一种基于汽车雷达的扩展目标跟踪方法技术

本发明专利技术公开一种基于汽车雷达的扩展目标跟踪方法，根据状态集建立实际目标汽车的随机有限集模型，根据测量集建立量测目标汽车的随机有限集模型，修正异常多普勒速度，在方位‑多普勒速度预分区处理后使用吉布斯采样进行数据关联，关联成功则更新多目标PMBM后验密度，再预测下一时刻的多目标PMBM先验密度，关联不成功则判断是否有新目标进入，对于新目标则预测下一时刻的多目标PMBM先验密度，再结合完全状态向量计算输出结果，否则剔除该杂波，本发明专利技术增加少量的时间复杂度便能大幅度提升跟踪效率，提高跟踪精度。

An extended target tracking method based on automotive radar

【技术实现步骤摘要】
一种基于汽车雷达的扩展目标跟踪方法
本专利技术涉及智能驾驶
，具体涉及一种基于汽车雷达的扩展目标跟踪方法。
技术介绍
智能驾驶，是指通过雷达、激光测距器、视频摄像头等装置检测行驶路况，通过地图对前方道路进行导航。在智能驾驶的过程中，智能汽车可为驾驶员提供协助，可在驾驶员收到警告却未能及时采取相应行动时自动进行干预，可在或长或短的时间段内代替驾驶员操控车辆。智能驾驶领域涉及多目标跟踪系统，多目标跟踪系统在包含杂波、虚警和目标的场景中对目标进行检测、跟踪和识别，其中，目标的数量是可变的。扩展目标是指在同一时刻产生多个量测的目标，即，如果本智能汽车在每一时刻能都能接收到来自同一辆目标汽车的车头、车尾、车轮等不同部位的检测信息，那么该目标汽车则为扩展目标。现有技术在多目标情形下的扩展目标跟踪方面存在跟踪效率低和跟踪精度差的问题，目前提出的解决该问题的方法有聚类跟踪法和伽马高斯逆威夏特-概率假设密度法(GGIW-PHD)，聚类跟踪法的优点在于计算时间短，缺点在于无法确定扩展目标的形状，由此带来的位置误差、速度误差较大，尺寸误差、偏航角误差更是难以预计，GGIW-PHD的优点在于计算时间略高，位置误差与速度误差相对于聚类跟踪法小，缺点在于尺寸误差和偏航角误差较大。这两种方法都未能实质性解决扩展目标的跟踪效率低和跟踪精度差的问题。
技术实现思路
本专利技术提供一种基于汽车雷达的扩展目标跟踪方法，解决现有技术中存在扩展目标跟踪效率低、跟踪精度低的问题。本专利技术通过以下技术方案解决技术问题：一种基于汽车雷达的扩展目标跟踪方法，包括如下步骤：(1)获取汽车雷达的检测数据实时接收各时刻下本智能汽车的雷达检测数据，所述雷达检测数据包括各时刻下本智能汽车相对于各量测目标汽车的径向距离、角度以及多普勒速度，得到各量测目标汽车的测量集；(2)建立扩展目标模型根据各时刻下、各实际目标汽车的状态集建立实际目标汽车的随机有限集模型，根据各量测目标汽车的测量集建立量测目标汽车的随机有限集模型；(3)修正异常多普勒速度在量测目标汽车的随机有限集模型中，针对每个量测目标汽车，对各时刻下的多普勒速度进行处理，找出车轮位置，修正每个量测目标汽车转弯时产生的异常多普勒速度以及车轮附带的异常多普勒速度，得到量测目标汽车的修正随机有限集模型；(4)通过吉布斯采样进行数据关联在量测目标汽车的修正随机有限集模型中，针对各时刻下、各量测目标汽车的数据进行方位-多普勒速度预分区处理，使用吉布斯采样获取关联的多普勒速度；(5)根据关联结果进行更新或预测针对各时刻下、各量测目标汽车关联的多普勒速度，如关联成功，根据步骤(2)中的实际目标汽车的随机有限集模型、步骤(3)中量测目标汽车的修正随机有限集模型以及PMBM测量模型更新多目标PMBM后验密度，并预测下一时刻的多目标PMBM先验密度；如关联不成功，则判断是否出现新目标，如是新目标，则根据当前时刻的多目标PMBM后验密度以及贝叶斯滤波器模型预测下一时刻多目标PMBM先验密度，否则删除该多普勒速度；(6)计算目标输出结果。进一步地，步骤(2)中，所述实际目标汽车的随机有限集模型包含各时刻下、本智能汽车相对于各个实际目标汽车的径向距离、角度以及多普勒速度信息；所述量测目标汽车的随机有限集模型包含测量集信息。进一步地，步骤(3)中，在量测目标汽车的随机有限集模型中，针对每个量测目标汽车，通过各时刻下的多普勒速度找出车轮位置以及修正异常多普勒速度的步骤为：(31)在当前被测单元的前端设置1个保护单元，为前端保护单元，在所述前端保护单元的前端设置个参考单元，为前端参考单元；在当前被测单元的后端设置1个保护单元，为后端保护单元，在所述后端保护单元的后端设置个参考单元，为后端保护单元；(32)所述前端保护单元和后端保护单元中的各多普勒速度进行求和运算，计算出平均值；(33)如当前被测单元的多普勒速度大于预设值时，说明当前被测单元是车轮，将该车轮附近的异常多普勒速度用步骤(32)中的平均值替代，否则，执行步骤(34)；(34)以下一个被测单元作为当前被测单元，继续执行步骤(31)、(32)、(33)直至找出所有车轮，完成异常多普勒速度的替代工作。进一步地，步骤(4)中，在量测目标汽车的修正随机有限集模型中，针对各时刻下、各量测目标汽车的数据，方位-多普勒速度预分区处理的方法为：(41)在方位上以椭圆形作为窗口；(42)将修正后的当前时刻下、当前量测目标汽车的、落入椭圆形窗口范围的多普勒速度从小到大排序，如首尾多普勒速度的差值大于预设阈值，则使用k-means算法将所述椭圆形窗口范围内的区域一分为二，得到两个新分区，否则，完成预分区处理；(43)针对各新分区，分别重新选取椭圆形窗口，执行步骤(42)，直至各新分区的首尾多普勒速度的差值小于或等于预设阈值，完成预分区处理。进一步地，步骤(4)中，在量测目标汽车的修正随机有限集模型中，针对各时刻下、各量测目标汽车的数据采用吉布斯采样法获取关联的多普勒速度时，采样的迭代次数为其中Ti(Ti>1)为比例因子，为量测目标汽车的数量，为量测目标汽车航迹的数量。进一步地，步骤(5)中，关联成功后，针对各时刻下、各量测目标汽车的多普勒速度，更新多目标PMBM后验密度的方法为：将步骤(2)中的实际目标汽车的随机有限集模型、步骤(3)中的量测目标汽车的修正随机有限集模型以及PMBM测量模型结合，得到多目标PMBM后验密度式中，X表示步骤(2)中的实际目标汽车的随机有限集模型，Z表示步骤(3)中的量测目标汽车的修正随机有限集模型，Xu表示PPP的状态集，Xd表示MBM的状态集，表示MBM中的MB索引集，+表示先验密度MBM中的MB索引集，Aj表示第j个MB的伯努利部分的关联概率，表示第j个MB的关联权重，表示第j个MB的目标密度；式中，其中，Du(x)表示PPP当前的密度，n表示实际目标汽车的数量，-<Du(x)；1〉＝-∫Du(x).1dx；式中，C表示补集，表示补集第j个MB目标密度；式中，其中，Du(x)表示MBM的密度，表示MBM的先验密度，qD(x)为量测目标汽车被检测到的概率。进一步地，步骤(5)中，更新多目标PMBM后验密度之后，或关联失败但确定是新目标后，针对各时刻下、各量测目标汽车的多普勒速度预测下一时刻的多目标PMBM先验密度，下一时刻的多目标PMBM先验密度为式中，+表示先验密度，表示PPP下一时刻的先验密度，表示MBM下一时刻的先验密度，pS表示量测目标汽车存活到下一时刻的概率，表示下一时刻的第j个MB第i个伯努利关联权重，wj,i表示当前时刻第j个MB第i个伯努利关联权重，上述表达式中，r均表示概率，+号表示先验，f目标密度，j,i表示第j个MB中第i个伯努利的参数，k表示k时刻，k+1表示k时刻的下一时刻。进一步地，步骤(6)中，所述输出结果包括目标位本文档来自技高网...

【技术保护点】
1.一种基于汽车雷达的扩展目标跟踪方法，其特征在于，包括如下步骤：/n(1)获取汽车雷达的检测数据/n实时接收各时刻下本智能汽车的雷达检测数据，所述雷达检测数据包括各时刻下本智能汽车相对于各量测目标汽车的径向距离、角度以及多普勒速度，得到各量测目标汽车的测量集；/n(2)建立扩展目标模型/n根据各时刻下、各实际目标汽车的状态集建立实际目标汽车的随机有限集模型，根据各量测目标汽车的测量集建立量测目标汽车的随机有限集模型；/n(3)修正异常多普勒速度/n在量测目标汽车的随机有限集模型中，针对每个量测目标汽车，对各时刻下的多普勒速度进行处理，找出车轮位置，修正每个量测目标汽车转弯时产生的异常多普勒速度以及车轮附带的异常多普勒速度，得到量测目标汽车的修正随机有限集模型；/n(4)通过吉布斯采样进行数据关联/n在量测目标汽车的修正随机有限集模型中，针对各时刻下、各量测目标汽车的数据进行方位-多普勒速度预分区处理，使用吉布斯采样获取关联的多普勒速度；/n(5)根据关联结果进行更新或预测/n针对各时刻下、各量测目标汽车关联的多普勒速度，如关联成功，根据步骤(2)中的实际目标汽车的随机有限集模型、步骤(3)中量测目标汽车的修正随机有限集模型以及PMBM测量模型更新多目标PMBM后验密度，并预测下一时刻的多目标PMBM先验密度；如关联不成功，则判断是否出现新目标，如是新目标，则根据当前时刻的多目标PMBM后验密度以及贝叶斯滤波器模型预测下一时刻多目标PMBM先验密度，否则删除该多普勒速度；/n(6)计算目标输出结果。/n...

【技术特征摘要】
1.一种基于汽车雷达的扩展目标跟踪方法，其特征在于，包括如下步骤：
(1)获取汽车雷达的检测数据
实时接收各时刻下本智能汽车的雷达检测数据，所述雷达检测数据包括各时刻下本智能汽车相对于各量测目标汽车的径向距离、角度以及多普勒速度，得到各量测目标汽车的测量集；
(2)建立扩展目标模型
根据各时刻下、各实际目标汽车的状态集建立实际目标汽车的随机有限集模型，根据各量测目标汽车的测量集建立量测目标汽车的随机有限集模型；
(3)修正异常多普勒速度
在量测目标汽车的随机有限集模型中，针对每个量测目标汽车，对各时刻下的多普勒速度进行处理，找出车轮位置，修正每个量测目标汽车转弯时产生的异常多普勒速度以及车轮附带的异常多普勒速度，得到量测目标汽车的修正随机有限集模型；
(4)通过吉布斯采样进行数据关联
在量测目标汽车的修正随机有限集模型中，针对各时刻下、各量测目标汽车的数据进行方位-多普勒速度预分区处理，使用吉布斯采样获取关联的多普勒速度；
(5)根据关联结果进行更新或预测
针对各时刻下、各量测目标汽车关联的多普勒速度，如关联成功，根据步骤(2)中的实际目标汽车的随机有限集模型、步骤(3)中量测目标汽车的修正随机有限集模型以及PMBM测量模型更新多目标PMBM后验密度，并预测下一时刻的多目标PMBM先验密度；如关联不成功，则判断是否出现新目标，如是新目标，则根据当前时刻的多目标PMBM后验密度以及贝叶斯滤波器模型预测下一时刻多目标PMBM先验密度，否则删除该多普勒速度；
(6)计算目标输出结果。


2.根据权利要求1所述的一种基于汽车雷达的扩展目标跟踪方法，其特征在于：
步骤(2)中，所述实际目标汽车的随机有限集模型包含各时刻下、本智能汽车相对于各个实际目标汽车的径向距离、角度以及多普勒速度信息；所述量测目标汽车的随机有限集模型包含测量集信息。


3.根据权利要求1所述的一种基于汽车雷达的扩展目标跟踪方法，其特征在于：
步骤(3)中，在量测目标汽车的随机有限集模型中，针对每个量测目标汽车，通过各时刻下的多普勒速度找出车轮位置以及修正异常多普勒速度的步骤为：
(31)在当前被测单元的前端设置1个保护单元，为前端保护单元，在所述前端保护单元的前端设置个参考单元，为前端参考单元；在当前被测单元的后端设置1个保护单元，为后端保护单元，在所述后端保护单元的后端设置个参考单元，为后端保护单元；
(32)所述前端保护单元和后端保护单元中的各多普勒速度进行求和运算，计算出平均值；
(33)如当前被测单元的多普勒速度大于预设值时，说明当前被测单元是车轮，将该车轮附近的异常多普勒速度用步骤(32)中的平均值替代，否则，执行步骤(34)；
(34)以下一个被测单元作为当前被测单元，继续执行步骤(31)、(32)、(33)直至找出所有车轮，完成异常多普勒速度的替代工作。


4.根据权利要求1所述的一种基于汽车雷达的扩展目标跟踪方法，其特征在于：
步骤(4)中，在量测目标汽...

【专利技术属性】
技术研发人员：蒋留兵，温和鑫，车俐，杨凯，魏光萌，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45