用多个传感器进行位置追踪的制作方法

1.示例涉及用于追踪对象的方法和设备。


背景技术：

2.对象追踪正在许多领域中找到应用，用于许多目的，诸如追踪目标、运动感测和手势感测。


技术实现要素：

3.在本文中公开了追踪方法和用于追踪的设备，其可以提高在具有挑战性的条件下的追踪准确度，诸如当测量信号较弱、丢失或有时是虚假的时。
4.公开了一种追踪对象的方法，包括：基于对象的状态预测对象在全局坐标空间中的预测状态；在局部坐标中确定预测状态；用第一雷达传感器和/或第二雷达传感器确定对象在局部坐标中的多个测量值；确定预测状态和多个测量值在局部坐标中的匹配以获得匹配结果；基于匹配结果来更新对象的状态x。第一传感器和第二传感器可以沿着在全局坐标空间的原点处相交的垂直线。在本文中公开了一种设备，包括被配置为执行该方法的处理器。
附图说明
5.装置和/或方法的一些示例在下面将仅通过示例的方式并且参照附图描述，其中：
6.图1图示了追踪对象的方法；
7.图2图示了追踪方法200；
8.图3图示了设备300；图4a图示了坐标空间；
9.图4b图示了状态；
10.图5图示了匹配的框图；
11.图6图示了追踪方法的框图；
12.图7图示了追踪对象的方法的循环；
13.图8图示了追踪对象的方法的循环；
14.图9图示了数学操作和定义；
15.图10图示了示例的数据；
16.图11图示了示例的追踪器输出；以及
17.图12图示了示例的归一化创新平方度量。
具体实施方式
18.各种示例现在将参照其中一些示例被图示的附图来更全面地描述。在附图中，为了清楚起见，线、层和/或区域的厚度可以被扩大。
19.因此，尽管其他示例能够进行各种修改和备选形式，但是其一些特定示例在附图中示出并且随后将详细描述。然而，该详细描述不将其他示例限于所描述的特定形式。其他示例可以覆盖落入本公开的范围内的所有修改、等效物和替代方案。在整个附图的描述中，相同或相似的数字指代相似或类似的元素，当彼此比较时，可以在提供相同或类似功能性的同时以相同或修改的形式实施。
20.图1图示了追踪对象的方法100。追踪对象的方法100可以包括基于对象的状态(诸如对象的先前状态)预测110对象在全局坐标空间中的预测状态(例如后续状态)。方法100还可以包括在局部坐标 (例如由传感器使用的坐标)中确定120预测状态(例如通过将坐标 120从用于预测对象状态的全局坐标变换为局部坐标)。方法100可以包括利用包括第一雷达传感器和第二雷达传感器的多个雷达传感器确定150局部坐标中的对象的多个测量值。具有多个传感器，特别是针对放置而优化时，可以辅助减少盲点和/或对象在追踪设备的视野之外的区域。备选地/附加地，当传感器中的一个传感器丢失信号和/ 或产生虚假数据时，多个传感器可以允许与对象的状态(例如位置和/或速度)相关的持续数据采集。
21.特别地，设想具有恰好两个传感器，诸如两个雷达传感器。两个传感器可以允许冗余和/或改进的视野覆盖范围，同时保持较低的计算成本。(例如具有多个传感器的)冗余可以辅助在对象掉出传感器中的一个传感器的视野时继续进行追踪。例如，当对象在第一传感器的视野之外时，第二传感器可能能够继续采集数据以确定对象的测量值。
22.例如，计算机处理器可以被用于预测110对象的状态，诸如对象的位置和速度。该预测可以基于无迹卡尔曼滤波器。预测可以使用全局坐标进行，这可以辅助将对象的参数化状态用于其他应用和/或减少计算成本，特别是在使用多个传感器来确定对象的测量值时。
23.变量的变换可以被执行120，诸如以辅助将预测110中所使用的参数与可从传感器确定的测量值进行比较。对象的预测状态可以与测量值进行比较，以确定预测状态和测量值之间的匹配和/或关联130。对象的状态可以基于匹配来更新140。传感器可以被配置为从对象、包括对象的场景和/或对象的可标识标志收集数据和/或确定150测量值。
24.方法100还可以包括在局部坐标中确定130预测状态和来自传感器的多个测量值的匹配，以获得匹配结果。匹配结果可以是全局成本，诸如全局标量值，其可以确定测量值与预测状态、状态轨道、和/或活动轨道之间的关联。全局成本和/或全局成本函数可以估计测量值与预测状态之间的关联程度。备选地/附加地，匹配结果(诸如全局成本等) 可以估计测量值和对象的轨道之间的关联程度，例如在进行测量(例如当前测量)之前可能已经确定的对象的状态序列。
25.方法100可以包括基于匹配结果更新140对象的状态，例如全局成本和/或全局成本函数。匹配确定130和/或匹配结果可以基于匈牙利二分匹配算法。
26.匈牙利二分匹配算法可以确定所确定的测量值150与(多个)现有轨道和/或(多个)预测状态之间的分配、关联、相关性和/或相似性。(多个)现有轨道可以包括预测状态。
27.匹配结果可以基于全局成本和/或gcf，例如最大或最小gcf。全局成本可以通过匈牙利二分匹配算法来确定，诸如使得(多个)测量值与(多个)现有轨道和/或(多个)预测状态之间的1:1匹配被确定。备选地/附加地，匈牙利二分匹配可以确定测量值和轨道的匹配，包括在测量之前的时间已经确定的对象的至少一个状态。
28.图2图示了追踪方法200。图2中图示的方法200可以与图1所示的方法相当。图2示出了方法200可以包括预测210对象的状态，变换220对象的状态(例如从全局变量到传感器的局部变量)、匹配 230、232和更新230、240。方法200可以包括确定250来自多个传感器的测量值，诸如来自第一传感器的(多个)第一测量值和来自第二传感器的(多个)第二测量值。每个传感器可以在匹配130、230、 232之前确定250零个或多个测量值。图2所示的方法200在存在各自具有独立噪声的多个传感器时可能特别有利。利用图2所图示的方法，不同步的传感器可以辅助准确追踪，例如利用从传感器按顺序收集的测量值。
29.在示例中，至少一个传感器被用于在匹配步骤230、232之前确定250多个测量值。在匹配步骤230、232之前，可能只有传感器中的一个传感器提供数据以确定150、250任何测量值250。例如，每个传感器可能能够被用于确定多个测量值。来自每个传感器310、320 的可确定的测量值150、250可以是以下项中的至少一个：范围(例如距离)、方位角、仰角、极角和径向速度。角速度可以备选地/附加地是可确定的。
30.例如，在异步方法中，使用传感器310、320中的任何一个(诸如传感器中的至少一个)确定测量值150、250可以触发方法100、200 的循环，如本文参照图1和/或图2解释的。测量值150、250的确定 (诸如基于由传感器310、320接收的雷达脉冲反射的测量值)可以提供用于更新140、240、242对象的状态的数据(例如对象位置和/ 或速度)。例如，测量值150、250可以至少触发匹配130、230、232，并且还可以至少间接地触发(多个)预测110、210、(多个)变换 120、220和更新140、240中的至少一个。
31.例如，多个测量值的确定150、250可以触发匹配130、230、232，其之后是更新140、240(可能在另一预测和/或该方法的后续循环的后续测量之前)。
32.如图1和图2中的每一个所图示的，匹配130、230、232和更新 140、240、242可以按顺序执行(诸如以图1和/或图2所示的顺序)。参照图2，例如预测状态和(多个)第一测量值的第一匹配230被确定，并且预测状态和(多个)第二测量值的第二匹配232被确定。更新可以包括第一更新240和第二更新242。第一更新240可以发生在第一匹配230和第二匹配232之间。第二更新242可以在第二匹配232 之后确定。这种序列可以允许异步追踪；备选地/附加地，当来自传感器中的一个传感器的测量值是虚假的或丢失时，这种序列可以辅助于准确地更新对象位置。
33.例如，测量值和状态之间的匹配可能可以被排除(例如当(多个) 测量值是异常值和/或(多个)测量值未被确定时)。采用恰好有两个传感器的说明性示例，参照图2：测量值由第二传感器320确定250；第一匹配230没有用于确定匹配的第一测量值；第一更新240可以将对象的状态设置为等于预测的状态(其可以与上次更新的状态保持不变)；如图2所示，通过确定232来自第二传感器320的测量值与确定210的预测状态之间的第二匹配，该方法继续；然后第二更新242 可以基于从第二传感器320确定232的匹配结果和预测状态而发生。在这种情况下，第一更新240可以将对象的状态设置为预测状态和/ 或先前状态(例如先前在方法200的紧接之前的循环中更新的状态)。
34.如所建议的，图1和图2可以各自图示相应追踪方法100、200 的单个循环，其中该方法的多个循环被执行。例如，随着至少一个传感器的测量值150、250的每次连续确定，对象的状态基于预测110、 210、变换120、220和(多个)匹配130、230、232而更新。例如，在其中测量值150、250从至少一个传感器(可能从多个传感器)确定的持续时间之后，对象的状态
基于预测110、210、变换120、220 和(多个)匹配130、230、232而更新。在更新140、240、242之后，后续测量值可以被确定150、250，并且使用上次更新的状态作为在后续循环中要更新的状态，循环可以重新开始。
35.该方法可能基于时钟，和/或随时间有规律地重复。方法100、200 的每个循环可以以定期间隔重复。例如，传感器可以在持续时间内收集数据，此该持续时间之后，预测110、220、变换120、220、匹配 130、230、232和更新140、240、242被完成。持续时间可以是恒定的或变化的。持续时间可以例如由设备300的处理器390以取决于对象的状态的方式(诸如其速度(例如线速度和/或角速度))而改变。例如，当有n个传感器时，在持续时间内，m个传感器(m≤n)可以获取数据(从该数据而确定250测量值)；在这种场景中，可能有 m个匹配确定230、232和m个更新240、242。
36.本文描述的方法100、200可能可以与多个n个传感器一起使用。 (多个)测量值可以从n个传感器中的至少一个确定150、250。匹配的确定130可以用整个多个测量值或其任何部分来完成。如图1所图示的，单个更新可以在匹配之后确定130。如图2所图示的，针对 n＝2，可以存在匹配确定230、232和更新240、242的序列，使得在匹配针对第n个传感器确定之后，第n个更新被确定。还可能的是，随着每次数据采集、测量确定和/或从n个传感器中的一个传感器向处理器传输数据，匹配过程被触发。与图1一样，可以有一个更新140，它基于来自n个传感器中的一个传感器的(多个)测量值。
37.在每次更新之后，追踪方法100、200可以以循环形式继续(参见图1和图2)，诸如当(多个)新的测量值被确定时，或者在其中测量值被获取或确定的持续时间之后；和/或使用自(多个)先前测量后确定的(多个)测量值。方法100、200的每个循环可能有助于确定至少一个对象的轨道(例如状态序列)。方法100、200也有可能确定多于一个轨道，例如当多个对象被追踪并且每个对象具有一个轨道时，以及当对象的特征被追踪并且每个特征具有一个轨道时。
38.图3图示了设备300，诸如个人电子设备和/或其部件，诸如印刷电路板组件(pcb组件)。设备300被配置为根据本文描述的方法 100、200追踪对象。设备300包括处理器390，其可以被通信地耦合到多个传感器310、320，诸如雷达传感器。特别设想具有恰好两个传感器。多个传感器包括第一传感器310和第二传感器320。第一传感器310和第二传感器320可以沿着在原点350处相交的垂直线330、 340(假想线)布置。原点350可以被用作全局坐标空间的原点，例如在基于对象当前和/或先前状态而预测110、120对象的预测状态中。
39.图4a图示了坐标空间。全局坐标空间450(gcs 450)可以具有原点350和定向，使得gcs的x-y平面对应于参考平面，诸如设备 300的平面335，诸如pcb组件或个人电子设备，诸如平板计算机和 /或智能电话。例如，图3的设备300在包括垂直线330、340的参考平面335处具有传感器310、320。第一设备310可以在第一线330 的点处。第二传感器320可以在第二线340的点处。垂直线330、340 的交点可以对应于全局坐标系450的原点350；并且线330、340可以定义参考平面，例如设备的参考平面335。线330、340可以分别对应于gcs的x轴和y轴。
40.如图3所图示的，第一传感器310可以在设备300的第一边缘311 处。如图3所图示的，第二传感器320可以在设备300的第二边缘322 处。第一边缘311和第二边缘322可以在设备的拐角333处交汇。
41.传感器310、320可以具有远离设备突出的视野，诸如沿着远离垂直线330、340的交点延伸的z轴，垂直线330、340可以分别被视为方向x 330和y 340。
42.传感器310、320可以被定向，诸如以补充每个传感器的视野以优化(例如最大化)设备300的视野。传感器可以使用局部坐标系，例如每个传感器使用局部坐标系。传感器可以分别在相应的局部坐标系中测量例如方位角和仰角。传感器310、320可以被放置为使得全局坐标空间450在参考平面(其可以对应于设备的平面335)的中心处居中(例如具有原点350)。垂直线330和340可以分别对应于全局坐标空间450的x轴和y轴。
43.将传感器布置为使原点350居中可以辅助追踪对象，诸如通过提供相对于设备定义的视野。设备的其他应用可以利用由追踪方法100、 200所确定的对象的状态。使对象的状态在诸如gcs 450等坐标空间中表达可能是有用的，该坐标空间被直观地对准和/或与设备定向。备选地/附加地，传感器310、320沿着垂直轴330、340的位置可以与原点350在中心的放置协同工作，以简化可以进行的(多个)坐标变换，以便有效地匹配基于传感器数据的测量值与预测状态。
44.同步传感器是可选的。本文描述的方法100、200的优点是追踪误差(诸如追踪损失)在具有挑战性的环境中减少，诸如当存在定时抖动时，诸如传感器之间的定时失配、系统抖动、单个传感器内的抖动和/或不同步的测量值。损坏的相位和/或测量值(诸如当对象落入特定传感器的盲点时)也可能具有挑战性(测量值丢失)。
45.每个传感器可能具有x、y、z(和/或r、θ、φ)局部坐标的集合。如图4a所图示的，第一局部空间410可以以第一传感器310为原点，并且第二局部空间420可以以第二传感器320为原点。局部坐标410、420和450的定向可以不同。例如，第二局部空间420可以例如围绕z轴从全局坐标空间450旋转一角度(诸如90
°
)，z轴远离 x-y平面延伸(x-y平面可以包括雷达接收器310、320和全局坐标空间450的原点350)。第二传感器320的定向可以沿着z轴从与全局坐标空间450对准起旋转一定角度。传感器310、320中的至少一个可以与全局坐标空间450至少部分地对准。
46.与图4a一样，第一局部空间410和全局坐标空间450的定向可以被对准(例如两个空间的轴中的每个轴是平行的，例如410的x轴沿着450的x轴，410的y轴沿着450的y轴，并且410的z轴沿着 450的z轴)。例如，从全局坐标空间450到第一局部空间410的变换(例如在第一局部空间410中确定120已经在全局坐标空间450中预测110的预测状态)可以通过预测状态的x分量的平移完成。如图 4中看到的，第一局部空间410和全局坐标空间450可以相同，除了沿着x方向的偏移。
47.要注意的是，传感器可以具有定向。例如，传感器输出可以包括方位角数据，该方位角数据可以相对于传感器的定向来表达。从gcs 450到局部坐标空间(例如第二局部空间420)的变换120、220可以包括平移和旋转。
48.如例如在图4a中针对第二局部空间420看到的，局部空间420 可以相对于全局坐标空间450旋转。例如，在第二局部坐标420中确定120、220对象的状态-在全局坐标空间450中最初表达(例如作为向量)的状态-可以通过平移和旋转来完成。例如，为了在第二局部空间420中确定120、220在全局坐标空间450中所预测110、210的状态：全局空间450中的状态的y分量可以被平移(例如在y中平移 gcs原点350和第二传感器320之间的距离)；并且状态可以被旋转 (例如围绕z轴逆时针旋转90
°
)。
49.例如，状态可以是向量，并且状态从全局坐标空间450到(多个) 局部空间410、420的变换120、220可以通过矩阵和/或多个矩阵来完成，例如通过矩阵操纵。
50.(多个)传感器310、320可以具有定向。例如，每个传感器分别使用定向的相应局部坐标空间410、420。传感器310、320可以是例如雷达传感器，和/或可以具有用于确定方位角和/或参考方向(例如x、y和/或z方向、和/或对应于0
°
的方位角和/或0
°
的仰角的方向)的定向。例如，传感器310、320可以在设备300中定向。例如，传感器在xy平面中。备选地/附加地，第一传感器310被对准，使得其0
°
方位角相对于第二传感器320的0
°
方位角以已知角度定向。已知角度可以是90
°
，例如使得第一传感器310沿着x方向330对准并且第二传感器320沿着y方向340对准。实际上，设备300可以是矩形的，因为这可以是针对消费者的设备的优选形状并且可以提供直观的界面。
51.传感器的有效性和/或效率可以取决于方向。例如，有效性和/或效率可以与雷达测量的准确性和/或增加的视野相关。传感器可能对检测对象和/或传感器的整个视野中一部分内的对象位置的微小变化最为灵敏。例如，传感器在0
°
方位角处具有最大灵敏度和/或有效性，并且方位角是相对于传感器本身的定向定义的。传感器的定向可以在设备上调整，以使传感器灵敏度和/或设备300的有效性和/或灵敏度最大化。设想传感器310、320被定向为在设备正前方的空间区域中 (例如朝向设备的中心)最大化有效性和/或效率，同时允许视野在所有方向上偏离设备的中心延伸，至少在设备的参考平面335前面的空间区域中。
52.使第一传感器310位于设备300的边缘311处可能是有利的，该边缘311垂直于x轴330，并且沿着面向gcs原点350的x轴330 定向以获得最大效率，并且第二传感器320在设备300的另一边缘322 上，该另一边缘322垂直于y轴330，并且沿着面向gcs原点350 的y轴340定向以获得最大效率，使得边缘311、322在设备300的拐角333处交汇。
53.备选地/附加地，(多个)传感器可以被校准以便确定(多个)传感器的定向。例如，在(多个)传感器被附接至设备、pcb板等之后，校准可以被形成以定义0
°
的方位角。如通过图3和图4的比较所图示的，特别设想第一传感器310和第二传感器320可以以矩形设备300 的相应相邻边缘311、322为中心，并且被定向为使得局部坐标围绕z 轴各自旋转90
°
。
54.可以方便地使用全局坐标空间450来预测110、210所追踪对象的状态，并且在匹配130、230、232之前将预测状态变换110、120 为局部坐标410、450。全局坐标空间450可以被用于预测和存储对象的确定状态。对象在全局坐标空间450中的状态可以由其他过程访问和/或用于其他设备功能性(例如用于追踪对象运动以确定输入信号，和/或在所追踪对象可能到达设备的视野极限时提供警告)。对象在全局坐标空间450中的状态可以被用于全局坐标空间450方便的其他目的。当空间450的原点靠近设备中心时，使用全局坐标空间450来描述所追踪对象的状态特别方便。
55.图4b图示了状态x。状态x可以是向量，诸如包括至少一个位置元素(x,y,z)和/或至少一个速度分量元素(x',y',z')的向量。例如，极坐标(r,θ,φ)和/或笛卡尔坐标(x,y,z)可以被使用。状态x可以包括径向速度，例如沿θ和/或φ。例如，状态x可以在任何空间中，诸如局部空间410、420或全局坐标空间450。变换(诸如通过线性方法)可以被用于改变坐标，例如将状态的表示从一个空间改变为另一空间和/或从一个坐标系改变为另一坐标系。
56.例如，在本文描述的追踪方法100、200中，在局部坐标410、420 中确定120、220预测状态可以包括：将对象的预测状态坐标变换为第一传感器310的第一局部空间410，并且
将对象的预测状态坐标变换为第二传感器320的第二局部空间420。例如，追踪方法100、200 的一些步骤可以利用从传感器310、320确定的测量值与预测状态x 之间的比较(例如匹配的确定130、230)。测量值可以各自在相应传感器310、320的局部空间410、420中确定。从全局空间变换坐标可以实现匹配和更新对象的状态向量。
57.如图1中可以表示的，例如追踪方法100可以在坐标变换120之后确定130匹配。坐标变换可以在全局坐标450中确定120预测状态 x之后进行。例如，对象的预测状态到第一局部空间410的坐标变换和预测状态到第二局部空间420的坐标变换各自可以在预测110全局坐标空间450中的预测状态之后并且在确定130匹配之前进行。
58.还可能的是，基于对象的(先前)状态的对象的预测状态的预测 110、210和在局部坐标410、420中确定120预测状态可以被组合。预测状态可以在与(先前)状态相同的坐标空间和/或系统中确定，诸如在全局坐标系统/空间中。例如，预测操作的适当修改的矩阵形式可以被使用。例如，预测状态可以基于追踪器的运动模型计算。此外，卡尔曼滤波器的观察和/或测量模型(例如矩阵形式h)可以包括坐标变换。预测状态可以在任意坐标系(诸如全局坐标空间)中确定。
59.图5图示了匹配500的框图。参照图5描述的匹配500可以被用于本文描述的追踪对象的方法100、200中，诸如在匹配130、230、232a预测状态和多个测量值的过程中。图5的匹配500可以是匈牙利二分匹配。匈牙利二分匹配可以包括用于优化节点匹配的算法，诸如第一组节点511、512、513和第二组节点521、522、523。
60.图5可以图示具有多个轨道511、512、513的示例，这些轨道可以被视为第一组节点511、512、513。测量值521、522、523可以被视为第二组节点521、522、523。匹配500可以确定轨道511、512、 513与测量值521、522、523的关联和/或对应光系。全局匹配(这可能有助于活动轨道和当前测量值之间的关联)可以在图5中表示。
61.也可以将追踪方法(特别是其匹配500)实施到单个轨道。对象可能有多于一个追踪特征。例如，对象的多个特征可以被标识和追踪。图5图示了具有多个轨道的情况，它可以表示追踪多个对象。备选地 /附加地，轨道511、512、513可以对应于对象的多个特征，而该对象的相应特征被追踪。
62.第一组节点511、512、513(例如状态、轨道和/或状态的分量) 可以在(例如给定时间的)第一帧510中。节点511、512、513可以对应于(多个)预测状态和/或(多个)被追踪对象的轨道，其状态被预测110、210和/或先前已知。图5示出了第二帧520(例如第一帧 510的后续帧)的节点521、522、523。第二帧520的节点521、522、 523可以对应于测量值，诸如从(多个)传感器310、320确定的测量值。本文描述的方法100、200中的匹配的确定130、230、232可以确定第二帧520的节点521、522、523与第一帧510的节点和/或轨道 511、512、513的匹配。例如，确定130、230、232可以评估测量值 (例如以节点521、522、523的形式)与节点511、512、513(例如状态、轨道和/或状态的分量)的关联和/或对应关系。
63.匹配500的确定130、230、232(诸如图5所图示的)可以在局部坐标410、420中匹配对象的预测状态和多个测量值。备选地/附加地，匹配500的确定130、230、232可以确定匹配结果，诸如全局成本最小值和/或全局成本函数gcf。gcf可以解决多个测量值与现有活动轨道(例如在给定帧中追踪的多个目标)之间的关联问题。例如，gcf可以确定全局成本和/或全局成本最小值。
64.匹配结果可以包括关于测量值和当前活动状态向量之间的相似性测量(例如增加的确定性)的信息，例如/基于510和520中的节点之间的全局最小马氏距离。
65.图5示出了中间结果511-21、511-22、511-23，它们被表示为将第一帧510的第一节点511连接至第二帧520的第一节点521、第二节点522和第三节点523的线。中间结果511-21、511-22、511-23被描绘为实线或虚线。
66.图5还示出了将第一帧510的第二节点512连接至第二帧520的第一节点、第二节点和第三节点(512-21、512-22、512-23)；以及将第一帧510的第三轨道513连接至第二帧520的第一节点、第二节点和第三节点(513-21、513-22、513-23)的中间结果。
67.中间结果511-21、511-22、511-23、512-21、512-22、512-23、513-21、 513-22、513-23中的每个中间结果可以各自基于评估第一帧510的每个节点511、512、513与第二帧520的每个节点521、522、523之间的关联、相似性和/或相关性来确定。
68.在图5中，确定的和/或最优匹配由实线511-22、512-23、513-21 图示。实线511-22、512-23、513-21可以指示中间结果，其指示这些匹配是准确的更大确定性。与实线511-22、512-23、513-21相比，剩余的虚线可以指示匹配的确定性相对较差。匹配结果、全局成本和/ 或gcf可以被确定，使得如图5的示例所示，当所有可能的匹配被考虑时，与任何其他节点相比，轨道511更有可能与节点522相匹配；类似地，轨道512更有可能与节点523相匹配；并且轨道513更有可能与节点521相匹配。
69.匹配结果可以通过评估第一帧510的每个节点521、522、523与第二帧520的每个节点521、522、523的关联来确定。
70.在图5中，每个节点511、512、513与每个节点521、522、523 之间的所确定的匹配被描绘为实线511-22、512-23、513-21。如图5 所图示的，虚线指示对关联、相关性和/或相似性的评估较低。图5 的示例可以表示匹配500，其确定节点521、522、523中的每个节点和相应节点511、512、513之间的1:1匹配。在图5的示例中，中间结果511-22、512-23和513-21的得分相对较高，并且剩余中间结果的相对较低的得分可能导致确定节点521、522、523和相应节点511、 512、513的匹配的匹配结果。
71.追踪方法100、200可以包括基于匹配结果更新140、240、242 对象的状态x。例如，匹配结果可以与阈值和/或可接受范围进行比较，以确定对象的状态如何更新140、240、242。例如，如果匹配结果高 (例如在(多个)测量值和预测状态之间存在相对较高的关联，诸如可接受的关联范围)，更新140、240、242可以是直接接受从测量值的对状态的更新。如果匹配结果相对较差(例如(多个)测量值和预测状态之间的关联相对较低，诸如超出可接受的关联范围)，则更新 140、240、242可以使用预测状态以用于更新(例如丢弃测量值并且仅基于预测以确定状态)。
72.如本文提及的，多个测量值可以由多个传感器确定，诸如第一传感器310和第二传感器320。匹配130、230、232的确定(诸如以图 5的匹配500的框图所图示的方式)可以利用来自第一传感器310的一组第一测量值和/或来自第二传感器320的一组第二测量值。
73.例如，追踪方法100可以是异步方法。来自任何传感器310、320 的任何测量值的确定150可以触发更新140。例如，传感器数据310、 320到处理器390的传输可以发起追踪方法100的循环，包括传输何时仅来自一个传感器。追踪方法100可以包括对来自任何传感器310、 320的每个数据传输重复该算法。例如，状态x随着测量值150的每次确定而更新。更新
140可以在传感器数据可用和/或被传输(例如到设备300的处理器390)时发生。当基于传感器310、320中的至少一个的(多个)测量值被确定时，可以发生更新140。
74.更新140可以包括基于本文描述的方法100改变状态x，并且可以备选地包括使状态保持不变，例如当虚假数据被确定时。例如，对象可能是静态的，并且预测的状态可能与初始状态相同(例如状态的变化未被预测到)；虚假检测事件可能触发测量，并且图100所图示的追踪方法被执行；并且更新140可以将对象的状态x设置为与预测状态和/或先前状态相同。
75.在另一示例中，匹配确定130、230、232可以包括：确定230预测状态和第一传感器310的多个第一测量值的第一匹配结果；以及确定232预测状态和第二传感器320的多个第二测量值的第二匹配结果。例如，每次更新以定期间隔发生，并且在每个连续间隔生成的传感器数据被用于追踪对象。
76.参照图2，匹配的确定可以包括预测状态和第一传感器的第一多个第一测量值的第一匹配230以及预测状态和第二传感器320的第二多个第二测量值的第二匹配232。更新可以包括在第一匹配230和第二匹配232之间完成的对状态x的第一更新240。第二更新242可以在第二匹配232之后完成，诸如在第二匹配232之后立即完成。
77.图6图示了追踪方法600的框图。用于实施该方法的设备可以具有多于一个雷达传感器，诸如恰好两个雷达传感器610、620。多个雷达传感器可以辅助减少信号丢失；例如当一个传感器丢失信号时， (多个)其他传感器可以继续提供数据以追踪对象。与更多的雷达传感器610相比，两个雷达传感器610可以减少计算负载，和/或可以显著覆盖期望的视野。两个或更多个单基地雷达传感器(诸如毫米波雷达传感器)被特别设想，它们可以用于短程应用。
78.如图6所图示的，追踪方法600可以包括测量循环(例如用于确定测量值)、融合阶段(例如用于预测110、210对象状态和/或坐标变换120、220)和自适应变化(例如用于匹配130、更新对象状态140、统计确定、和/或算法参数的调整)。测量循环(其可以对应于测量值 150、250的确定)可以将传感器数据从(多个)传感器传递和/或传送给处理器。备选地/附加地，传感器测量可以按顺序进行，并且与无迹卡尔曼滤波器融合。处理器可以确定状态，例如全局坐标空间中的 (多个)状态向量(例如全局状态向量的确定)。
79.在图6所描绘的融合阶段，坐标变换的确定可以被进行，诸如状态向量的旋转和/或平移以及(多个)状态的(多个)预测。例如，对象状态的预测可以利用扩展卡尔曼滤波器和/或无迹卡尔曼滤波器。自适应变化可以更新对象的状态以及卡尔曼滤波器的模型/参数。利用每个自适应变化(或确定状态没有变化)，归一化创新平方(nis)度量可以被确定。nis度量可以被用于确定更新的发生方式。nis度量可以被计算以检查下限和/或上限，诸如基于置信水平，例如所需的置信水平，以相应地修改可以被用于追踪器的预测和/或测量步骤的过程噪声q和测量噪声r。nis度量可以被用于平滑更新追踪器参数。
80.算法可以被微调，特别是在融合阶段使用的参数，诸如过程噪声 q和测量噪声r。过程噪声q和测量噪声r参数可以在循环结束时基于nis度量和置信区间(例如95％置信区间)计算。更新后的状态x、过程噪声q和测量噪声r参数可以在下一循环中使用。备选地/附加地，q和r可以在设备300被使用之前校准。例如，q和r可以被微调，以使nis和/或测量值在置信区间内。
81.本文描述的方法和设备可以使用假设和/或特征来操作，诸如以下至少一项：每个传感器的测量噪声独立于其他传感器的测量噪声；每个传感器对每个目标的状态估计对应于真实目标状态，误差可忽略不计；测量值，包括按顺序处理的非同步测量值。
82.图7图示了追踪对象的方法700的循环。该方法可以包括使用无迹卡尔曼滤波器确定710预测状态x_pred和协方差p_pred。在预测 710之后，可以有预测状态x_pred从全局坐标系到第一传感器的局部坐标的变换720。第一传感器的预测测量值z_1和对应的创新矩阵s_1 可以被确定720。
83.预测710和坐标变换720可以被组合在单个确定中。例如，当无迹卡尔曼滤波器被用于确定710预测时，运动模型可以被使用。观察模型h可以与测量步骤期间的坐标变换组合，以便实际测量值和预测测量值在状态更新之前进行比较。
84.在预测测量值z_1被确定之后，利用概率数据关联过滤器或使用匈牙利二分过滤器的匹配的确定730可以被执行。匹配确定730可以被应用以确定轨道的匹配，例如预测测量值z_1和第一传感器的测量值。接下来，可以有第一更新740，它可以确定状态x1和状态协方差p1，例如通过更新状态和协方差。
85.诸如当第一传感器测量值与预测状态的关联相对较差(例如超出第一更新确定的可接受范围)时，更新可以基于选择预测状态x_pred 作为更新状态x1(例如第一确定的更新状态，诸如基于来自第一传感器320的第一测量值)。在另一场景中，诸如当第一传感器测量值和预测状态的关联高度一致时，更新可以是来自第一传感器 z_associated的关联测量值。在另一场景中，更新状态x1可以是基于组合预测状态x_pred和第一传感器测量值的状态。组合(例如预测状态x_pred和进入更新状态x1的第一传感器测量值的相对权重)可以基于诸如(特别是测量噪声的)观察模型h_1和/或协方差r_1等无迹卡尔曼滤波器来确定。
86.该过程(例如上面直接针对图7和第一传感器测量值描述的)可以针对第二传感器测量值进行修改。该过程可以使用从第一传感器确定的更新状态作为初始状态x，如果适当的话变换坐标，确定匹配 750，并且更新760对象的状态。例如，如图7所图示的，预测710 可以每个循环进行一次，例如是否有来自无传感器、一个传感器或多个传感器的数据。
87.再次参照图7，有可能确定不存在来自第二传感器的有效关联(例如基于超出可接受范围的匹配结果)。在这种情况下，更新状态x2 (例如从状态的第二更新确定)可以被设置为先前更新的状态x1。备选地，如上面针对与第一传感器的测量值相关的确定的描述，对象的状态可以根据匹配来更新，例如确定在可接受范围内的匹配(诸如基于第二匹配结果)。在(i)预测状态x_pred和/或先前更新的状态 x1和(ii)来自第二传感器的测量值之间可能存在可接受的匹配。更新的状态x2可以是基于组合(i)先前更新的状态x1和/或预测状态 x_pred和(ii)来自第二传感器的测量值的状态。组合(例如第二传感器测量值和进入更新状态x2的预测状态x_pred(和/或第一更新状态x1)的相对权重)可以基于诸如(特别是第二传感器的测量噪声的)观察模型h_2和/或协方差r_2等无迹卡尔曼滤波器来确定。
88.该方法的循环还可以包括确定来自至少一个传感器的测量值。该循环可以被重复以便随时间追踪对象。
89.图8图示了追踪对象的方法800的循环。该循环还可以包括确定来自至少一个传感器的测量值。该方法可以包括使用无迹卡尔曼滤波器确定810预测状态x_pred和协方差p_pred。在预测710之后，可以存在预测状态x_pred从全局坐标系到传感器的局部坐标的(多
个) 变换820a、820b。图8可以图示恰好有两个传感器的场景。更多传感器是可能的。(多个)变换820a、820b可以确定每个传感器的预测测量值x_m1、x_m2，并且可选地确定(多个)预测协方差p_m1、 p_m2。变换820a、820b可以利用第一传感器的预测测量值z_m1、观察模型h1和噪声协方差r1，以及诸如第二传感器等其他传感器的预测测量值z_m2、观察模型h2、和噪声协方差r2。
90.第一传感器和其他传感器(诸如第二传感器x_m2)的预测测量值x_m1可以被确定830以用于例如使用匈牙利二分关联相关联的匹配。匹配的确定830可以使用从至少一个传感器(诸如从两个传感器) 确定的测量值来完成，如图8所示。匹配的确定830可以确定匹配结果，诸如以确定实际测量值和预测测量值之间的关联。
91.对象的状态可以在局部坐标空间中更新840、842，例如可以对在第一传感器的局部空间中表达的状态进行第一更新840，并且可以对状态进行第二更新842，诸如在第二传感器的局部空间中表达的更新。在追踪方法800的一个循环期间，更新840、842的数量可能至少与针对该特定循环的有测量值的传感器一样多。(追踪方法800可以包括多于一个循环)。
92.第一更新840可以基于以下至少一个：由匹配830为(多个)相关传感器确定的相关测量值(例如z_associated，诸如针对第一传感器)、与第一传感器测量和预测相关的创新矩阵(诸如第一传感器的 s1)、预测状态x_pred、预测协方差p_pred、与第一传感器h_1相关的观察模型、以及第一传感器r_1的噪声协方差。
93.第二更新842可以基于以下至少一个：由匹配为相关传感器确定的相关测量值(例如z_associated，例如针对第二传感器)、与传感器测量和预测相关的创新矩阵(例如第二传感器的s2)、对状态的先前更新(例如当已经有来自先前传感器的更新时的x1，在这种情况下先前传感器是第一传感器)、预测状态、预测协方差(例如当已经有来自先前传感器的更新时的p1，在这种情况下先前传感器是第一传感器)、与传感器相关的观察模型(例如第二传感器的h_2)、以及传感器的噪声协方差(例如第二传感器的r_2)。
94.本文描述的追踪方法可以辅助减少追踪损失，特别是当存在虚假和/或丢失的追踪信号和/或测量值时。例如，当一个传感器提供异常数据和/或对象离开一个传感器的视野时，来自(多个)其他传感器的测量值可能继续而足以进行准确追踪。本文确定的匹配可以允许确定和/或忽略异常测量值。
95.示例算法流程被提供，其中伪代码行被列举，并且参数azi和ele 分别指方位角和仰角：
96.1.如果(没有测量值)
97.2.(x,p)＝ukfpredict(x,p)
98.3.否则如果(azi＝存在,ele＝不存在)
99.4.(xpred,ppred)＝ukfpredict(x,p)
100.5.(x,p)＝ukfupdate1(xpred,ppred)
101.6.否则如果(azi＝存在,ele＝存在)
102.7.(xpred,ppred)＝ukfpredict(x,p)
103.8.(x,p)＝ukfupdate2(xpred,ppred)
104.9.否则
105.10.(xpred,ppred)＝ukfpredict(x,p)
106.11.(x1,p1)＝ukfupdate1(xpred,ppred)
107.12.(x,p)＝ukfupdate2(x1,p1)
108.13.结束
109.在本文描述的追踪方法中，如上面例示的，(多个)传感器可以各自例如针对追踪方法的每个循环提供方位角数据和/或仰角数据(或无数据)。与上面的示例伪代码一样，该方法可能不会改变对象的状态，例如当没有数据时(第1至2行)；例如预测可以基于无迹卡尔曼滤波器；该方法可以以取决于是否只有方位角数据(第3至5行)、只有仰角数据(第6至8行)或同时存在方位角和仰角数据(第9至 12行)的方式来更新状态。
110.图9图示了数学操作和定义。图9的操作和/或定义可以被用于本文描述的方法中。在左列中，存在为无迹卡尔曼滤波器定义的矩阵，其可以被用于状态预测。左列的顶部矩阵p可以表示最初预测的协方差。正如最初预测的那样，中间矩阵q可以是过程噪声协方差。f可以是状态转变矩阵和/或用于预测的运动模型。
111.图9的中间列图示了与坐标变换相关的操作，诸如针对沿着y方向距全局原点0.6个距离单位的传感器，否则与全局坐标对准(例如不需要旋转)。针对这种场景，变换矩阵r在中间列的顶部定义。中间列图示了可以从全局坐标转换为局部坐标，例如转换为测量空间 (可能相当于转换为局部坐标)，并且在笛卡尔坐标和极坐标之间进行转换(图9的中间列的底部)。在本文中，对象状态的坐标和/或空间变换被特别设想。
112.图9的右列图示了与坐标变换相关的操作，诸如针对沿着x方向距全局原点0.4个单位的传感器，并且还从全局坐标关于z轴定向旋转90
°
。针对这种场景，变换矩阵r在右列的顶部定义。否则，第三列类似于中间列，至少在可以从全局坐标转换为局部坐标的意义上说，例如转换为测量空间(可能相当于转换为局部坐标)，并且在笛卡尔坐标和极坐标之间进行转换。
113.图10至图12图示了示例，包括由传感器收集的数据(图10)、可以被视为通过追踪方法预测和/或确定的状态的追踪器输出(图 11)、以及方位角和仰角的归一化创新平方(图12)。图10至12 的帧可以被视为对应于追踪方法的连续循环。
114.图10至图12所示的示例可以突出本文描述的方法的一些特征。该示例是对追踪对象具有挑战性的一个示例，以辅助解释本文描述的方法及其优点。
115.针对图10至图12所图示的示例，对象在与设备的参考平面基本平行的平面中旋转，该设备在参考平面中有两个传感器。对象在距参考平面约1米处旋转。图10的左列示出了来自第一传感器的数据，并且右列示出了来自第二传感器的数据。来自传感器的距离和速度数据(图10)比角度数据(图10)更难解释。从方位角数据和仰角数据(图10)，对象的周期性运动可以更容易地被推断出。
116.叠加在方位角数据和仰角数据的周期性信号中的每个周期性信号上的是噪声、丢弃的信号(零点)。此外，对象的方位角和仰角测量值中的每一个看起来也周期性地超出传感器的范围，特别是针对第二传感器的仰角数据。比较方位角和仰角数据，推断出该示例的对象的周期性运动比第一传感器更经常超出第二传感器的范围(例如与看起来也被切断的方位角的波谷相比，仰角的波峰看起来被切断得更多)。从图10的数据还推断出，在大约帧号800处存在信号丢失。
117.图11图示了追踪器输出。与图10的测量值相比，追踪器输出(图11)的范围、方位角和仰角中的每一个的虚假数据点比测量值(图10) 少。例如，范围的状态变量(由追踪方法确定和/或循环更新)平均约为1米，并且没有示出在图10的范围测量值中看到的跳跃。追踪器的确定范围和来自(多个)传感器的数据的比较可以特别突出本文描述的追踪方法的能力，例如由于范围的追踪器输出(图11)比范围的原始测量值(图10)相对更平滑。
118.图11中看到的方位角状态变量(由追踪方法确定和/或循环更新) 缺少图10中看到的测量值下降(零点)。图11中看到的仰角状态变量(由追踪方法确定和/或循环更新)缺少图10中看到的测量值下降 (零点)。而且，状态变量方位角和仰角(图11)的波峰和波谷看起来不像方位角和仰角的传感器测量值(图10)那样被切断。
119.图12图示了方位角和仰角的归一化创新平方(nis)。例如，nis 可以被视为对偏见的测试。无迹卡尔曼滤波器具有可以微调、调谐和 /或调整以优化结果的参数和/或矩阵。nis可以被用于确定如何调整卡尔曼滤波器。卡尔曼滤波器参数可以在该方法的任何帧和/或循环之后调整。根据解释nis度量的几种方法中的一种方法，如图12所示，当预测状态和测量值的差异增加相对较大时，nis可以(在一些场景中)在几帧内急剧增加。例如，大约在第400帧处，方位角的nis示出尖峰(图12的左侧)。这个尖峰可以被解释为对应于从第400帧处的第一传感器的方位角测量值(参见图10)中看到的相对快速的角度变化。
120.从nis方位角的大约第500帧到第600帧也注意到nis中的一些尖峰(图12)。与方位角测量值的帧500至600相比(图10)，这对应于一般正弦测量数据的波谷被切断的位置(例如在第一传感器的视野的边缘或之外)。应当理解的是，仰角测量值(图10右下)比方位角测量值(图10左下)更平滑；这可以解释在图12中，nis仰角度量如何比nis方位角度量更平滑。
121.鉴于与图10至图12相关的以上示例，特别是结合本文中的方法的描述，诸如参照图1至图9，很明显，本文描述的方法可以辅助在存在挑战性环境的情况下追踪对象，诸如来自至少一个传感器的信号下降、虚假信号和/或对象在传感器的视野外的一段时间通过。
122.在本文中，传感器可以是雷达传感器，并且可以包括雷达接收器和雷达发送器中的至少一个。本文描述的追踪方法可以涉及所描述的过程和/或步骤的重复循环。在本文中，被追踪对象的状态可以被重复更新，诸如根据新的测量值和其他程序和/或步骤。例如，对对象状态的一系列更新可以被视为追踪和/或追踪过程的一部分。
123.在本文中，术语“全局坐标空间”可以与“全局坐标”互换使用。在本文中，诸如出现在“(多个)轨道”中的术语的尾端“(多个)”被用于指示术语中的至少一个，诸如“至少一个轨道”；尾端(多个) 可以被视为指示可能的多个。
124.在本文中，术语“融合”可以指基于先前状态、测量值(诸如来自传感器，特别是雷达传感器)中的至少一个来确定预测状态；例如融合可以指使用无迹卡尔曼滤波器、基于先前状态和多个测量值来确定预测状态。
125.在本文中，术语“匈牙利二分匹配”可以与“匈牙利二分关联”互换使用。本文描述的追踪可以在三维空间中进行。
126.在本文中，“节点”可以指例如：测量值；多个测量值；状态；状态的分量或子状态，诸如位置和/或速度；以及轨道。轨道可以是对象的一系列状态。状态可以是先前状态、确定状态、当前状态或未来状态；例如状态可以通过过程更新，该过程包括基于状态(例如当前或先前状态)来预测预测状态并且将该状态与测量值相匹配。在本文中，“现有轨道”可以是
包括至少一个先前状态的一个轨道，例如在多个测量值被用作匈牙利二分匹配过程中的节点之前的时间确定的状态，并且可以可选地包括预测状态。
127.在本文中，速度可以是角速度或线速度。在本文中，“变换 (transform)”和“变换(transformation)”可以互换使用，特别是指坐标变换。
128.在本文中，术语“测量值”可以指例如由传感器直接获得的数据、从传感器传输(诸如到处理器)的数据、由处理器使用的数据等；例如测量值可以是距离、方位角、仰角、角速度、径向速度、线速度、速度分量、位置、位置分量中的至少一个。测量值可以基于获取的数据来确定。在示例中，位置测量值可以根据范围和角度来确定。
129.在本文中，当元素被“连接”或“耦合”至另一元素时，这些元素可以经由一个或多个中间元素直接连接或耦合。在本文中，当两个元素a和b使用“或”组合时，除非另有描述，否则所有可能的组合被公开。“a和b”可以仅表示a，仅表示b以及a和b。加以必要的修正，这同样适用于多于两个元素的组合。
130.关于先前示例中的一个特定示例描述的方面和特征也可以与一个或多个其他示例组合，以代替该又一示例的相同或类似特征，或者附加地将这些特征引入该又一示例。
131.示例还可以是或涉及一种(计算机)程序，该程序包括当该程序在计算机、处理器或其他可编程硬件组件上执行时执行以上一种或多种方法的程序代码。因此，上述不同方法中的步骤、操作或过程也可以由编程的计算机、处理器或其他可编程硬件组件执行。示例还可以覆盖程序存储设备，诸如数字数据存储介质，其是机器可读的、处理器可读的或计算机可读的，并且编码和/或包含机器可执行、处理器可执行或计算机可执行的程序和指令。例如，程序存储设备可以包括或是数字存储设备、诸如磁盘和磁带等磁性存储介质、硬盘驱动器或可选地光学可读数字数据存储介质。其他示例还可以包括被编程为执行上述方法的步骤的计算机、处理器、控制单元、(现场)可编程逻辑阵列((f)pla)、(现场)可编程门阵列((f)pga)、图形处理器单元(gpu)、专用集成电路(asic)、集成电路(ic)或片上系统(soc)系统。
132.还应理解的是，描述或权利要求书中所公开的几个步骤、过程、操作或功能的公开内容不应被解释为暗示这些操作必定取决于所描述的顺序，除非在个别情况下明确规定或出于技术原因是必需的。因此，先前的描述并未将几个步骤或功能的执行限制为一定顺序。此外，在其他示例中，单个步骤、功能、过程或操作可以包括和/或被分解为几个子步骤、子功能、子过程或子操作。
133.如果一些方面已经关于设备或系统描述，则这些方面也应被理解为对应方法的描述。例如，设备或系统的框、设备或功能方面可以对应于对应方法的特征，诸如方法步骤。因此，关于方法描述的方面也应被理解为对应设备或对应系统的对应框、对应元素、特性或功能特征的描述。
134.以下权利要求由此被并入到详细描述中，其中每个权利要求可以独立地作为单独的示例。还应该注意，尽管在权利要求中从属权利要求是指与一个或多个其他权利要求的特定组合，但是其他示例也可以包括从属权利要求与任何其他从属或独立权利要求的主题的组合。除非在个别情况下规定不打算使用特定组合，否则在此明确提出了这种组合。此外，针对任何其他独立权利要求，权利要求的特征也应该被包括在内，即使该权利要求没有被直接定义为取决于该其他独立权利要求。