一种汽车雷达目标跟踪方法技术

本发明专利技术涉及一种汽车雷达目标跟踪方法，其包括：步骤S1，设置过程噪声协方差矩阵、测量噪声协方差矩阵R以及采样权重参数；步骤S2，初始化运动状态向量；对状态误差协方差矩阵进行乔利斯基分解以获得分解矩阵，并初始化该分解矩阵；步骤S3，计算获得西格玛点及其均值权重参数和方差权重参数；步骤S4，计算获得运动状态向量预测值和状态预测分解矩阵；步骤S5，计算获得测量值向量预测值和测量预测分解矩阵；步骤S6，计算获得卡尔曼增益；步骤S7，计算获得运动状态向量估计值和分解矩阵估计值；步骤S8，返回执行所述步骤S2。本发明专利技术一方面减少了计算量，另一方面基本消除了状态误差协方差矩阵非正定导致算法停滞的隐患。

【技术实现步骤摘要】

本专利技术涉及目标跟踪领域，尤其涉及一种基于平方根不敏卡尔曼滤波（SRUKF)的 汽车雷达目标跟踪方法。
技术介绍
卡尔曼滤波(KF)是目标跟踪领域应用广泛的一种跟踪算法。卡尔曼滤波器的作用 在于，通过对运动目标运动过程和传感器测量过程建模，利用间接、含噪声的测量值，尽量 准确地估计目标的运动状态。运动状态包括目标的位置、速度、加速度信息。传感器测量模 型中包含有噪声(称为测量噪声），这代表着对目标的测量含有一定的不准确性；目标运动 过程模型中也包含有噪声(称为过程噪声），这代表运动目标的运动过程并不完全符合运动 模型的假设。虽然真实世界的很多动态系统都并不能确切地符合所假设的运动模型，但是 由于卡尔曼滤波器被设计在有噪声的情况下工作，因此一个近似的符合已经可以使这个滤 波器非常有用了。滤波的意义在于，通过假设运动模型和测量模型，减少测量噪声和过程噪 声对目标跟踪效果的影响，从而更精确的估计目标车辆的运动状态。 传统的卡尔曼滤波器只适用于线性系统，即运动模型和测量模型必须是线性系 统。而在车辆目标跟踪领域，这常常是难以达到的。多数情况下，目标车辆运动状态可以用 一个简单的八维状态空间向量X表示：X= T，其中包含目标距离r、目标角度a以及目标径向 速度V。由于状态空间向量X和测量值空间向量Y之间不满足线性关系，状态空间向量X到测量值空间向量Y的映射由测量模型h表示 ，因此，该测量模型h也不是线性系统，从而 7. 使得传统的卡尔曼滤波器无法使用。 为此，需要对传统的卡尔曼滤波器进行改进，由此产生了扩展卡尔曼滤波器 (EKF)，这是为了解决非线性问题而提出的一种滤波器。然而，EKF应对非线性问题是通过将 非线性系统进行一阶线性化来进行滤波的。这种方式虽然能得到结果，但是在后验状态均 值和后验状态协方差上往往会出现较大误差，甚至出现滤波器发散的情况。 鉴于上述情况，现有技术中进一步开发了不敏卡尔曼滤波器(UKF)，这是另一种适 用于非线性系统的卡尔曼滤波器。UKF相比于EKF在后验状态均值和后验状态协方差上有了 很大的提高，而且和EKF有同阶的计算复杂度。UKF并不对非线性系统进行线性化，而是在状 态空间向量和测量值空间向量进入非线性系统之前，用一组特殊的权值进行采样，这组采 样点称为西格玛点，这组西格玛点能准确的反映原分布的均值和协方差。让这组采样点通 过非线性系统后，再对输出值加权求和，这样得到的后验均值和后验协方差能达到三阶泰 勒展开式的精度。这一整个过程称为UT变换。然而在实际使用UKF进行滤波时，仍会遇到一 些困难。具体来说，在UT变换中，需要对协方差矩阵求乔利斯基分解，因此，一方面，这要求 运算过程中协方差矩阵始终保持正定，另一方面，这带来的计算量也较大。由于目标跟踪领 域对实时性的要求较高，传感器频率比较高，对算法迭代速度的要求也比较高，因此UT变换 的高复杂度和运算过程中可能导致的不正定问题就成了限制UKF算法应用的瓶颈。
技术实现思路
为了解决上述现有技术存在的问题，本专利技术旨在提供一种汽车雷达目标跟踪方 法，以克服现有的汽车雷达目标跟踪方法中UKF滤波器运算性能上的不足，提高该跟踪方法 的实时性和稳定性。 本专利技术所述的，其包括:步骤so，构建目标车辆运动模 型以及汽车雷达测量模型，并将目标车辆的运动状态标记为L维的运动状态向量X，将汽车 雷达测得的目标车辆信息标记为测量值向量Y;根据所述目标车辆运动模型获得状态误差 协方差矩阵P和过程噪声协方差矩阵Q，根据所述汽车雷达测量模型获得测量噪声协方差矩 阵R，其特征在于，该方法还包括以下步骤： 步骤S1，将所述过程噪声协方差矩阵Q和所述测量噪声协方差矩阵R分别设置为常 数矩阵，并设置采样权重参数α、β和Θ; 步骤S2,初始化第k个时刻的运动状态向量Xk;对第k个时刻的状态误差协方差矩 阵Pk进行乔利斯基分解以获得分解矩阵S k，并初始化该分解矩阵Sk; 步骤S3，计算获得初始化后的运动状态向量Xk所对应的2L+1个西格玛点σχ, k及其 均值权重参数Wm和方差权重参数W。； 步骤S4,计算获得目标车辆在第k+Ι个时刻的运动状态向量预测值ffc+1，并根据 该运动状态向量预测值.1& +1、所述过程噪声协方差矩阵Q、所述西格玛点〇x,k以及所述方差 权重参数W。，计算获得第k+Ι个时刻的状态预测分解矩阵 步骤S5,计算获得第k+Ι个时刻的测量值向量预测值?^+1，并根据该测量值向量 预测值％+1、所述测量噪声协方差矩阵R、所述西格玛点〇 x,k以及所述方差权重参数W。，计 算获得第k+Ι个时刻的测量预测分解矩阵33^+1;步骤S6,根据所述西格玛点〇x,k、所述方差权重参数W。、所述运动状态向量预测值 &+1、所述测量值向量预测值ffc+1以及所述测量预测分解矩阵\#+1，计算获得卡尔曼 增益Kk +i; 步骤S7,计算获得目标车辆在第k+1个时刻的运动状态向量估计值:根据所 述状态预测分解矩阵测量预测分解矩阵$^+1以及卡尔曼增益K k+1，计算获得第k +1个时刻的分解矩阵估计值.>^+1; 步骤S8,返回执行所述步骤S2,并使k = k+l，直至目标车辆停止运动。 在上述汽车雷达目标跟踪方法中，所述步骤S2包括：当k = 0时，采用通过所述汽车 雷达获得的测量值向量Υο初始化所述运动状态向量Xk，且将所述分解矩阵Sk初始化为L维的 单位矩阵；当k矣0时，将所述运动状态向量X k和分解矩阵S k分别设置为： = I，，其中，f fc:表示目标车辆在第k个时刻的运动状态向量估计值，^:表 示第k个时刻的分解矩阵估计值。在上述汽车雷达目标跟踪方法中，所述步骤S3包括:根据以下公式可获得2L+1个 西格玛点〇x,k及其均值权重参数Wm和方差权重参数W。： 其中，A = a2(L+0)-L，，L为所述运动状态向量X的维度，α，β，θ为所述 采样权重参数；和分别对应第i个西格玛点丨的均值权重参数和方差权重参 数。 在上述汽车雷达目标跟踪方法中，所述步骤S4包括:首先，将所述西格玛点(^代 入所述目标车辆运动模型的状态转移函数f( ·)中，以获得第k+Ι个时刻的预测采样点集 〇x,k+i，其中，所述状态转移函数f( ·)为：其中，dt表示所述汽车雷达的采样周期；然后，根据所述预测采样点集〇x,k+1以及所述均值权重参数^，并通过以下公式计 算获得所述目标车辆在第k+Ι个时刻的运动状态向量预测值无fc+1: 在上述汽车雷达目标跟踪方法中，所述步骤S4包括:将所述西格玛点心^代入所述 目标车辆运动模型的状态转移函数f( ·)中，以获得第k+1个时刻的预测采样点集~,!^，其 中，所述状态转移函数f( ·)为：其中，dt表示所述汽车雷达的采样周期；然后，根据所述预测采样点集〇x,k+1、所述运动状态向量预测值^+1、所述过程噪 声协方差矩阵Q以及所述方差权重参数W。，并通过以下公式计算获得所述第k+Ι个时刻的状 态预测分解矩阵&^+1:在上述汽车雷达目标跟踪方法中，所述步骤S5包括:首先，将所述西格玛点〇x,kR 入所述目标车辆运动模型的状态转移函数f( ·)中，以获得第k+1个时刻的预测采样点集 〇x,本文档来自技高网...

【技术保护点】
一种汽车雷达目标跟踪方法，其包括：步骤S0，构建目标车辆运动模型以及汽车雷达测量模型，并将目标车辆的运动状态标记为L维的运动状态向量X，将汽车雷达测得的目标车辆信息标记为测量值向量Y；根据所述目标车辆运动模型获得状态误差协方差矩阵P和过程噪声协方差矩阵Q，根据所述汽车雷达测量模型获得测量噪声协方差矩阵R，其特征在于，该方法还包括以下步骤：步骤S1，将所述过程噪声协方差矩阵Q和所述测量噪声协方差矩阵R分别设置为常数矩阵，并设置采样权重参数α、β和θ；步骤S2，初始化第k个时刻的运动状态向量Xk；对第k个时刻的状态误差协方差矩阵Pk进行乔利斯基分解以获得分解矩阵Sk，并初始化该分解矩阵Sk；步骤S3，计算获得初始化后的运动状态向量Xk所对应的2L+1个西格玛点σx,k及其均值权重参数Wm和方差权重参数Wc；步骤S4，计算获得目标车辆在第k+1个时刻的运动状态向量预测值并根据该运动状态向量预测值所述过程噪声协方差矩阵Q、所述西格玛点σx,k以及所述方差权重参数Wc，计算获得第k+1个时刻的状态预测分解矩阵步骤S5，计算获得第k+1个时刻的测量值向量预测值并根据该测量值向量预测值所述测量噪声协方差矩阵R、所述西格玛点σx,k以及所述方差权重参数Wc，计算获得第k+1个时刻的测量预测分解矩阵步骤S6，根据所述西格玛点σx,k、所述方差权重参数Wc、所述运动状态向量预测值所述测量值向量预测值以及所述测量预测分解矩阵计算获得卡尔曼增益Kk+1；步骤S7，计算获得目标车辆在第k+1个时刻的运动状态向量估计值根据所述状态预测分解矩阵测量预测分解矩阵以及卡尔曼增益Kk+1，计算获得第k+1个时刻的分解矩阵估计值步骤S8，返回执行所述步骤S2，并使k＝k+1，直至目标车辆停止运动。...

【技术特征摘要】

【专利技术属性】
技术研发人员：郭剑鹰，刘华军，李国玉，杨天锡，李怡强，沈涛，吴立丰，张二涛，
申请(专利权)人：华域汽车系统股份有限公司，南京理工大学，
类型：发明
国别省市：上海;31