[发明专利]一种基于车车通信的多目标协同跟踪的方法

说明书

本发明公开了一种基于车车通信的多目标协同跟踪的方法，包括如下步骤：主车和协同车定期独立跟踪车载传感器检测范围内的目标状态；协同车将目标跟踪结果获得的自身状态通过车车通信发送给主车；将从协同车接收到的跟踪目标状态和协同车的状态均同步到主车感知时刻；获得的主车自身状态和同步后协同车的状态，计算协同车在主车坐标系中的坐标值；计算两车坐标系之间的相对角度与两车各自跟踪目标之间的关联；将两车关联上的目标状态信息进行融合，并保留各自没有关联的目标状态信息。有益效果：本发明能提高多目标的跟踪精度而且扩大了智能车的感知范围，缩小了感知盲区；可以根据需要减少单车传感器的数量，有助于降低智能汽车的制造成本。

技术领域

本发明涉及一种车辆对目标的跟踪方法，特别涉及一种基于车车通信的多目标协同跟踪的方法，属于智能驾驶与多目标跟踪技术领域。

背景技术

目标跟踪系统是智能汽车环境感知系统的重要组成部分，为了实现车辆自动驾驶决策与控制，需要准确地检测并估计智能车辆周围环境中的各类目标，包括车辆、行人等的准确位置及运动状态信息。近年来提出的随机有限集(Random Finite Set，RFS)理论将单目标贝叶斯滤波框架直接扩展至多目标情形,但是由于其在运算上过于复杂，Mahler.R提出了近似方法，即概率假设密度滤波器(Probability Hypothesis Density Filter，PHD)。随后墨尔本大学的Vo研究小组先后提出两种PHD滤波的实现方法，高斯混合PHD(GMPHD)滤波和粒子滤波PHD，有效的解决了基于随机有限集原理的多目标跟踪方法中的计算困难问题。

为了获得更加精确的环境信息，许多传统的车辆跟踪方法开始采用多传感器融合的技术方案，通过多传感器获取更多的环境信息，扩展检测范围，提高了目标检测的准确性，同时减少了杂波等干扰的影响，提高了跟踪精度，但是随着传感器种类和数量的增加，单车成本迅速增加，为自动驾驶汽车的量产带来了巨大的挑战。而且，即使安装了多种传感器，在实际的智能汽车目标跟踪场景中，由于车载传感器感知距离和角度的限制，以及跟踪目标之间的相互遮挡，智能汽车往往难以跟踪被部分或完全遮挡的目标及传感器检测范围之外的目标，如被自车前方车辆所遮挡的车辆或行人目标。因此，在复杂道路交通场景下，智能汽车依赖自车传感器无法实现对周边目标的稳定、持续跟踪。

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。但是应用车车通信技术实现多目标协同跟踪还存在很多问题，例如车车通信在发送数据的过程中会有一定的时间延迟，时间延迟会导致数据在时间上存在差异，影响关联数据的准确性；车车通信将协同车的跟踪状态列表发送给主车，但是无法确定两个状态列表的状态信息的对应关系，因此就无法应用将协同车跟踪的目标与主车跟踪的目标相结合。

发明内容

发明目的：本发明针对现有技术中存在的无法跟踪被部分或完全遮挡的目标及传感器检测范围之外的目标和车车通信技术应用中数据延迟等问题，提供了一种基于车车通信的多目标协同跟踪的方法，能够准确跟踪被部分或完全遮挡的目标及传感器检测范围之外的目标，还可以提升同时出现在两车检测范围之内的目标的跟踪精度，能为智能车辆的规划决策提供重要的参考依据。

技术方案：一种基于车车通信的多目标协同跟踪的方法，包括如下步骤：

步骤1：主车和协同车应用GMPHD滤波方法，定期独立跟踪车载传感器检测范围内的目标状态；

步骤2：协同车将目标跟踪结果和利用车载定位设备获得的自身状态通过车车通信发送给主车；

步骤3：将从协同车接收到的跟踪目标状态和协同车的状态均同步到主车感知时刻；

步骤4：根据车载定位设备获得的主车自身状态和同步后协同车的状态，计算协同车在主车坐标系中的坐标值；

步骤5：计算两车坐标系之间的相对角度与两车各自跟踪目标之间的关联；