【技术实现步骤摘要】
本专利技术属于自动驾驶，尤其涉及一种针对4d毫米波雷达的多目标追踪方法及系统。
技术介绍
1、自动驾驶场景下的多目标跟踪是重要的。自动驾驶车辆的一项基本任务是在3d空间中稳健地定位移动物体并持续跟踪它们。移动物体跟踪也作为诸如轨迹预测、避障和路径规划等一系列下游任务的关键先驱。
2、目前自动驾驶场景下的多目标跟踪主要依赖于激光雷达，深度摄像头。但是激光雷达高昂的成本与深度摄像头在恶劣天气下的不足，使得4d毫米波雷达成为了一个新的选择。4d毫米波雷达提供了额外的物体速度测量以及相对较低的制造成本，使得其越来越在自动驾驶车辆部署中收到欢迎。这些优点使4d雷达成为一种对激光雷达的稳健替代，并为在极端条件下进行3d移动物体跟踪增加了额外的保护层。
3、尽管使用4d雷达进行移动物体跟踪很有前景，但是先前被提出过的算法并不能很好的在4d雷达上运用。传统算法通常遵循一个“通过检测进行跟踪”的流程，其中物体首先以3d边界框的形式被检测出来，然后在帧之间进行关联以进行跟踪。然而，这样的流程不能轻易地泛化到4d雷达的情况。由于雷达数据中无法忽视的多路径噪声使得物体的正确识别变得复杂，同时雷达点云的稀疏性使得物体属性(如扩展和方向)的回归变得更加困难，因此，“通过检测进行跟踪”的最终性能高度依赖于准确的边界框检测，而这是很难从稀疏的4d雷达点云中获得的。传统的多目标追踪算法存在错误率高且鲁棒性差的缺陷。
技术实现思路
1、本专利技术的目的在于克服现有技术缺陷，提出了一种针对4d毫
2、为了实现上述目的，本专利技术提出了一种针对4d毫米波雷达的多目标追踪方法，所述方法包括：
3、实时接收4d毫米波雷达采集的点云数据；
4、将点云数据输入预先建立和训练好的多目标追踪模型，结合上一帧的目标追踪结果和隐藏状态，得到场景流分割和运动分割点云，实现多目标追踪；
5、所述多目标追踪模型采用通过点云聚类进行跟踪的框架，利用场景流算法增强运动特征，通过聚类算法实现物体定位，再通过关联匹配实现物体追踪。
6、优选的，所述多目标追踪模型包括：
7、骨干网络，用于提取点云特征，输出当前点云全局特征和点云关联特征；
8、运动估算模块，用于利用上一帧隐藏状态，当前点云全局特征和点云关联特征，生成当前点云的场景流；
9、物体定位模块，用于利用当前点云全局特征识别运动分割点云，结合运动分割点云和场景流对点云聚类；和
10、数据关联模块，用于结合上一帧目标追踪结果，结合当前聚类点云进行亲和力计算和匹配，并赋予目标身份id，得到目标追踪结果。
11、优选的，所述骨干网络包括依次连接的多层多尺度编码器mse、最大池化层maxpool和成本测量计算层fc，其中，
12、所述多层多尺度编码器mse包括三层集抽象层，每层集抽象层后跟随一层全连接层，多层多尺度编码器mse的输入为当前点云xt，输出为当前点云的局部特征
13、
14、所述最大池化层maxpool的输出为当前点云全局特征ft：
15、
16、所述成本测量计算层fc为结构为三层的多层感知机，fc的输入为当前点云全局特征ft和上一帧点云全局特征ft-1，输出为点云关联特征
17、
18、优选的，所述运动估算模块包括依次连接的多层多尺度编码器mse、门控循环单元gru和特征传播层fp，其中，
19、所述多层多尺度编码器mse的输入为当前点云全局特征ft，当前点云关联特征以及当前点云xt，输出为混合特征
20、
21、所述门控循环单元gru的输入为当前点云全局特征ft和上一帧隐藏状态ht-1，输出为更新后点云全局特征gt和当前帧隐藏状态ht：
22、gt，ht＝gru(ft，ht-1)
23、所述特征传播层fp的输入为更新后点云全局特征gt和混合特征输出为场景流st：
24、
25、优选的，所述物体定位模块包括三层多层感知机和一层全连接层，输入为当前点云关联特征和当前点云xt，输出为每个点为动态物体的可能性，将动态物体的可能性大于0.5的点提取为运动分割点云
26、
27、优选的，所述数据关联模块包括依次连接的dbscan基于密度的噪声应用空间聚类、af亲和模块和沉角算法；其中，
28、所述dbscan基于密度的噪声应用空间聚类的输入为运动分割点云更新后点云全局特征gt，混合特征和场景流st，输出为当前目标聚类点云ot：
29、
30、所述af亲和模块由多层感知机组成，输入为当前目标聚类点云ot和上一帧目标聚类点云ot-1，输出为亲和力矩阵
31、
32、所述沉角算法用于对上一帧物体和当前帧物体进行匹配，并赋予目标身份id，得到目标追踪结果。
33、另一方面，本专利技术提出了一种针对4d毫米波雷达的多目标追踪系统，所述系统包括：
34、接收模块，用于实时接收4d毫米波雷达采集的点云数据；和
35、多目标追踪模块，用于将点云数据输入预先建立和训练好的多目标追踪模型，结合上一帧的目标追踪结果和隐藏状态，得到场景流分割和运动分割点云，实现多目标追踪；
36、所述多目标追踪模型采用通过点云聚类进行跟踪的框架，利用场景流算法增强运动特征，通过聚类算法实现物体定位，再通过关联匹配实现物体追踪。
37、与现有技术相比，本专利技术的优势在于：
38、1、弥补当前4d毫米波雷达多目标跟踪没有一个良好算法的现状。本专利技术的算法通过与传统“通过检测进行跟踪”模式不同，创新性的提出了“通过聚类进行跟踪”的框架，从而实现了第一个可用的高准确和鲁棒的4d毫米波雷达多目标跟踪方案；
39、2、在稀疏点云中通过聚类进行跟踪。利用4d毫米波雷达的速度信息得出场景流分割动和静止点云，可以端到端的训练，可以利用在任意下游任务上。
本文档来自技高网...【技术保护点】
1.一种针对4D毫米波雷达的多目标追踪方法，所述方法包括：
2.根据权利要求1所述的针对4D毫米波雷达的多目标追踪方法，其特征在于，所述多目标追踪模型包括：
3.根据权利要求2所述的针对4D毫米波雷达的多目标追踪方法，其特征在于，所述骨干网络包括依次连接的多层多尺度编码器MSE、最大池化层MaxPool和成本测量计算层FC，其中，
4.根据权利要求2所述的针对4D毫米波雷达的多目标追踪方法，其特征在于，所述运动估算模块包括依次连接的多层多尺度编码器MSE、门控循环单元GRU和特征传播层FP，其中，
5.根据权利要求2所述的针对4D毫米波雷达的多目标追踪方法，其特征在于，所述物体定位模块包括三层多层感知机和一层全连接层，输入为当前点云关联特征和当前点云xt，输出为每个点为动态物体的可能性，将动态物体的可能性大于0.5的点提取为运动分割点云
6.根据权利要求2所述的针对4D毫米波雷达的多目标追踪方法，其特征在于，所述数据关联模块包括依次连接的DBSCAN基于密度的噪声应用空间聚类、AF亲和模块和沉角算法；其中，
...
【技术特征摘要】
1.一种针对4d毫米波雷达的多目标追踪方法，所述方法包括：
2.根据权利要求1所述的针对4d毫米波雷达的多目标追踪方法，其特征在于，所述多目标追踪模型包括：
3.根据权利要求2所述的针对4d毫米波雷达的多目标追踪方法，其特征在于，所述骨干网络包括依次连接的多层多尺度编码器mse、最大池化层maxpool和成本测量计算层fc，其中，
4.根据权利要求2所述的针对4d毫米波雷达的多目标追踪方法，其特征在于，所述运动估算模块包括依次连接的多层多尺度编码器mse、门控循环单元gru和特征传播层fp，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。