一种面向城市道路场景的车载雷达扩展目标关联方法

本发明属于汽车雷达，具体涉及一种面向城市道路场景的车载雷达扩展目标关联方法。

背景技术：

1、当前世界各国正积极推动车载高分辨毫米波雷达发展。随着毫米波雷达分辨率的提高，目标占据多个分辨单元，呈现为空间扩展的多散射点。为满足高精度环境感知需求，需要确定散射点与目标的关联关系，实现扩展目标的观测生成。在复杂城市道路环境下，面向车载毫米波雷达的扩展目标关联方法仍存在以下挑战。一方面，相较于激光雷达，毫米波雷达的散射点更稀疏，大型交通参与者在转弯时由于不同位置雷达速度各异，关联准确率下降导致目标分裂；另一方面，路面障碍物与交通参与者之间的遮挡频繁发生，遮挡造成目标信息的部分缺失，极大地降低了关联算法的性能，使得单个目标分裂或多个目标合并情况发生频繁。因此，需要一种能够适应复杂城市道路环境的扩展目标关联算法。

2、根据散射点的处理方式不同，扩展目标关联方案分类如下：基于点云体素化的关联方案、基于卷积神经网络的关联方案和基于聚类的关联方案。其中，点云体素化是对整个场景进行单元格划分，每个单元格也称为体素，可以包含零个或多个散射点，算法后续以体素为单位实现目标关联，适用于密集点云，但对内存和计算能力的要求高。此外，点与体素的转换过程中也引入了量化误差，不适用于稀疏点云；基于卷积神经网络的方案则直接处理散射点，生成用于关联网络的特征。其中散射点的物理坐标也作为特征的一部分参与关联。基于聚类的方案是使用聚类算法估计哪些散射点属于同一目标，相较于前两类，该方法的性能有限，但由于计算量小，常被用于实时数据处理。

3、上述关联方式在同一目标的相邻散射点之间相距较远和交通区域内多个目标空间密集分布的情况下，性能表现不佳。一种面向毫米波雷达散射点观测的非端到端关联方案意图克服上述问题，该方案通过计算各散射点到所属目标中心的偏移矢量(centershifted vector，csv)，利用csv对原始散射点观测进行补偿。然而上述方案没有考虑遮挡情况，在路面障碍物或交通参与者对目标造成部分遮挡情况时，关联性能有限。因此，需要一种新的能够解决上述问题的关联算法。

技术实现思路

1、为解决上述问题，本发明提供一种利用航迹先验融合特征的车载雷达扩展目标关联方法。本发明利用实际行车场景的时间连续性，在pointnet++和dbscan基础框架上引入包含历史时刻和当前时刻的目标个数和位置信息的航迹先验信息。利用航迹先验融合历史帧下的目标特征增强不同目标间特征差异性。

2、一种面向城市道路场景的扩展目标关联方法，包括以下步骤：

3、步骤1，特征生成：包括t帧的散射点特征生成和t-1帧的目标特征生成。

4、散射点特征生成：输入t帧的雷达散射点集合yt，pointnet++网络基于集合抽象(set abstraction，sa)层设定的采样半径和采样点数为每个散射点划分采样范围，采样范围内的散射点通过特征传播(feature propagation，fp)层得到高维语义特征γt，其中，q表示语义特征维度。目标特征生成：假设在t-1帧，各散射点的所属目标编号已知，对同一目标编号的散射点物理信息和特征分别取均值近似该目标中心的物理信息xt-1和目标特征图ωt-1。

5、步骤2，帧间匹配。传统算法只使用单帧散射点信息，忽略了相邻帧之间的关联信息。为了进一步提升关联准确率，本算法通过建立目标中心xt-1与散射点yt之间的映射关系挖掘相邻帧之间的关联信息。由于上述关系的直接建立较为困难，因此算法引入航迹先验作为两者之间的桥梁。定义第t帧的航迹先验为其中表示第s条航迹的位置和速度等，s∈[1，st]，dz为航迹先验维度，st为第t帧的航迹条数。此时，t-1帧的航迹先验zt-1与t-1帧的目标中心xt-1具有相同的物理信息，t帧的航迹先验zt和t帧的散射点yt同理。此外，zt-1和zt的对应关系由航迹编号s直接获得。因此，该模块将xt-1和yt的匹配问题转化为xt-1和zt-1、zt和yt的匹配问题。xt-1和zt-1的匹配问题通过最近邻算法求解。yt和zt的匹配问题通过门限法求解。

6、步骤3，特征融合。基于上述匹配关系ψab即可融合t帧散射点特征γt和t-1帧的目标特征ωt-1，得到关联网络的最终输入其中，为第b个散射点的融合后特征。

7、步骤4，关联网络。在t帧特征融合模块得到的特征图分别通过2个多层感知机(multi-layer perceptron，mlp)，即mlp1和mlp2处理，得到散射点分类矩阵psm和中心偏移矢量pcsv。mlp1和mlp2模块均由卷积核为1×1卷积层conv实现。激活函数选择relu(rectified linear unit)，搭配使用批归一化(batch normalization)和随机失活(dropout)缓解模型过拟合。

8、步骤5，损失函数设置。网络的损失函数由分类损失函数lsem和中心偏移矢量的直接损失函数lshift加权计算得到，即l＝lsem+αlshift，其中α为加权系数。假设第m个散射点的类别真值为lm，其网络预测的散射点所属类别为则散射点类别的分类误差lsem可通过计算lm和的交叉熵得到，假设δxgt为各散射点的真实中心偏移矢量，δxpred为网络计算的用于补偿其位置的中心偏移矢量，则中心偏移矢量的预测误差lshift是表征矢量δxgt和δxpred之间的角度损失lcs和表征两个矢量之间的长度损失lnip的组合，lshift＝lcs+lnip。

9、至此，完成所有步骤。

10、本发明的有益效果在于：

11、本发明在pointnet++和dbscan的基础框架上，通过引入航迹先验，获得目标被遮挡前的信息。基于上述信息，利用深度学习等技术弥补由于遮挡导致的目标信息缺失，提高散射点与目标的关联精度。

技术特征：

1.一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，步骤一中所述散射点特征生成方法为：输入t帧的雷达散射点集合yt，pointnet++网络基于集合抽象(set abstraction，sa)层设定的采样半径和采样点数为每个散射点划分采样范围，采样范围内的散射点通过特征传播(feature propagation，fp)层得到高维语义特征υt，其中，q表示语义特征维度。

3.如权利要求1所述的一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，步骤1中所述目标特征生成方法为:假设在t-1帧，各散射点的所属目标编号已知，对同一目标编号的散射点物理信息和特征分别取均值近似该目标中心的物理信息xt-1和目标特征图ωt-1。

4.如权利要求1所述的一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，步骤2中，通过建立目标中心xt-1与散射点yt之间的映射关系挖掘相邻帧之间的关联信息；由于上述关系的直接建立较为困难，因此算法引入航迹先验作为两者之间的桥梁；定义第t帧的航迹先验为其中表示第s条航迹的位置和速度等，s∈[1,sx]，dz为航迹先验维度，st为第t帧的航迹条数。

5.如权利要求1所述的一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，步骤2中，将xt-1和yt的匹配问题转化为xt-1和zt-1、zt和yt的匹配问题；xt-1和zt-1的匹配问题通过最近邻算法求解；yt和zt的匹配问题通过门限法求解。

6.如权利要求1所述的一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，步骤3中，基于匹配关系ψab即可融合t帧散射点特征γt和t-1帧的目标特征ωt-1，得到关联网络的最终输入其中，为第b个散射点的融合后特。

7.如权利要求1所述的一种面向城市道路场景的车载雷达扩展目标关联方法，其特征在于，步骤5中中心偏移矢量的预测误差lshift是表征矢量δxgt和δxpred之间的角度损失lcs和表征两个矢量之间的长度损失lnip的组合，lshift＝lcs+lnip。

技术总结
本发明提出了一种面向城市道路场景的车载雷达扩展目标关联方法，利用航迹先验中的目标个数和位置信息，计算相邻帧之间的目标和散射点匹配关系并完成相邻帧的散射点特征融合，解决复杂城市道路场景中由于遮挡造成的目标关联性能下降的问题。

技术研发人员：郑乐,张鑫,曾雯雯,刘明轩,韩薛涵,胡雪瑶
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/2/6