[发明专利]车辆的目标跟踪方法、装置、车辆及存储介质

权利要求书

1.一种车辆的目标跟踪方法，其特征在于，包括以下步骤：

获取车辆周围至少一个目标的感知信息；

将每个目标的感知信息输入至预先建立的交互多模型，输出所述每个目标的状态矩阵和协方差矩阵，其中，所述交互多模型由多个并行的预设三维运动模型和与每个预设三维运动模型匹配的滤波器组成；

根据所述状态矩阵和所述协方差矩阵生成所述每个目标的实际运动状态，基于所述实际运动状态跟踪所述每个目标的运动轨迹。

2.根据权利要求1所述的方法，其特征在于，所述多个并行的预设三维运动模型包括第一至第三运动模型，所述将每个目标的感知信息输入至预先建立的交互多模型，输出所述每个目标的状态矩阵和协方差矩阵，包括：

将所述每个目标的感知信息分别输入所述第一至第三运动模型，得到每个运动模型输出的状态向量和输出向量；

根据所述每个运动模型输出的状态向量和输出向量输入至预先设计的无迹卡尔曼滤波器，得到每个运动模型的系统状态和协方差，其中，所述无迹卡尔曼滤波器基于高斯分布的近似概率密度函数设计得到；

根据每个运动模型的系统状态、协方差和与每个运动模型匹配的滤波器的后验概率进行归一加权，得到每个目标的状态矩阵和协方差矩阵。

3.根据权利要求2所述的方法，其特征在于，所述根据所述每个运动模型输出的状态向量和输出向量输入至预先设计的无迹卡尔曼滤波器，得到每个运动模型的系统状态和协方差，包括：

对所述每个运动模型输出的状态向量和输出向量进行西格玛点采样，得到多个西格玛点，并对所有的西格玛点进行加权重组，得到预测的系统状态和协方差；

根据预设观测函数增加观测值的西格玛点，并根据所述观测值的西格玛点计算得到所述观测值的预测量和协方差，利用所述观测值的预测量和协方差计算卡尔曼增益；

利用所述卡尔曼增益更新所述预测的系统状态和协方差，得到所述每个运动模型的系统状态和协方差。

4.根据权利要求2所述的方法，其特征在于，所述根据每个运动模型的系统状态、协方差和与每个运动模型匹配的滤波器的后验概率进行归一加权，得到每个目标的状态矩阵和协方差矩阵，包括：

根据每个运动模型的系统状态、协方差和与每个运动模型匹配的滤波器的后验概率计算每个目标的所有测量值与目标的联合概率密度；

根据所述联合概率密度更新所述交互多模型的加权值，利用所述加权值更新每个滤波器的实际状态，得到更新后的实际状态；

将每个滤波器更新后的实际状态进行合并，得出所述每个目标的状态矩阵和协方差矩阵。

5.一种车辆的目标跟踪装置，其特征在于，包括：

获取模块，用于获取车辆周围至少一个目标的感知信息；

输入模块，用于将每个目标的感知信息输入至预先建立的交互多模型，输出所述每个目标的状态矩阵和协方差矩阵，其中，所述交互多模型由多个并行的预设三维运动模型和与每个预设三维运动模型匹配的滤波器组成；

跟踪模块，用于根据所述状态矩阵和所述协方差矩阵生成所述每个目标的实际运动状态，基于所述实际运动状态跟踪所述每个目标的运动轨迹。

6.根据权利要求5所述的装置，其特征在于，所述多个并行的预设三维运动模型包括第一至第三运动模型，所述输入模块进一步用于：

将所述每个目标的感知信息分别输入所述第一至第三运动模型，得到每个运动模型输出的状态向量和输出向量；

根据所述每个运动模型输出的状态向量和输出向量输入至预先设计的无迹卡尔曼滤波器，得到每个运动模型的系统状态和协方差，其中，所述无迹卡尔曼滤波器基于高斯分布的近似概率密度函数设计得到；

根据每个运动模型的系统状态、协方差和与每个运动模型匹配的滤波器的后验概率进行归一加权，得到每个目标的状态矩阵和协方差矩阵。