一种用于3D点云的目标实时跟踪方法和系统与流程

一种用于3d点云的目标实时跟踪方法和系统
技术领域
1.本发明涉及雷达技术领域，具体涉及一种用于3d点云的目标实时跟踪方法和系统。


背景技术：

2.为了实现l4级别自动驾驶目标，对感知系统的准确性、推理时间和帧率都提出了更高的要求。提高准确性需要考虑物体尺寸、定位精度、物体是否因噪声或其他故障而丢失或添加，以及物体的id是否随时间变化而不发生改变。缺乏准确性将导致严重的安全风险，甚至可能导致致命的碰撞。对于推理时间和帧率，需要保证传感器系统、计算平台和感知算法能够输出汽车周围局部环境的当前状况，并且未避免跳帧，需要具有足够的频率(帧率)，且具有实时状态的延迟(推理时间)。例如，对于目标帧率(如10hz)，感知算法的推理时间必须低于由帧率导致的推理时间(在这种情况下为100ms)。
3.现有技术中的目标跟踪有两种大方向：基于检测的跟踪(tracking-by-detection)和联合跟踪。
4.基于检测的跟踪表示一种顺序设计，将目标检测和目标跟踪完全分开。跟踪模块依赖于检测模块的最新输出，尝试关联来自属于同一真实世界对象的不同帧的边框。但是，在自动驾驶的情况下，自车移动的同时物体也发生移动，物体的轨迹叠加自车的轨迹导致在激光雷达的空间中观测到的轨迹不能够被恒定速度(constant velocity，cv)运动模型建模，导致低鲁棒性。
5.联合跟踪方法则表示一种并行设计，也就是说，同时执行检测和跟踪。基于时空输出，这些算法允许在后处理阶段直接应用解算器。联合跟踪方法虽然能够正确地跨帧关联对象，还可以处理噪声输入(false positive)和时间遮挡或检测失败(false negative)，但是还存在弥合时间间隔艰难的问题，因此，基于重叠度(intersection over union，iou)匹配算法的联合跟踪方法很难匹配快速物体，导致跟踪不上的问题。
6.因此，需要一种能够在多种状态下快速且精确地实时跟踪目标的方法。


技术实现要素：

7.有鉴于此，本公开实施例提供一种用于3d点云的目标实时跟踪方法和系统，至少部分解决现有技术中存在的问题。
8.第一方面，本公开实施例提供了一种用于3d点云的目标实时跟踪方法，包括：
9.基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；
10.基于预设的匹配标准，将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配的所述预测框，未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项，其中
11.当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述
匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；
12.当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。
13.根据本公开实施例的一种具体实现方式，所述方法还包括：
14.基于预设的轨迹分数阈值对所述轨迹的分数进行判断，其中
15.当所述轨迹的分数大于所述预设的轨迹分数阈值时，确认所述轨迹。
16.根据本公开实施例的一种具体实现方式，所述方法还包括：
17.将所述输入的所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。
18.根据本公开实施例的一种具体实现方式，所述将所述输入的检测框的雷达坐标系转换为自车坐标系包括通过标定参数进行转换。
19.根据本公开实施例的一种具体实现方式，所述将所述检测框和所述预测框进行匹配包括通过计算欧氏距离进行匹配。
20.第二方面，本公开实施例提供了一种用于3d点云的目标实时跟踪系统，所述系统包括：
21.预测模块，被配置用于
22.基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；
23.匹配模块，被配置用于
24.将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配所述预测框、未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项；
25.更新模块，被配置用于
26.当输出的所述匹配结果为所述匹配的所述检测框和所述匹配所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；
27.轨迹管理模块，被配置用于
28.当输出的所述匹配结果为未匹配的所述检测框和未匹配的所述预测框时，基于未匹配的所述检测框产生新的轨迹，以及基于未匹配的所述预测框更新所述轨迹的分数。
29.根据本公开实施例的一种具体实现方式，所述系统还包括前处理模块，用于将所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。
30.第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
31.至少一个处理器；以及，
32.与该至少一个处理器通信连接的存储器；其中，
33.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的用于3d点云的目标实时跟踪方法。
34.第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的用于3d点云的目标实时跟踪方法。
35.第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的用于3d点云的目标实时跟踪方法。
36.本发明实施例提出的用于3d点云的目标实时跟踪方法，通过自适应的普通卡尔曼滤波、恒定速度运动模型、在地图坐标系下进行跟踪、欧氏距离匹配，可以实现在推理时间低于最高限制的情况下进行实时跟踪，针对包含激光雷达3d点云深度学习模型的感知方案，本发明实施例的推理时间为毫秒级别。
附图说明
37.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
38.图1为本公开实施例提供的用于3d点云的目标实时跟踪方法步骤示意图；
39.图2为本公开实施例提供的用于3d点云的目标实时跟踪方法流程示意图；
40.图3为本公开实施例提供的用于3d点云的目标实时跟踪系统示意图；以及
41.图4为本公开实施例提供的电子设备示意图。
具体实施方式
42.下面结合附图对本公开实施例进行详细描述。
43.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
44.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
45.还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘
制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
46.另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
47.用于图像检测框的行业标准方案被称为sort算法，实现细节如下所示：使用恒定速度运动模型的普通卡尔曼滤波(kf)，计算重叠度矩阵建模多目标匹配问题并使用匈牙利算法解决，基于计数逻辑生产、删除轨迹。
48.人类的“物体恒存性”能力(object permanence)非常强大，这是对先前看到但暂时传感不到物体的记忆，以及对其最可能位置的预测。本发明从这种生物解决方案中汲取灵感，并通过运动预测或描述性外观线索来弥补这些差距，以便在遮挡结束后重新识别。
49.具体而言，本发明在基于检测的跟踪(tracking-by-detection)的基础上，通过多目标跟踪算法扩展传统卡尔曼滤波技术的单目标跟踪流程，如图1所示，该算法流程包含五个步骤：(0)前处理；(1)轨迹预测；(2)检测框和预测框匹配；(3)轨迹更新；(4)轨迹管理，其中，步骤(1)和步骤(3)是卡尔曼滤波的操作，步骤(2)和步骤(4)是多目标跟踪算法的扩展。
50.在本发明实施例中，考虑到普通卡尔曼滤波(kalman filter，kf)所需的推理时间比扩展卡尔曼滤波(extended kalman filter，ekf)和无迹卡尔曼滤波(unscented kalman filter，ukf)短，且在匹配方面，计算欧氏距离不仅比计算重叠度(intersection over union，iou)速度快，而且可以避免两个较近边框因为不重叠导致不能匹配的问题，因此本发明优选地使用普通卡尔曼滤波(kalman filter，kf)和欧氏距离的匹配标准。但这并不构成对本发明的限制，选择kf还是ekf或ukf取决于运动模型的类型(例如是线性的或还是非线性的)和原始数据(一些传感器的原始数据也可能是线性或非线性的)。当运动模型和/或原始数据为非线性时，则可以优选ekf或ukf。
51.通常，普通卡尔曼滤波具有11维状态其中，状态的11维状态属于相关的轨迹框，x、y、z为轨迹框的中心点位置，θ为轨迹框绕z轴旋转的角度，为相关的一阶时间导数，l,w,h为轨迹框长宽高的尺寸。
52.此外，虽然在本发明实施例中，以11维卡尔曼滤波状态对本发明实施例进行说明，但其同样适用于10维、9维、8维、7维、6维、5维、4维等多种卡尔曼滤波状态(参考表1)。
53.表1
[0054][0055]
此外，由于在实际应用中，大部分时间交通参与者的速度和方向没有很大的变化，而恒定速度(cv)运动模型能够建模直行不加速不刹车的物体，所以在这种情况下恒定速度(cv)运动模型是最适合的运动模型。即使当物体转向或变速时，也可以通过使用自适应的卡尔曼滤波解决恒定速度(cv)运动模型的适应性变差的问题。因此，采用本发明的普通卡尔曼滤波方法能够快速且精确地实现针对3d点云的目标实时跟踪。
[0056]
图2为本公开实施例提供的一种用于3d点云的目标实时跟踪方法200的流程图。图2是对图1所示流程的进一步详细说明。
[0057]
如图2所示，在步骤s210处，基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框。
[0058]
例如，优选地，基于预设的恒定速度(cv)运动模型将轨迹库中的每一个轨迹的卡尔曼滤波状态预测到检测框的时间戳，并输出轨迹库中的每一个轨迹相对应的预测框。
[0059]
在本发明实施例中，将所述输入的所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。
[0060]
通过将雷达坐标系转换为地图坐标系后，可以观测到真实的物体轨迹，从而解决能够解决自车移动轨迹对待检测物体的轨迹检测的影响。
[0061]
此外，在本发明实施例中，将检测框的雷达坐标系转换为自车坐标系包括通过标定参数进行转换。更具体地，首先进行坐标转换，通过雷达的标定参数，例如，雷达外参，将检测框从雷达坐标系转换为自车坐标系，将自车坐标系转换为地图坐标系(世界坐标系)。
[0062]
例如，在本发明实施例中，将自车坐标系转换为地图坐标系可以通过自车的定位模块在每一帧中提供的自车姿势实现，但这并不构成对本发明的限制。
[0063]
在本发明实施例中，轨迹库中包含多个轨迹实例，其中，每个轨迹实例包含一个卡尔曼滤波实例和相关联的其他参数，例如id、轨迹分数、类别等，但这并不构成对本发明的
限制。
[0064]
此外，在本发明实施例中，使用的雷达为激光雷达，但这并不构成对本发明的限制。
[0065]
接下来转到步骤s220。
[0066]
在步骤s220处，基于预设的匹配标准，将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配的所述预测框、未匹配的所述检测框、未匹配的所述预测框、以及无匹配结果中的至少一项。
[0067]
在本发明实施例中，例如，通过计算欧氏距离将所述检测框和所述预测框进行匹配。更具体地，通过基于下式1计算检测框和预测框的欧氏距离，进行匹配：
[0068][0069]
其中，metric为欧氏距离，δx为世界坐标系中检测框和预测框横向的距离，δy为世界坐标系中的检测框和预测框纵向的距离，δz为世界坐标系中检测框和预测框垂直的距离(即高度差)，但δz在大多数情况下很小，可以忽略不计。
[0070]
接下来转到步骤s230。
[0071]
在步骤s230处，当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数。
[0072]
具体而言，针对更新轨迹的卡尔曼滤波状态，通过自动提高卡尔曼滤波过程噪声q，令轨迹偏向于检测框，虽然这样会造成卡尔曼滤波的平稳化效果暂时减少，但是可以使跟踪后的轨迹畸变较少。这样的设置可以弥补恒定速度运动模型不能建模转向或变速物体的缺点，同时解决普通卡尔曼滤波不能使用更复杂的运动模型的问题。
[0073]
进一步地，能够基于卡尔曼滤波残差r和观测误差协方差的标准偏差的加权比较，判断是否使用卡尔曼滤波的自适应功能。例如，当满足如下式2时，使用卡尔曼滤波的自适应功能：
[0074][0075]
其中，α为预设的权重，r为卡尔曼滤波的残差，为观测误差协方差的标准偏差。
[0076]
具体而言，在当前帧的卡尔曼滤波的残差r的绝对值大于预设的权重与观测误差协方差的标准偏差的乘积的情况下，提高卡尔曼滤波过程噪声q，如果下一帧不再满足这个要求，噪声q则恢复原来的数值。此外，提高噪声q同时也会使卡尔曼滤波状态协方差p提高，更新卡尔曼滤波状态的时候，通过卡尔曼增益k令更新状态的结果多偏向于观测值，即检测框。刚初始化的时候，卡尔曼滤波状态协方差p还较高，会导致预测不准确，因此只有当轨迹分数s大于轨迹分数阈值β和当轨迹被确认过，卡尔曼滤波的自适应功能才被使用。
[0077]
接下来转到步骤s240。
[0078]
在步骤s240处，当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。
[0079]
进一步地，在根据本发明的实施例中，基于预设的轨迹分数阈值对所述轨迹的分
数进行判断，其中当所述轨迹的分数大于所述预设的轨迹分数阈值时，确认所述轨迹。
[0080]
此外，当一个轨迹连续预定数量帧均未被更新时，删除所述轨迹，无论所述轨迹有没有被确认。预定数量的帧根据实际需要被设定，例如可以是连续3帧、4帧、5帧等。
[0081]
更具体地，分数用于表示确定性和准确性。当分数低时代表误差比较大，确定性较低，表示没有检测到对应的障碍物(即检测到的为噪声)，当分数较高时，检测的准确性和确定性较高，表示检测到对应的障碍物，检测框输出结果准确。在本发明实施例中，基于预设的轨迹分数阈值对所述没有确认过的轨迹的分数进行判断，其中当所述轨迹的分数大于所述预设的轨迹分数阈值时，确认所述轨迹，属于一个真实存在的物体，并不是噪声，进而可以避免因检测到的噪声导致自车紧急制动。
[0082]
在本发明实施例中，当选择的传感器或运动模型的原始数据为非线性数据时，可以通过选择ekf或ukf解决。在本发明实施例中，当输出的结果为无匹配时，认为检测区域内不存在障碍物。
[0083]
此外，在本发明的实施例中，无匹配结果意为没有检测框和预测框，也就是自车周围没有物体，输入的检测框和预测框均为空白内容。
[0084]
图3为示出了本发明提供的用于3d点云的目标实时跟踪系统300的示意图。如图3所示，系统300包括预测模块310、匹配模块320、更新模块330和轨迹管理模块340。
[0085]
预测模块310用于将轨迹的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出预测框。
[0086]
匹配模块320用于将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配所述预测框、未匹配的所述检测框和未匹配的所述预测框。
[0087]
更新模块330用于当输出的所述匹配结果为所述匹配的所述检测框和所述匹配所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数。
[0088]
轨迹管理模块340用于当输出的所述匹配结果为所述未匹配的所述检测框时，基于所述未匹配的所述检测框产生新的轨迹；以及当输出的所述匹配结果为所述未匹配的所述预测框时，基于所述未匹配的所述预测框更新所述轨迹的分数。
[0089]
进一步地，在本发明实施例中，所述轨迹管理模块340还用于基于预设的轨迹分数阈值对所述轨迹的分数进行判断，其中当所述轨迹的分数大于所述预设的轨迹分数阈值时，所述轨迹管理模块340确认所述轨迹。此外，当一个轨迹连续预定数量帧均未被更新时，所述轨迹管理模块340删除所述轨迹，无论所述轨迹有没有被确认。预定数量的帧根据实际需要被设定，例如可以是连续3帧、4帧、5帧等。
[0090]
在本发明实施例中，所述系统还包括前处理模块，用于将所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。
[0091]
此外，要说明的是，虽然未示出，但上述参照图2所述的用于3d点云的目标实时跟踪方法200的细节和步骤同样适用于图3所示的目标实时跟踪系统300。为了避免对本发明不必要的模糊，在此省略对其的详细描述。
[0092]
本发明通过自适应的普通卡尔曼滤波、恒定速度运动模型、在地图坐标系下进行跟踪、欧氏距离匹配，实现在推理时间低于最高限制的情况下进行实时跟踪，针对包含激光
雷达3d点云深度学习模型的感知方案，本发明实施例的推理时间为毫秒级别，实现了对推理时间和轨迹跟踪准确性的良好平衡。
[0093]
图4示出了根据本公开实施例的电子设备400的示意图。本公开实施例中的电子设备400可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0094]
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0095]
通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0096]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
[0097]
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的3d点云的目标实时跟踪方法。
[0098]
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的3d点云的目标实时跟踪方法。
[0099]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其
中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0100]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0101]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
[0102]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
[0103]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0104]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0105]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
[0106]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0107]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种用于3d点云的目标实时跟踪方法，其特征在于，所述方法包括以下步骤：基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；基于预设的匹配标准，将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配的所述预测框、未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项，其中当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。2.根据权利要求1所述的用于3d点云的目标实时跟踪方法，其特征在于，所述方法还包括：基于预设的轨迹分数阈值对所述轨迹的分数进行判断，其中当所述轨迹的分数大于所述预设的轨迹分数阈值时，确认所述轨迹。3.根据权利要求1所述的用于3d点云的目标实时跟踪方法，其特征在于，所述方法还包括：将所述输入的检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。4.根据权利要求3所述的用于3d点云的目标实时跟踪方法，其特征在于，所述将所述输入的检测框的雷达坐标系转换为自车坐标系包括通过标定参数进行转换。5.根据权利要求1所述的用于3d点云的目标实时跟踪方法，其特征在于，所述将所述检测框和所述预测框进行匹配包括通过计算欧氏距离进行匹配。6.一种用于3d点云的目标实时跟踪系统，其特征在于，所述系统包括：预测模块，被配置用于基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；匹配模块，被配置用于将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配所述预测框、未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项；更新模块，被配置用于当输出的所述匹配结果为所述匹配的所述检测框和所述匹配所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；以及轨迹管理模块，被配置用于当输出的所述匹配结果为未匹配的所述检测框和未匹配的所述预测框时，基于未匹配的所述检测框产生新的轨迹，以及基于未匹配的所述预测框更新所述轨迹的分数。7.根据权利要求6所述的用于3d点云的目标实时跟踪系统，其特征在于，所述系统还包括前处理模块，用于将所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系
转换为地图坐标系。8.一种电子设备，该电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行如权利要求1至5中的任一项所述的用于3d点云的目标实时跟踪方法。9.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行如权利要求1至5中的任一项所述的用于3d点云的目标实时跟踪方法。10.一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至5中的任一项所述的用于3d点云的目标实时跟踪方法。

技术总结
本发明涉及一种用于3D点云的目标实时跟踪方法和系统。所述方法包括：将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；将所述检测框和所述预测框进行匹配，并输出匹配结果；当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。通过本公开的处理方案，在提高了目标实时识别的准确性的同时缩短了处理时间。确性的同时缩短了处理时间。确性的同时缩短了处理时间。


技术研发人员：高思聪 邱中原 陈义飞 梁爽
受保护的技术使用者：北京超星未来科技有限公司
技术研发日：2023.04.13
技术公布日：2023/7/21