简介

汽车安全应用很大程度上依赖于车辆的态势感知。良好的态势感知为不同情况下的成功决策提供了基础。为了实现这一目标，车辆可以从车间数据融合中受益。这个例子说明了在Simulink中融合两辆车的数据以增强车辆的态势感知的工作流程。金宝app

模型的建立和概述

在运行此示例之前，使用drivingScenario对象创建中定义的相同场景基于履带融合的汽车安全应用．然后，该场景中的道路和参与者被保存到场景对象文件tracktotrackfusionscene .mat中。

跟踪与融合

在模型的跟踪和融合部分，有两个子系统在这个场景中实现车辆1和车辆2的目标跟踪和融合功能。

车辆1子系统

该子系统包括场景的读者(自动驾驶工具箱)块，从保存的文件中读取参与者姿势数据。该块将演员的姿势从场景的世界坐标转换为自我车辆坐标。演员的姿势在由块生成的总线上传输。演员姿势被传感器仿真子系统使用，该子系统生成雷达和视觉检测。然后将这些检测传递给JPDA Tracker V1块，该块处理检测以生成轨道列表。然后，这些音轨被传递到一个Track Concatenation1块中，该块将这些输入音轨连接起来。Track Concatenation1块的第一个输入是来自JPDA跟踪器的本地轨道，第二个输入是来自其他车辆的轨道熔断器的轨道。为了将本地磁道转换为中心磁道，磁道熔断器需要本地磁道的参数信息。然而，这些信息无法从JPDA跟踪器的直接输出中获得。因此，使用助手Update Pose块通过从v1Pose读取数据来提供此信息。垫文件。 The updated tracks are then broadcasted to T2TF Tracker V1 block as an input. Finally, the进行航迹熔化炉T2TF跟踪器V1用从另一辆车的履带熔断器接收到的履带来阻塞本车履带。每次更新后，每辆车的履带熔断器广播其熔断的履带，以便在下一个时间戳中馈送到另一辆车的履带熔断器更新中。

车辆2子系统

运载器2子系统遵循与运载器1子系统类似的设置。

可视化

可视化块是使用MATLAB系统块实现的，并使用HelperTrackDisplay块定义。该块对车辆1分别使用RunTimeObject参数Out、检测聚类的Confirmed Tracks、Tracks和Confirmed Tracks, JPDA Tracker V1、Update Pose V1、T2TF Tracker V1块，对车辆2分别使用RunTimeObject参数Out、检测聚类的Confirmed Tracks、Tracks和Confirmed Tracks, JPDA Tracker V2、Update Pose V2、T2TF Tracker V2块显示其输出。看到在模拟中访问块数据(金宝app模型)有关如何在模拟期间访问块输出的进一步信息。

结果

运行模型后，您可以将结果可视化。这个动画显示了模拟的结果。

可视化包括两个面板。左侧面板显示了车辆1在模拟过程中产生的探测、局部轨迹和融合轨迹，并表示车辆1的态势感知。右侧面板显示2号车的态势感知。

记录的探测结果用黑圈表示。车辆1的局部履带和融合履带分别用正方形和菱形表示。2号车的局部和融合履带用一个黑色正方形和一个菱形表示。在模拟开始时，车辆1检测到停放在街道右侧的车辆，并确认与停放车辆相关的轨道。目前，车辆2只检测到在它前面的车辆1。随着模拟的继续，从1号载具上确认的航迹被广播到2号载具上的熔合器。在融合履带后，车辆2在自己探测到这些物体之前就意识到这些物体。类似地，车辆2的履带被广播到车辆1。车辆1将这些轨迹融合在一起，并在自己探测到这些物体之前意识到它们。

特别地，您观察到站在街道右侧蓝色和紫色汽车之间的行人被车辆1检测和跟踪。车辆2首先在0.8秒左右通过融合车辆1的轨道来意识到行人。2号车用自己的传感器检测行人大约需要3秒钟。根据车辆1的输入跟踪行人的能力允许车辆2扩展其态势感知并降低事故风险。

总结

本例展示了如何在Simulink中执行航迹到航迹融合。金宝app您学习了如何使用分散跟踪架构执行跟踪，其中每辆车负责维护自己的本地轨道，融合来自其他车辆的轨道，并将轨道通信到其他车辆。您还可以使用JPDA跟踪器块来生成本地轨迹。