Сгенерируйте обнаружения зрения для сценария вождения
The visionDetectionGenerator Система object™ генерирует обнаружения от монокулярного датчика камеры, установленного на автомобиль , оборудованный датчиком. Все обнаружения ссылаются на систему координат автомобиля , оборудованного датчиком или датчика, установленного на транспортном средстве. Можно использовать visionDetectionGenerator объект в сценарии, содержащем актёров и траектории, которые можно создать с помощью drivingScenario объект. Используя статистический режим, генератор может симулировать реальные обнаружения с добавлением случайного шума, а также генерировать ложные обнаружения предупреждений. В сложение можно использовать visionDetectionGenerator объект, чтобы создать вход в multiObjectTracker. При построении сценариев с помощью приложения Driving Scenario Designer, датчики камеры, установленные на автомобиль , оборудованный датчиком, выводятся следующим visionDetectionGenerator объекты.
Чтобы сгенерировать визуальные обнаружения:
Создайте visionDetectionGenerator Объекту и установите его свойства.
Вызывайте объект с аргументами, как будто это функция.
Дополнительные сведения о работе системных объектов см. в разделе «Что такое системные объекты?».
sensor = visionDetectionGenerator
sensor = visionDetectionGenerator(cameraConfig)monoCamera объект строения, cameraConfig.
sensor = visionDetectionGenerator(Name,Value)visionDetectionGenerator('DetectionCoordinates','Sensor Cartesian','MaxRange',200) создает генератор обнаружения зрения, который сообщает о обнаружениях в Декартовой системе координат датчика и имеет максимальную область значений обнаружения 200 метров. Заключайте каждое имя свойства в кавычки.
dets = sensor(actors,time)dets, от измерений датчика, выполненных из actors в текущей симуляции time. Объект может генерировать обнаружения датчиков для нескольких актёров одновременно. Не включать автомобиля , оборудованного датчиком в качестве одного из актёров.
Чтобы включить этот синтаксис, задайте DetectionOutput на 'Objects only'.
lanedets = sensor(laneboundaries,time)lanedets, от краевых конструкций маршрута, laneboundaries.
Чтобы включить этот синтаксис набора DetectionOutput на 'Lanes only'. Детектор маршрута генерирует контуры маршрута с интервалами, заданными LaneUpdateInterval свойство.
lanedets = sensor(actors,laneboundaries,time)lanedets, от краевых конструкций маршрута, laneboundaries.
Чтобы включить этот синтаксис, задайте DetectionOutput на 'Lanes with occlusion'. Детектор маршрута генерирует контуры маршрута с интервалами, заданными LaneUpdateInterval свойство.
[___, также возвращает количество зарегистрированных допустимых обнаружений, numValidDets]
= sensor(___)numValidDets.
[___, также возвращает логическое значение, numValidDetsisValidTime]
= sensor(___)isValidTime, что указывает на то, что UpdateInterval Прошло время для генерации обнаружений.
[ возвращает оба обнаружения объектов, dets,numValidDets,isValidTime,lanedets,numValidLaneDets,isValidLaneTime] = sensor(actors,laneboundaries,time)dets, и обнаружения маршрута lanedets. Этот синтаксис также возвращает количество зарегистрированных допустимых обнаружений маршрута numValidLaneDets, и флаг, isValidLaneTime, что указывает, прошло ли необходимое время симуляции для генерации обнаружений маршрута.
Чтобы включить этот синтаксис, задайте DetectionOutput на 'Lanes and objects'.
Чтобы использовать функцию объекта, задайте системный объект в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:
release(obj)
Сгенерируйте обнаружения с помощью направленного вперед автомобильного датчика зрения, установленного на автомобиль , оборудованный датчиком. Предположим, что существует два целевых транспортного средства:
Транспортное средство 1 находится непосредственно перед автомобилем , оборудованным датчиком и движется с той же скоростью.
Транспортное средство 2 транспортных средств движется быстрее, чем автомобиль , оборудованный датчиком на 12 км/ч в левой полосе.
Все положения, скорости и измерения соответствуют автомобилю , оборудованному датчиком. Запустите симуляцию в течение десяти шагов.
dt = 0.1; car1 = struct('ActorID',1,'Position',[100 0 0],'Velocity', [5*1000/3600 0 0]); car2 = struct('ActorID',2,'Position',[150 10 0],'Velocity',[12*1000/3600 0 0]);
Создайте автомобильный датчик зрения, имеющий смещение местоположения от автомобиля , оборудованного датчиком. По умолчанию расположение датчика находится в (3,4,0) метрах от центра транспортного средства и в 1,1 метрах от наземной плоскости.
sensor = visionDetectionGenerator('DetectionProbability',1, ... 'MinObjectImageSize',[5 5],'MaxRange',200,'DetectionCoordinates','Sensor Cartesian'); tracker = multiObjectTracker('FilterInitializationFcn',@initcvkf, ... 'ConfirmationParameters',[3 4],'NumCoastingUpdates',6);
Создавайте визуальные обнаружения для актёров, не являющихся эго, когда они перемещаются. Обнаружения выхода образуют массив ячеек. Извлеките только информацию о положении из обнаружений, чтобы передать в multiObjectTracker, который ожидает только информацию о положении. Обновите трекер для каждого нового набора обнаружений.
simTime = 0; nsteps = 10; for k = 1:nsteps dets = sensor([car1 car2],simTime); n = size(dets,1); for k = 1:n meas = dets{k}.Measurement(1:3); dets{k}.Measurement = meas; measmtx = dets{k}.MeasurementNoise(1:3,1:3); dets{k}.MeasurementNoise = measmtx; end [confirmedTracks,tentativeTracks,allTracks] = updateTracks(tracker,dets,simTime); simTime = simTime + dt; car1.Position = car1.Position + dt*car1.Velocity; car2.Position = car2.Position + dt*car2.Velocity; end
Использование birdsEyePlot для создания служебного представления обнаружений. Постройте график зоны покрытия датчика. Извлечь положения x и y целей путем преобразования Measurement поля ячейки в массив MATLAB ®. Затем постройте график обнаружений с помощью birdsEyePlot функций.
BEplot = birdsEyePlot('XLim',[0 220],'YLim',[-75 75]); caPlotter = coverageAreaPlotter(BEplot,'DisplayName','Vision Coverage Area'); plotCoverageArea(caPlotter,sensor.SensorLocation,sensor.MaxRange, ... sensor.Yaw,sensor.FieldOfView(1)) detPlotter = detectionPlotter(BEplot,'DisplayName','Vision Detections'); detPos = cellfun(@(d)d.Measurement(1:2),dets,'UniformOutput',false); detPos = cell2mat(detPos')'; if ~isempty(detPos) plotDetection(detPlotter,detPos) end
Создайте датчик зрения с помощью монокулярного строения камеры и сгенерируйте обнаружения от этого датчика.
Задайте собственные параметры камеры и создайте monoCamera объект из этих параметров. Камера установлена на верхнюю часть автомобиля , оборудованного датчиком на высоте 1,5 метра над землей и тангажом 1 степени к земле.
focalLength = [800 800];
principalPoint = [320 240];
imageSize = [480 640];
intrinsics = cameraIntrinsics(focalLength,principalPoint,imageSize);
height = 1.5;
pitch = 1;
monoCamConfig = monoCamera(intrinsics,height,'Pitch',pitch);Создайте генератор обнаружения зрения с помощью монокулярного строения камеры.
visionSensor = visionDetectionGenerator(monoCamConfig);
Сгенерируйте сценарий вождения с автомобиль , оборудованный датчиком и двумя целевыми автомобилями. Положение первого целевого автомобиля на 30 метров непосредственно перед автомобилем , оборудованным датчиком. Расположите второй целевой автомобиль на 20 метров перед автомобиль , оборудованный датчиком, но смещите налево на 3 метра.
scenario = drivingScenario; egoVehicle = vehicle(scenario,'ClassID',1); targetCar1 = vehicle(scenario,'ClassID',1,'Position',[30 0 0]); targetCar2 = vehicle(scenario,'ClassID',1,'Position',[20 3 0]);
Используйте график птичьего глаза, чтобы отобразить контуры транспортного средства и зону покрытия датчика.
figure bep = birdsEyePlot('XLim',[0 50],'YLim',[-20 20]); olPlotter = outlinePlotter(bep); [position,yaw,length,width,originOffset,color] = targetOutlines(egoVehicle); plotOutline(olPlotter,position,yaw,length,width); caPlotter = coverageAreaPlotter(bep,'DisplayName','Coverage area','FaceColor','blue'); plotCoverageArea(caPlotter,visionSensor.SensorLocation,visionSensor.MaxRange, ... visionSensor.Yaw,visionSensor.FieldOfView(1))
Получите положения целевых автомобилей с точки зрения автомобиля , оборудованного датчиком. Используйте эти положения, чтобы сгенерировать обнаружения от датчика.
poses = targetPoses(egoVehicle); [dets,numValidDets] = visionSensor(poses,scenario.SimulationTime);
Отображение (X, Y) позиций допустимых обнаружений. Для каждого обнаружения (X, Y) положения являются первыми двумя значениями Measurement поле.
for i = 1:numValidDets XY = dets{i}.Measurement(1:2); detXY = sprintf('Detection %d: X = %.2f meters, Y = %.2f meters',i,XY); disp(detXY) end
Detection 1: X = 19.09 meters, Y = 2.79 meters Detection 2: X = 27.81 meters, Y = 0.08 meters
Создайте сценарий вождения, содержащий автомобиль , оборудованный датчиком и целевое транспортное средство, перемещающееся по трехполосной дороге. Обнаружите контуры маршрута с помощью генератора обнаружения зрения.
scenario = drivingScenario;
Создайте трехполосную дорогу с помощью спецификаций маршрута.
roadCenters = [0 0 0; 60 0 0; 120 30 0];
lspc = lanespec(3);
road(scenario,roadCenters,'Lanes',lspc);
Укажите, что автомобиль , оборудованный датчиком следует по центральной полосе движения со скоростью 30 м/с.
egovehicle = vehicle(scenario,'ClassID',1);
egopath = [1.5 0 0; 60 0 0; 111 25 0];
egospeed = 30;
smoothTrajectory(egovehicle,egopath,egospeed);
Укажите, что целевое транспортное средство перемещается перед автомобилем , оборудованным датчиком со скоростью 40 м/с и меняет полосы движения рядом с автомобилем , оборудованным датчиком.
targetcar = vehicle(scenario,'ClassID',1);
targetpath = [8 2; 60 -3.2; 120 33];
targetspeed = 40;
smoothTrajectory(targetcar,targetpath,targetspeed);
Отображение графика погони для 3-D вида сценария позади автомобиля , оборудованного датчиком.
chasePlot(egovehicle)
Создайте генератор обнаружения зрения, который обнаруживает полосы движения и объекты. Тангаж датчика указывает на одну степень вниз.
visionSensor = visionDetectionGenerator('Pitch',1.0); visionSensor.DetectorOutput = 'Lanes and objects'; visionSensor.ActorProfiles = actorProfiles(scenario);
Запустите симуляцию.
Создайте график птичьего глаза и связанные с ним плоттеры.
Отобразите зону покрытия датчика.
Отобразите разметку маршрута.
Получить основную истину положения целей на дороге.
Получить идеальные краевые точки маршрута до 60 м вперед.
Сгенерируйте обнаружения от идеальных целевых положений и контуров маршрута.
Отображение контура цели.
Отображать обнаружения объектов, когда обнаружение объектов допустимо.
Отображение контура маршрута при действии обнаружения маршрута.
bep = birdsEyePlot('XLim',[0 60],'YLim',[-35 35]); caPlotter = coverageAreaPlotter(bep,'DisplayName','Coverage area', ... 'FaceColor','blue'); detPlotter = detectionPlotter(bep,'DisplayName','Object detections'); lmPlotter = laneMarkingPlotter(bep,'DisplayName','Lane markings'); lbPlotter = laneBoundaryPlotter(bep,'DisplayName', ... 'Lane boundary detections','Color','red'); olPlotter = outlinePlotter(bep); plotCoverageArea(caPlotter,visionSensor.SensorLocation,... visionSensor.MaxRange,visionSensor.Yaw, ... visionSensor.FieldOfView(1)); while advance(scenario) [lmv,lmf] = laneMarkingVertices(egovehicle); plotLaneMarking(lmPlotter,lmv,lmf) tgtpose = targetPoses(egovehicle); lookaheadDistance = 0:0.5:60; lb = laneBoundaries(egovehicle,'XDistance',lookaheadDistance,'LocationType','inner'); [obdets,nobdets,obValid,lb_dets,nlb_dets,lbValid] = ... visionSensor(tgtpose,lb,scenario.SimulationTime); [objposition,objyaw,objlength,objwidth,objoriginOffset,color] = targetOutlines(egovehicle); plotOutline(olPlotter,objposition,objyaw,objlength,objwidth, ... 'OriginOffset',objoriginOffset,'Color',color) if obValid detPos = cellfun(@(d)d.Measurement(1:2),obdets,'UniformOutput',false); detPos = vertcat(zeros(0,2),cell2mat(detPos')'); plotDetection(detPlotter,detPos) end if lbValid plotLaneBoundary(lbPlotter,vertcat(lb_dets.LaneBoundaries)) end end
Сгенерируйте обнаружения от идеального датчика зрения и сравните эти обнаружения с таковыми от шумного датчика. Идеальный датчик - это тот, который всегда генерирует обнаружения, без ложных срабатываний и без добавленного случайного шума.
Создайте сценарий вождения
Создайте сценарий вождения, в котором автомобиль , оборудованный датчиком расположен перед диагональным массивом целевых автомобилей. С помощью этого строения можно позже построить график шумовых ковариаций измерений обнаруженных целей, не закрывая целевые автомобили друг друга.
scenario = drivingScenario; egoVehicle = vehicle(scenario,'ClassID',1); numTgts = 6; x = linspace(20,50,numTgts)'; y = linspace(-20,0,numTgts)'; x = [x;x(1:end-1)]; y = [y;-y(1:end-1)]; numTgts = numel(x); for m = 1:numTgts vehicle(scenario,'ClassID',1,'Position',[x(m) y(m) 0]); end
Постройте график сценария вождения на графике птичьего глаза.
bep = birdsEyePlot('XLim',[0 60]); legend('hide') olPlotter = outlinePlotter(bep); [position,yaw,length,width,originOffset,color] = targetOutlines(egoVehicle); plotOutline(olPlotter,position,yaw,length,width, ... 'OriginOffset',originOffset,'Color',color)
Создайте идеальный датчик зрения
Создайте датчик зрения при помощи visionDetectionGenerator Системные object™. Чтобы сгенерировать идеальные обнаружения, установите DetectionProbability на 1, FalsePositivesPerImage на 0, и HasNoise на false.
DetectionProbability = 1 - Датчик всегда генерирует обнаружения для цели, пока цель не окклюдирована и соответствует ограничениям области значений, скорости и размера изображения.
FalsePositivesPerImage = 0 - Датчик генерирует обнаружения только от реальных целей в сценарии вождения.
HasNoise = false - Датчик не добавляет случайного шума в указанное положение и скорость цели. Однако objectDetection объекты, возвращенные датчиком, имеют значения шума измерения, установленные на отклонение шума, которая была бы добавлена, если бы HasNoise были true. С помощью этих значений шума можно обработать идеальные обнаружения с помощью multiObjectTracker. Этот метод полезен для анализа задержки маневра без необходимости запускать длительные симуляции Монте-Карло.
idealSensor = visionDetectionGenerator( ... 'SensorIndex',1, ... 'UpdateInterval',scenario.SampleTime, ... 'SensorLocation',[0.75*egoVehicle.Wheelbase 0], ... 'Height',1.1, ... 'Pitch',0, ... 'Intrinsics',cameraIntrinsics(800,[320 240],[480 640]), ... 'BoundingBoxAccuracy',50, ... % Make the noise large for illustrative purposes 'ProcessNoiseIntensity',5, ... 'MaxRange',60, ... 'DetectionProbability',1, ... 'FalsePositivesPerImage',0, ... 'HasNoise',false, ... 'ActorProfiles',actorProfiles(scenario))
idealSensor =
visionDetectionGenerator with properties:
SensorIndex: 1
UpdateInterval: 0.0100
SensorLocation: [2.1000 0]
Height: 1.1000
Yaw: 0
Pitch: 0
Roll: 0
Intrinsics: [1x1 cameraIntrinsics]
DetectorOutput: 'Objects only'
FieldOfView: [43.6028 33.3985]
MaxRange: 60
MaxSpeed: 100
MaxAllowedOcclusion: 0.5000
MinObjectImageSize: [15 15]
DetectionProbability: 1
FalsePositivesPerImage: 0
Show all properties
Постройте график зоны покрытия идеального датчика зрения.
legend('show') caPlotter = coverageAreaPlotter(bep,'DisplayName','Coverage area','FaceColor','blue'); mountPosition = idealSensor.SensorLocation; range = idealSensor.MaxRange; orientation = idealSensor.Yaw; fieldOfView = idealSensor.FieldOfView(1); plotCoverageArea(caPlotter,mountPosition,range,orientation,fieldOfView);
Симулируйте идеальные обнаружения зрения
Получить положения целей. Положения указаны в автомобиль , оборудованный датчиком координатах.
gTruth = targetPoses(egoVehicle);
Сгенерируйте обнаружение видения с временной меткой. Эти обнаружения возвращаются как массив ячеек objectDetection объекты.
time = scenario.SimulationTime; dets = idealSensor(gTruth,time);
Проверьте отклонение шума измерений и измерений первого (крайнего левого) обнаружения. Несмотря на то, что обнаружение идеально и, следовательно, не имеет добавленного случайного шума, MeasurementNoise свойство показывает значения, как если бы обнаружение имело шум.
dets{1}.Measurementans = 6×1
31.0000
-11.2237
0
0
0
0
dets{1}.MeasurementNoiseans = 6×6
1.5427 -0.5958 0 0 0 0
-0.5958 0.2422 0 0 0 0
0 0 100.0000 0 0 0
0 0 0 0.5398 -0.1675 0
0 0 0 -0.1675 0.1741 0
0 0 0 0 0 100.0000
Постройте график идеальных обнаружений и эллипсов для контура 2-сигмы ковариации шума измерения.
pos = cell2mat(cellfun(@(d)d.Measurement(1:2)',dets, ... 'UniformOutput',false)); cov = reshape(cell2mat(cellfun(@(d)d.MeasurementNoise(1:2,1:2),dets, ... 'UniformOutput',false))',2,2,[]); plotter = trackPlotter(bep,'DisplayName','Ideal detections', ... 'MarkerEdgeColor','blue','MarkerFaceColor','blue'); sigma = 2; plotTrack(plotter,pos,sigma^2*cov)
Симулируйте шумные обнаружения для сравнения
Создайте шумный датчик, основанный на свойствах идеального датчика.
noisySensor = clone(idealSensor); release(noisySensor) noisySensor.HasNoise = true;
Верните сценарий вождения в его исходное состояние.
restart(scenario)
Собирайте статистику от шумных обнаружений.
numMonte = 1e3; pos = []; for itr = 1:numMonte time = scenario.SimulationTime; dets = noisySensor(gTruth,time); % Save noisy measurements pos = [pos;cell2mat(cellfun(@(d)d.Measurement(1:2)',dets,'UniformOutput',false))]; advance(scenario); end
Постройте график шумных обнаружений.
plotter = detectionPlotter(bep,'DisplayName','Noisy detections', ... 'Marker','.','MarkerEdgeColor','red','MarkerFaceColor','red'); plotDetection(plotter,pos)
drivingRadarDataGenerator | drivingScenario | insSensor | laneMarking | lanespec | lidarPointCloudGenerator | monoCamera | multiObjectTracker | objectDetection