visionDetectionGenerator
Сгенерируйте обнаружения зрения для сценария вождения
Описание
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
visionDetectionGeneratorОбъекту 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?».
Создание
Синтаксис
Описание
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.
Свойства
Использование
Синтаксис
Описание
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'.
Входные параметры
Выходные аргументы
Функции объекта
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)
Примеры
Сгенерируйте визуальные обнаружения нескольких транспортных средств
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
Сгенерируйте визуальные обнаружения от монокулярной камеры
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
Сгенерируйте обнаружение контуров объектов и маршрута
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
Сконфигурируйте идеальный датчик зрения
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. ОднакоobjectDetectionобъекты, возвращенные датчиком, имеют значения шума измерения, установленные на отклонение шума, которая была бы добавлена, если быHasNoiseбылиtrue. С помощью этих значений шума можно обработать идеальные обнаружения с помощьюmultiObjectTracker. 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)
Расширенные возможности
См. также
Объекты
drivingRadarDataGenerator|drivingScenario|insSensor|laneMarking|lanespec|lidarPointCloudGenerator|monoCamera|multiObjectTracker|objectDetection