估计(参考角)本身可以被视为取向候选对象。

示例

根据在单个时间实例中捕获的一组检测产生伪测量的列表的方法被实现。在这个应用中，gbo使用来自云算法的速度角估计和相关跟踪对象的航向估计作为参考角。该过程如图11所示。在步骤s10中，过程开始。在步骤s11中，利用航向候选对象重置阵列。在步骤s12中，确定是否存在有效的速度角。如果不存在，则该过程进行到步骤s18。如果存在，过程移至步骤s13、s14、s15、s16、s17和s18，这些步骤是：对齐检测、找出航向候选对象、评估拟合成本、找出最低的拟合成本(＝速度角的拟合成本)、确定最佳航向候选对象(速度分布图)、以及分别评估航向候选对象。在过程进行到步骤s19之后，确定是否存在关联的跟踪器对象的有效航向角。如果不存在，则该过程进行到步骤s23。如果存在，则该过程移至步骤s20、s21和s21，这是对齐检测的角度的步骤；找出航向候选对象，并且评估航向候选对象。然后，该过程移至最后的步骤s22。接下来概述了oh特征中应用的基于几何的取向算法。该算法使用速度角和跟踪器航向作为参考角来识别校正候选对象。在图7中，介绍了gbo算法的实现的高级别描述。

详细描述了算法的图12和图13的具体步骤。图12示出了选择取向校正候选对象的过程。该过程开始于步骤s20并且移至步骤21，在步骤21中，确定原始边界盒的右侧是否可行。如果是，则该过程移动至步骤s22和步骤s23，其中，分别地一边s22是在右侧顺时针旋转并且s23是在右侧逆时针执行旋转。然后，方法移至步骤s24。如果在步骤s21中答案为否，则过程移至步骤s25，其中，确定原始边界盒的左侧是否可行。如果是，则该过程执行步骤s26和步骤27，它们执行左侧顺时针旋转和执行左侧逆时针旋转。

此后，该过程移至步骤s24。在步骤s24中，确定前边界是否可行，如果是，则该过程移至步骤s25和步骤s26，它们执行前侧顺时针旋转和执行前侧逆时针旋转。然后，该过程在步骤s30结束。如果不是，则该过程移至步骤s27，在步骤s27中，确定原始边界盒的后边界是否可行。如果是，则该过程移动至步骤s28和步骤s29，分别在各自侧(后边界)执行逆时针方向和顺时针方向的旋转。如果是，该过程执行步骤s26和s27，它们执行后端顺时针旋转和执行后端逆时针旋转。

图13示出了评估取向候选对象的方法步骤。该过程开始于s31，并且在步骤s32，(沿着航向候选轴)对齐检测。在接下来的步骤s33中，评估该航向候选对象的成本函数，并且该过程移至步骤s34，在步骤s34中，确定当前的拟合成本是否小于最低拟合成本。如果否，则该过程在步骤s35结束。如果是，则该过程移至步骤s36和步骤s37，其中，最佳航向候选对象被设置为当前航向候选对象，并且最低拟合成本被分别设置为当前拟合成本。

对方法有许多可能的改善来改进它。在测试方法中，使用从每个检测至改善的边界盒的最近边界的累积距离、得到的改善边界盒的面积和航向候选对象与参考角的偏差来执行拟合函数的成本。可以使用更多的因素来提高航向校正的准确性。如果参考航向与这些信号的不确定性一起发生，则可以执行该不确定性的传播并用于更精确的航向估计。可以应用更多的先进过程来推导航向候选对象，例如：使用多于一个边界检测作为旋转点。更多的先进过程可以应用于边界盒对齐的优化，这将使用更多的步骤和航向的假设。(例如：考虑检测水平的不确定性)。基于fov(视场)中的位置的长度和宽度分析。检测车轮(车轮自旋检测)，并利用这些知识确定目标汽车的更精确的位置。假设目标对象是对称的，并从可见侧检测投射不可见侧。