[发明专利]一种基于汽车雷达的扩展目标跟踪方法

说明书

本发明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目标输出结果，否则剔除该杂波，本发明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。

技术领域

本发明涉及智能驾驶技术领域，具体涉及一种基于汽车雷达的扩展目标跟踪方法。

背景技术

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。

发明内容

本发明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。

本发明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；