[发明专利]一种基于信息量测不完全的车辆运动参数估计方法

说明书

本发明公开了一种基于信息量测不完全的车辆运动参数估计方法，本方法根据车辆相对运动工况建立了多个不同的卡尔曼滤波系统状态模型；以全球定位系统与车辆通信信息结合毫米波雷达信息作为观测量，同时结合视频跟踪系统，在运行过程中考虑到实际环境中可能出现的过程干扰和量测数据干扰，利用交互多模型算法，获取同一车道车辆的速度、加速度等相关参数；同时结合车载视频跟踪，可为视频图像干扰较大的情况下，实现同一车道上的车辆目标定位。本发明方法具有高定位精度，高可靠性和适应性好的优点。

技术领域

本发明公开了一种基于信息量测不完全的车辆运动参数估计方法，属于车辆跟踪监测技术领域。

背景技术

随着社会经济的发展，车辆保有量迅速增长，道路交通安全问题日益突出，已成为全球性难题。全世界每年因交通事故造成了大量的人员伤亡和财产损失，车辆事故统计表明，汽车追尾事故是公路交通中最大多也是车辆运行过程中最危险的事故之一，其中91％的追尾事故是由于驾驶员注意力不集中引起的，如果提前0.5s提醒驾驶员，则追尾事故避免率可达90％。司机面对的主要威胁主要是道路上的其他车辆。汽车辅助驾驶的目的就是让司机警惕驾驶环境以及同其他车辆之间可能发生的碰撞。对路面运动车辆进行实时、精确的跟踪预测首先需要从公路交通场景中提取动态目标信息，然后再结合相关算法对目标车辆进行跟踪，得到目标的运行参数。这些信息都可以通过跟踪车辆的雷达测量得到的，但是在复杂的交通场景下，干扰增多，在动态目标信息提取方面，单一的信息采集方法难以满足跟踪要求。GPS定位精度高，但受天气和位置的影响较大。当遇到天气不佳的时候、或者处于高架桥/树荫的下面，或者在高楼的旁边角落、地下车库或露天的下层车库，GPS的定位就会受到相当大的影响，甚至无法进行定位服务。毫米波雷达性能优良，但所测信息噪声较大，无法有效区分干扰目标，也会受恶劣天气影响和周围车辆、障碍物的电磁波干扰。车载设备得到的视频图像的背景比较复杂并且是动态变化的，易受环境影响，如天气、光照等干扰影响。

在智能交通系统中，随着车载设备的普及以及计算机视觉领域中目标检测与跟踪算法的深入研究，基于车载设备视频图像的目标检测和跟踪结果将能为辅助驾驶提供可靠的参考信息，从而进一步实现安全驾驶。

发明内容

为了实现对目标车辆运动参数的准确获取、可靠估计，本发明提出的方法针对公路交通车辆不同的运动典型工况建立多个卡尔曼滤波模型，同时采用GPS、加速度计和雷达毫米波对目标数据进行采集，结合车载视频，并考虑到量测信息获取不完全的情况。考虑到实际车辆运行的几种典型工况，为滤除雷达传感器观测噪声，获得较为准确的与前车间的距离、车速等信息，本发明采用基于交互式多模型(IMM，Interacting Multiple Model)的Kalman滤波算法来跟踪预测同一车道车辆相对运行参数。

为达到上述目的，本发明采用的技术方案如下：

一种基于信息量测不完全的车辆运动参数估计方法，包括以下步骤：

(1)建立同一车道车辆相对运动的卡尔曼滤波模型；

所述车辆相对运动分为匀速运动，匀加速运动和匀减速运动；

所述卡尔曼滤波模型为：

其中，j＝1表示匀速运动的卡尔曼滤波模型，j＝2表示匀加速运动的卡尔曼滤波模型，j＝3表示匀减速运动的卡尔曼滤波模型；X_j(k)为第j个卡尔曼滤波模型k时刻的目标运动状态向量，A_j为适维状态转移矩阵，w_j(k)是均值为零、方差为Q_j的高斯白噪声，Z_j(k)表示第j个卡尔曼滤波模型k时刻的观测数据，C_j为适维量测矩阵，d_j(k)表示第j个卡尔曼滤波模型k时刻车辆运动数据的探测概率，

v_j(k)满足：