[发明专利]一种结合UKF和随机矩阵的毫米波雷达目标跟踪方法

说明书

本发明公开了一种结合UKF和随机矩阵的毫米波雷达目标跟踪方法，包括以下步骤：步骤S1：航迹状态定义，所述航迹状态分包括运动学状态和扩展状态，分别对运动学状态和扩展状态进行建模；步骤S2：航迹状态预测，所述航迹状态预测包括预测k时刻航迹状态和状态协方差矩阵，采用无迹卡尔曼(UKF)对运动学状态进行滤波；步骤S3：量测点云匹配关联；步骤S4：航迹运动学状态更新；步骤S5：航迹扩展状态更新。本发明基于随机矩阵提出一种新的航迹与量测似然计算方法，提高了多个航迹距离较近情况下的关联准确率，并采用无迹卡尔曼对航迹状态进行预测和更新，进一步提高多目标跟踪的估计精度，尤其适用于高机动目标跟踪场景。

技术领域

本发明属于目标检测跟踪技术领域，具体地说，本发明涉及一种结合UKF和随机矩阵的毫米波雷达目标跟踪方法。

背景技术

目标跟踪技术是指根据传感器接收到的量测对目标个数、状态(如位置、速度等)进行估计的过程，该技术已广泛应用在战场监视、防空反导、自动驾驶等领域，传统的毫米波雷达目标跟踪通常假设一个目标一个时刻至多产生一个传感器量测，被称之为点目标跟踪；然而，随着毫米波雷达距离分辨率的提高，可以分辨出目标的个体轮廓特征，目标占据多个距离分辨单元，此时每个目标会产生多个量测，传统的点目标跟踪不再适用，因此提出扩展目标跟踪；传统的点目标跟踪方法仅能估计目标位置与速度等运动状态，而扩展目标跟踪方法充分利用量测包含的目标信息，通过多个量测的空间分布估计出目标的大小、方位、结构等复杂的形状信息；基于随机矩阵的扩展目标跟踪算法是一种经典算法，它建立了一套完整的贝叶斯理论框架，能够同时估计目标的运动状态和扩展状态；其中，扩展状态建模为一个椭圆(包含大小、方向)并用随机矩阵变量描述，且该变量服从逆威沙特分布。

现有多传感器融合定位初始化时间中的方式普遍存在的问题：

一方面基于随机矩阵的扩展目标跟踪算法在量测关联时仅考虑量测位置信息与目标扩展状态的似然，忽略了毫米波雷达特有的多普勒信息，因此在多个目标距离相距较近的情况下会产生错误关联，从而降低跟踪性能；

另一方面，随着道路环境日渐复杂，道路交通参与者种类繁多，传统的卡尔曼滤波假设目标处于线性运动状态并对其进行跟踪滤波，而实际道路中存在大量非线性运动目标，因此，传统卡尔曼滤波在处理此类目标时性能较差。

发明内容

本发明提供一种结合UKF和随机矩阵的毫米波雷达目标跟踪方法，以解决上述背景技术中存在的技术问题。

为了实现上述目的，本发明采取的技术方案为：一种结合UKF和随机矩阵的毫米波雷达目标跟踪方法，具体包括。

采用以上技术方案的有益效果是：

1、基于随机矩阵提出一种新的航迹与量测似然计算方法，提高了多个航迹距离较近情况下的关联准确率，并采用无迹卡尔曼对航迹状态进行预测和更新，进一步提高多目标跟踪的估计精度，尤其适用于高机动目标跟踪场景；

2、本发明在航迹管理阶段引入量测似然值计算航迹存活概率，能够有效减少虚假目标产生，提升跟踪整体效果。

附图说明

图1为本发明结合UKF和随机矩阵的毫米波雷达目标跟踪方法的逻辑框图；

具体实施方式

本发明提供一种结合UKF和随机矩阵的毫米波雷达目标跟踪方法，解决了上述背景技术中所提出的问题。

为了实现上述目的，本发明采取的技术方案为：包括以下步骤：

步骤S1：航迹状态定义，航迹状态分为两个部分：运动学状态和扩展状态，分别对运动学状态和扩展状态进行建模；

步骤S2：航迹状态预测，预测k时刻航迹状态和状态协方差矩阵，采用无迹卡尔曼(UKF)对运动学状态进行滤波；

步骤S3：量测点云匹配关联；