【技术实现步骤摘要】
一种基于变分贝叶斯的自适应协同目标跟踪方法
[0001]本专利技术涉及智能网联汽车目标跟踪
,尤其是涉及一种基于变分贝叶斯的自适应协同目标跟踪方法。
技术介绍
[0002]目标跟踪系统是智能网联汽车环境感知系统的重要组成部分,为了实现车辆自适应巡航、碰撞预警及其他车辆自动驾驶控制功能,需要准确地检测并估计智能网联车辆周围环境中各类目标的准确位置及运动状态信息。
[0003]随着车联网技术的成熟与普及,越来越多的车辆通过车间通信技术能够在车辆之间完成信息的共享。基于车车通信的协同目标跟踪不仅有较高的跟踪精度而且扩大了自车的感知范围,缩小了驾驶盲区。此外,由于基于车车通信的协同跟踪能充分利用协同车辆发布的信息,因此可以减少单车传感器种类或数量,降低智能汽车的制造成本。
[0004]但是传统的协同跟踪算法在实际跟踪场景中会有一定的局限性,原因在于这些算法本身的建立依赖于观测噪声的统计特性已知,而在实际交通场景中,由于主车、协同和目标车的运动工况十分复杂,观测噪声的统计特性往往难以确定,此外在实际交通场景中,主车、协同车和目标车的运动工况本身存在摄动,同时容易受到外界交通环境的干扰,跟踪系统的观测噪声也可能随之发生变化,这种情形下,传统的协同跟踪算法的工作性能就会发生退化,极端情形下甚至无法正常工作。
[0005]经过检索,中国专利技术专利申请CN113971752A公开了一种抗观测数据干扰的多车协同状态估计方法,但是该方法假设目标车的位置噪声服从t分布,控制参数过多,协同跟踪起始阶段状态估计收
【技术保护点】
【技术特征摘要】
1.一种基于变分贝叶斯的自适应协同目标跟踪方法,其特征在于,该方法包括以下步骤:步骤1、主车和协同车分别对同一目标车进行感知,协同车将感知到的观测数据和自车状态数据发送给主车;步骤2、主车对接收到的观测数据进行同步处理和坐标变换处理,然后将协同车和目标车的状态及观测组合;步骤3、在k=0时刻,初始化增广状态分布为其中,表示服从均值为和协方差矩阵为P0的高斯分布,并返回步骤1;步骤4、采用扩展卡尔曼滤波预测算法预测k时刻增广状态分布步骤4、采用扩展卡尔曼滤波预测算法预测k时刻增广状态分布其中,和P
k|k
‑1分别表示预测的增广状态及相应的误差协方差矩阵;步骤5、预测k时刻观测噪声协方差矩阵Σ
k
的分布参数v
k|k
‑1、V
k|k
‑1,初始化Σ
k
的分布参数及数学期望E[Σ
k
]0,并初始化变分迭代次数i=0;步骤6、根据变分贝叶斯框架,输入k时刻的观测y
k
,利用扩展卡尔曼滤波EKF的修正算法计算第i次迭代增广状态x
k|k
的变分后验分布的变分后验分布步骤7、计算第i次迭代增广观测噪声协方差矩阵Σ
k
的变分后验分布及数学期望E[∑
k
]
i
,其中,表示自由度为尺度参数为的逆威沙特分布;步骤8、判断变分贝叶斯迭代是否收敛,如果收敛则转到步骤9,否则返回步骤6,迭代次数i增加1;步骤9、输出增广状态误差协方差矩阵变分参数并判断是否结束协同目标跟踪,如果结束则算法终止,否则返回步骤1。2.根据权利要求1所述的一种基于变分贝叶斯的自适应协同目标跟踪方法,其特征在于,所述步骤1具体为:定义t1时刻主车对目标车的观测为t2时刻协同车对目标车的观测为协同车发送给主车的数据包括:协同车的感知时刻t2、协同车对目标车的观测协同车通过车载定位设备获得的经纬度和航向角。3.根据权利要求2所述的一种基于变分贝叶斯的自适应协同目标跟踪方法,其特征在于,所述步骤S2具体为:增广观测y
k
:主车将接收到的观测数据进行同步处理和坐标变换,经过数据预处理后,得到主车对协同车和目标的观测协同车对目标的观测以及协同车相对于主车的航向角θ
k
,组合后得到增广观测
增广状态x
k
:协同车的运动状态为其中,为协同车在主车坐标系x,y方向的位置与速度,(θ
k
,ω
k
)为协同车在主车坐标系下的航向角和角速度;目标车的运动状态为表示目标车在主车坐标系下x,y方向的位置与速度;组合后得到增广状态则观测方程为:式中,θ为协同车相对于主车坐标系的航向角。4.根据权利要求2所述的一种基于变分贝叶斯的自适应协同目标跟踪方法,其特征在于,所述步骤4中的增广状态及协方差矩阵P
k|k
‑1,具体数学表达式分别为:,具体数学表达式分别为:式中,分别为k
‑
1时刻更新后的增广状态和k时刻预测的增广状态,F
k
∈R
n
×
n
是状态转移矩阵;P
k
‑
1|k
‑1、...
【专利技术属性】
技术研发人员:冀建宇,顾海雷,何豆,王潇屹,曹寅,江玥,高瑶,侯俊杰,
申请(专利权)人:上海智能新能源汽车科创功能平台有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。