围绕车辆传感器融合

这个示例使用:

开放的例子

这个例子展示了如何实现一个合成数据模拟检测车辆使用多个视觉和雷达传感器,并生成融合跟踪环绕视图分析仿真软件和自动驾驶的工具箱™®。金宝app它还展示了如何使用定量分析工具在传感器融合和跟踪工具箱™来评估一个跟踪器的性能。

介绍

传感器融合和跟踪是自动驾驶的基本感知组件的应用程序。自主车辆使用许多机载传感器来理解周围的世界。每个传感器自动驾驶的车辆使用的应用程序,如雷达、相机和激光雷达传感器都有自己的局限性。传感器融合和跟踪的目标是采取不同的传感器和传感器类型的输入,并使用组合信息更准确地感知环境。任何先进的自主驾驶系统可以做出重要的决策,如高速公路车道或高速公路车道改变后,强烈依赖于传感器融合和跟踪。因此,必须测试传感器融合和跟踪系统的设计使用一个组件级别的模型。这个模型允许您测试关键场景很难实时测试。

这个例子显示了如何融合和跟踪检测从多个视觉检测传感器和雷达传感器。传感器安装在自我车辆,这样他们在自我车辆提供360度覆盖。示例集群雷达探测,融合视觉检测,并追踪检测使用一个联合概率数据关联(JPDA)多目标跟踪器。示例还展示了如何使用广义评估跟踪性能最优的子模式分配(GOSPA)指标为一组预定义的场景在一个开环的环境。在本例中,您:

探索试验台模型——模型包含传感器、传感器融合和跟踪算法,和指标来评估功能。从驾驶场景使用模型检测发电机从雷达和视觉传感器检测。
配置传感器和环境——建立一个驾驶场景包括一个自我车辆用一个摄像头和一个雷达传感器。每个传感器的覆盖范围使用鸟瞰的范围。
传感器融合和跟踪执行-集群雷达探测,融合视觉检测,并使用JPDA多目标跟踪器跟踪检测。
评估的性能跟踪——使用GOSPA度量评估跟踪器的性能。
模拟试验台模型和分析结果——模型配置场景与多个目标车辆周围的一个自我车辆执行车道改变策略。模拟模型,分析了组件的GOSPA理解跟踪器的性能指标。
探索其他场景在附加条件下,这些场景测试系统。

探索试验台模型

这个示例使用试验台模型和参考模型的周围车辆传感器融合。试验台模型模拟和测试的行为融合在一个开放的循环和跟踪算法。参考模型实现了传感器融合和跟踪算法。

探索试验台模型,打开一个工程实例文件的工作副本。MATLAB®将文件复制到一个文件夹中,这样您就可以编辑它们。

目录(fullfile (matlabroot,“工具箱”,“开车”,“drivingdemos”));helperDrivingProjectSetup (“SVSensorFusion.zip”workDir = pwd);

打开模型试验台。

open_system (“SurroundVehicleSensorFusionTestBench”);

打开这个模型运行helperSLSurroundVehicleSensorFusionSetup脚本,它初始化道路场景中使用drivingScenario对象的基本工作空间。脚本还配置传感器参数,跟踪器参数和仿真软件总线信号需要定义的输入和输出金宝appSurroundVehicleSensorFusionTestBench模型。试验台模型包含这些子系统:

传感器和环境——这个子系统指定现场,摄像头、雷达、和INS传感器用于仿真。
围绕车辆传感器融合——这个子系统融合多个传感器的检测跟踪。
——这个子系统评估指标评估周围车辆使用GOSPA度量传感器融合设计。

配置传感器和环境

传感器和环境子系统配置道路网络,集车辆位置,综合传感器。打开传感器和环境子系统。

open_system (“SurroundVehicleSensorFusionTestBench /传感器和环境”);

的场景的读者块配置驾驶场景和输出演员构成,控制目标车辆的位置。
的汽车世界阻止将演员构成自我车辆到世界坐标系的坐标。
的视觉检测发电机块模拟对象检测使用相机传感器模型。
的驾驶雷达数据生成器块模拟对象检测基于统计模型。它还输出集群对象检测进行进一步处理。
的INS块模型测量从惯性导航系统和全球导航卫星系统和输出融合测量。它输出的位置、速度和方向的自我。

子系统配置5个视觉传感器和雷达传感器捕捉周围的车辆。这些传感器安装在不同位置上的自我车辆捕获360度视图。的helperSLSurroundVehicleSensorFusionSetup脚本设置传感器的参数模型。

的鸟瞰的范围显示传感器覆盖通过使用一个长方体表示。雷达覆盖区和检测是红色的。视觉上覆盖范围和检测是蓝色的。

传感器融合和跟踪执行

围绕车辆传感器融合是处理视觉的参考模型和雷达探测并生成的位置和速度跟踪车辆相对于自我。打开车辆传感器融合周围参考模型。

open_system (“SurroundVehicleSensorFusion”);

视觉检测连接块连接视觉检测。预测时间由时钟驱动传感器和环境子系统。
从视觉删除速度块是一个MATLAB函数块删除从视觉检测速度信息。
愿景和雷达探测连接块连接愿景和雷达探测。
添加本地化信息块是一个MATLAB函数块,将自我的车辆定位信息添加到连接检测利用INS的自我估计车辆构成传感器。这使得跟踪器跟踪全球框架和最小化影响车道变化的跟踪策略的自我。
的联合概率数据关联多对象追踪(传感器融合和跟踪工具箱)块执行融合和管理固定和移动对象的轨迹。
估计偏航块是一个MATLAB函数块估计偏航追踪和附加跟踪输出。偏航信息是有用的,当你把这个组件级别公路车道变化等与闭环系统模型系统。
转换为自我的块是一个MATLAB函数块,转换跟踪从全球框架自我框架使用估计自我车辆信息。的鸟瞰的范围显示追踪在自我框架。

联合概率数据关联是多目标跟踪的关键块周围车辆传感器融合参考模型。跟踪融合中包含的信息连接自我车辆检测和跟踪对象。然后跟踪输出的跟踪确认。这些跟踪更新预测时间由一个数字时钟驱动传感器和环境子系统。

评估的性能跟踪

指标评估子系统计算各种指标来评估跟踪器的性能。打开指标评估子系统。

这个指标评估的性能跟踪相结合的任务和状态估计精度成一个单一的成本价值。打开指标评估子系统。

open_system (“SurroundVehicleSensorFusionTestBench /指标评估”);

评估跟踪器的性能,必须消除地面实况信息的演员覆盖范围以外的传感器。为此,该子系统使用滤波器在覆盖MATLAB函数块滤波器只有那些演员的覆盖范围内的传感器。

子系统包含一块GOSPA度量计算这些指标:

GOSPA指标——措施之间的距离一组轨道和地面真理。这个指标结合分配和状态估计精度成一个单一的成本价值。
切换错误:表示跟踪切换期间产生的错误。更高的转换错误显示的不正确的作业跟踪真理,切换歌曲。
定位误差:表示状态估计精度。更高的定位误差表明,分配跟踪不估计的状态正确的真理。
错过目标错误——表明错过目标的存在。提高错过目标错误表明目标没有被跟踪。
错误跟踪误差,表明存在错误的轨道。

模拟试验台模型和分析结果

在仿真期间,您可以可视化场景中使用鸟瞰的范围。打开空间,点击鸟瞰的范围在审查结果仿真软件将来发布的部分。金宝app接下来,单击更新信号查找和更新信号,可以显示范围。选择tracksInEgo信号的跟踪确认。

配置SurroundVehicleSensorFusionTestBench模型来模拟scenario_LC_06_DoubleLaneChange场景。这个场景中包含10辆,包括自我车辆,并定义他们的轨迹。在这种情况下,自我车辆变更车道的两倍。目标演员绕着自我。

helperSLSurroundVehicleSensorFusionSetup (“scenarioFcnName”,“scenario_LC_06_DoubleLaneChange”);

模拟试验台模型。

sim卡(“SurroundVehicleSensorFusionTestBench”);

一旦仿真开始,使用窗口鸟瞰的范围来可视化自我演员,演员、目标传感器保险和检测,跟踪确认。

在仿真过程中,输出GOSPA度量模型及其组件,用来衡量统计多个追踪和真理之间的距离。日志这些度量模型,证实了轨道和地面实况信息,基本工作空间变量logsout。你也可以试着画中的值logsout通过使用helperPlotSurroundVehicleSensorFusionResults函数。

hFigResults = helperPlotSurroundVehicleSensorFusionResults (logsout);

在这个模拟,距离类型和截止距离GOSPA矩阵块的参数设置自定义和30.分别。的helperComputeDistanceToTruth距离计算自定义函数相结合的错误位置和速度之间真理和跟踪。

关闭图。

关闭(hFigResults);

探索其他场景

您可以使用程序在这个例子中探索其他场景,兼容SurroundVehicleSensorFusionTestBench:

scenario_LC_01_SlowMoving scenario_LC_02_SlowMovingWithPassingCar scenario_LC_03_DisabledCar scenario_LC_04_CutInWithBrake scenario_LC_05_SingleLaneChange scenario_LC_06_DoubleLaneChange(默认)scenario_LC_07_RightLaneChange scenario_LC_08_SlowmovingCar_Curved scenario_LC_09_CutInWithBrake_Curved scenario_LC_10_SingleLaneChange_Curved scenario_LC_11_MergingCar_HighwayEntry scenario_LC_12_CutInCar_HighwayEntry scenario_LC_13_DisabledCar_Ushape scenario_LC_14_DoubleLaneChange_Ushape scenario_LC_15_StopnGo_Curved scenario_SVSF_01_ConstVelocityAsTargets scenario_SVSF_02_CrossTargetActors

使用这些额外的场景来分析SurroundVehicleSensorFusionTestBench在不同条件下。