drivingRadarDataGenerator
从驾驶场景生成雷达传感器检测和轨迹
描述
的drivingRadarDataGenerator系统对象™从汽车雷达传感器模型生成目标的检测或跟踪报告。使用此对象可从包含参与者和轨迹的驾驶场景生成传感器数据，您可以使用drivingScenario对象。创建场景时使用驾驶场景设计师App中，安装在自我车上的雷达传感器输出为drivingRadarDataGenerator对象。
的drivingRadarDataGenerator对象可以在添加随机噪声的情况下模拟聚类或非聚类检测，还可以生成虚警检测。可以将生成的检测与其他传感器数据融合，并使用multiObjectTracker对象。也可以直接从drivingRadarDataGenerator对象。属性将目标输出为群集检测、非群集检测还是跟踪TargetReportFormat财产。
生成雷达探测或跟踪报告:
创建
drivingRadarDataGenerator对象并设置其属性。调用带有参数的对象，就像调用函数一样。
要了解更多关于System对象如何工作的信息，请参见什么是系统对象?
创建
语法
描述
rdr= drivingRadarDataGenerator
rdr= drivingRadarDataGenerator (id）SensorIndex财产id．
属性
使用
语法
描述
生成检测
的时候应用这些语法TargetReportFormat财产“集群检测”或“检测”．
［也返回已报告的有效检测数，依据，numReports= rdr(目标，simTime）numReports．
［也返回一个逻辑值，依据，numReports，isValidTime= rdr(目标，simTime）isValidTime，表示是否simTime生成检测的有效时间。如果simTime是的倒数的整数倍吗UpdateRate那么，财产价值isValidTime是1（真正的)．
生成跟踪
的时候应用这些语法TargetReportFormat财产“跟踪”．
［也返回已报告的有效轨道的数量，跟踪，numReports= rdr(目标，simTime）numReports．
［也返回一个逻辑值，跟踪，numReports，isValidTime= rdr(目标，simTime）isValidTime，表示是否simTime是生成轨迹的有效时间。如果simTime是的倒数的整数倍吗UpdateRate那么，财产价值isValidTime是1（真正的)．
输入参数
输出参数
对象的功能
要使用对象函数，请将System对象指定为第一个输入参数。例如，释放名为obj，使用以下语法:
发行版(obj)
例子
生成多个车辆的雷达探测和轨迹
使用雷达传感器生成聚类检测、非聚类检测和驾驶场景中多辆车辆的轨迹。
创建驾驶场景
创建一个空的驾驶场景，添加一个双车道，100米的路段。用虚线标记分开车道。
场景:“SampleTime”, 0.02);roadCenters = [0 0 0;100 00];标记= [laneMarking(“固体”) laneMarking (“冲”) laneMarking (“固体”));laneSpecification = lanespec([1 1]，“标记”,标志着);路(场景、roadCenters“道”, laneSpecification);
加上自我载体。车辆在右车道上以每秒20米的恒定速度行驶90米。
自我=载体(场景，“ClassID”, 1“位置”，[5 -1.8 0]);egoWaypoints =[自我.位置;.．.(自我.位置(1)+ 90)自我.位置(2:3)];egoSpeed = 20;% m / ssmoothTrajectory(自我,egoWaypoints egoSpeed)
添加雷达可以产生探测和跟踪的目标车辆。
第一辆车在自我车前面10米处启动，以每秒30米的恒定速度在车道上行驶。
第二辆车是卡车，在左侧车道上以每秒30米的恒定速度行驶。
Car = vehicle(场景，“ClassID”, 1“位置”，[ego.Position(1)+10 -1.8 0]);carWaypoints = [car.位置;.．.(car.Position(1) + 75) car.Position(2:3)];carSpeed = 30;% m / s平滑轨迹(car,carWaypoints,carSpeed)卡车=车辆(场景，“ClassID”，2，“位置”，[5 1.8 0]，.．.“长度”, 8.2,“宽度”, 2.5,“高度”, 3.5);truckWaypoints =[卡车.位置;.．.(卡车。位置(1)+ 90)卡车。位置(2:3)];truckSpeed = 30;% m / ssmoothTrajectory(卡车,truckWaypoints, truckSpeed)
绘制驾驶场景，并暂停以便有时间更新。
情节(场景)而推进(场景)暂停(scenario.SampleTime)结束
创建雷达传感器
创建一个最大距离为100米的雷达传感器，并将其安装在自我车辆的前镜上。配置传感器以与场景的采样时间相同的速度更新。指定雷达使用汽车和卡车的目标轮廓来生成数据。
close(gcf) maxRange = 100;% mfrontMirror =[自我]。FrontOverhang 0 (ego.Height-0.1)];profiles = actorProfiles(场景);targetProfiles = profiles(2:end);Id = 1;rdr = drivingRadarDataGenerator(id，“UpdateRate”1 /场景。SampleTime,.．.“MountingLocation”frontMirror,.．.“RangeLimits”[0 maxRange],.．.“配置文件”targetProfiles)
rdr = drivingRadarDataGenerator with properties: SensorIndex: 1 UpdateRate: 50 MountingLocation: [0.9000 0 1.3000] MountingAngles: [0 00] FieldOfView: [20 5] RangeLimits: [0 100] RangeRateLimits: [-100 100] DetectionProbability: 0.9000 FalseAlarmRate: 1.0000e-06使用get显示所有属性
创建鸟瞰情节
创建一个鸟瞰图，以可视化传感器数据。添加绘图器，以可视化车道标记、车辆轮廓和雷达覆盖区域。使用helperPlotScenario功能来绘制场景的这些方面。这个helper函数在示例的最后定义。
bep = birdsEyePlot(“XLim”, 60 [0],“YLim”35 [-35]);lmPlotter = laneMarkingPlotter(bep，“标签”，“lm”，“DisplayName的”，“车道标记”）;olPlotter = outlinePlotter(bep，“标签”，“ol”）;caPlotter = coverageAreaPlotter(bep，.．.“标签”，“ca”，.．.“DisplayName的”，“雷达覆盖范围”，.．.“FaceColor”，“红色”，“EdgeColor”，“红色”）;helperPlotScenario (cep rdr自我)
生成聚类检测
使用雷达对目标车辆进行集群探测。在鸟瞰图上想象这些探测结果。在每个仿真时间步中，雷达只对每个目标产生一次探测。
clusterDetPlotter = detectionPlotter(bep，.．.“DisplayName的”，“集群检测”，.．.“MarkerEdgeColor”，“红色”，.．.“MarkerFaceColor”，“红色”）;重启(场景)而advance(scenario) simTime = scenario. simulationtime;targets = targetpose(自我);[dets,numDets,isValidTime] = rdr(targets,simTime);helperPlotScenario (cep rdr自我)如果isValidTime && numDets > 0 detPos = cell2mat(cellfun(@(d)d. measurement (1:2)，dets，.．.“UniformOutput”、假)“)”;plotDetection (clusterDetPlotter detPos)结束结束
生成非聚类检测
使用雷达对目标车辆进行非聚集探测。在鸟瞰图上想象这些探测结果。在每个模拟时间步，雷达产生多个探测每个目标。
clearData(clusterDetPlotter) release(rdr) rdr。TargetReportFormat =“检测”；detPlotter = detectionPlotter(bep，.．.“DisplayName的”，“未聚集的检测”，.．.“MarkerEdgeColor”，“红色”）;重启(场景)而advance(scenario) simTime = scenario. simulationtime;targets = targetpose(自我);[dets,numDets,isValidTime] = rdr(targets,simTime);helperPlotScenario (cep rdr自我)如果isValidTime && numDets > 0 detPos = cell2mat(cellfun(@(d)d. measurement (1:2)，dets，.．.“UniformOutput”、假)“)”;plotDetection (detPlotter detPos)结束结束
生成跟踪
使用雷达生成目标车辆的轨迹。在鸟瞰图上想象这些轨迹和轨迹历史。
clearData(detPlotter)释放(rdr) rdr。TargetReportFormat =“跟踪”；historyDepth = 20;tPlotter = trackPlotter(bep，“DisplayName的”，“跟踪”，.．.“HistoryDepth”, historyDepth);重启(场景)而advance(scenario) simTime = scenario. simulationtime;targets = targetpose(自我);[tracks,numTracks,isValidTime] = rdr(targets,simTime);helperPlotScenario (cep rdr自我)如果isValidTime && numTracks > 0 trackPos = cell2mat(arrayfun(@(t)t. state (1:2:end)，tracks，.．.“UniformOutput”、假)“)”;plotTrack (tPlotter trackPos (: 1:2))结束结束
关闭鸟瞰图，重新启动场景，释放雷达传感器。
关闭(gcf)重新启动(场景)释放(rdr)
金宝app支持功能
helperPlotScenario在鸟瞰图上绘制自我车辆的车道标记和车辆轮廓。它还绘制了雷达传感器的覆盖区域。
函数helperPlotScenario (cep、雷达、自我)% Plot车道标记lmPlotter = findPlotter(bep，“标签”，“lm”）;[lmv,lmf] = laneMarkingVertices(ego);plotLaneMarking (lmPlotter lmv lmf)绘制车辆轮廓图olPlotter = findPlotter(bep，“标签”，“ol”）;[位置，偏航，长度，宽度，originOffset,color] = targetoutline(自我);plotOutline (olPlotter、位置、偏航、长度、宽度、.．.“OriginOffset”originOffset,“颜色”、颜色)绘制雷达覆盖区域caPlotter = findPlotter(bep，“标签”，“ca”）;plotCoverageArea (caPlotter radar.MountingLocation (1:2),.．.radar.MountingAngles radar.RangeLimits (2) (1),.．.radar.FieldOfView (1))结束
另请参阅
对象
objectDetection|objectTrack|drivingScenario|multiObjectTracker|visionDetectionGenerator|lidarPointCloudGenerator|insSensor
功能
块
应用程序
您也可以从以下列表中选择网站:
