[發(fā)明專利]一種基于動態(tài)聯(lián)邦濾波的車載雷達目標跟蹤方法

有效

• 申請?zhí)枺?/td>: 202011063905.5
• 申請日: 2020-09-30
• 公開（公告）號: CN112180361B
• 公開（公告）日: 2023-09-26
• 發(fā)明（設計）人: 鄭雙權;趙萬忠;徐燦;羅建;劉津強;滿香;董雪峰;徐坤豪;徐洪波
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01S13/72
• 分類號: G01S13/72;G01S13/86;G01S17/66;G06N3/0464;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

本發(fā)明公開了一種基于動態(tài)聯(lián)邦濾波的車載雷達目標跟蹤方法，步驟如下：建立車載雷達系統(tǒng)與車輛運動坐標系之間的轉換關系，將各坐標系進行空間統(tǒng)一；建立目標車輛運動模型以及車載雷達測量模型；利用Sage?Husa濾波算法對車載雷達測量數據進行濾波，以殘差統(tǒng)計信息對子濾波器的工作狀態(tài)進行評估，篩選出故障子濾波器并對動態(tài)聯(lián)邦濾波器重構；根據重構的動態(tài)聯(lián)邦濾波器中子濾波器的殘差統(tǒng)計信息，利用分布式模糊神經網絡模型調整信息分配系數；對2個子濾波器的最優(yōu)估計值，根據信息分配原則進行全局融合，獲得全局的最優(yōu)估計值，利用動態(tài)信息分配系數進行反饋過程。本發(fā)明解決了現有技術中由于環(huán)境改變引起車載雷達目標跟蹤系統(tǒng)精度下降甚至發(fā)散的問題。

技術領域

本發(fā)明屬于自動駕駛環(huán)境感知的多傳感器信息融合領域，具體指代一種基于動態(tài)聯(lián)邦濾波的車載雷達目標跟蹤方法。

背景技術

自動駕駛環(huán)境感知主要包括感知自身的狀態(tài)和感知行駛環(huán)境中的其他物體并跟蹤。準確、全面、實時的環(huán)境感知信息對自動駕駛車輛的決策和控制有著十分重要的意義。自動駕駛在環(huán)境感知過程中常用的傳感器有激光雷達、毫米波雷達、攝像頭和超聲波雷達等；其中，雷達在整個感知系統(tǒng)中發(fā)揮著十分重要的作用。不同傳感器由于感知原理不同，其獲得的環(huán)境信息也不同，在不同環(huán)境下的工作性能也存在很大差異。

激光雷達一般安裝在車頂，通過旋轉掃描一定直徑范圍的區(qū)域，建立一個動態(tài)的、三維的地圖環(huán)境，為車輛提供道路信息。與攝像頭、毫米波雷達等傳感器相比，激光雷達能夠提供高精度的3D數字環(huán)境模型，在目前技術領先的自動駕駛車輛上得到普遍應用，已經能夠適應多路況自動駕駛的谷歌Waymo和百度Apollo都采用以激光雷達為主、其他傳感器為輔的感知方案。但是，激光雷達昂貴的價格阻礙了其在車輛中的應用。以百度為例，Apollo車頂雷達價值高達70萬余元，超過整車價格。

毫米波雷達通過向環(huán)境發(fā)射微波，微波遇到目標發(fā)生反射，雷達接收器通過回波在短時間內就能測出目標的速度。毫米波雷達方向性好、探測距離遠且受環(huán)境(雨雪、風沙等)干擾小，并且成本也低于激光雷達，目前已在輔助駕駛系統(tǒng)中得到廣泛應用，能夠實現毫米波防撞雷達、自適應巡航、盲區(qū)檢測、輔助變道等功能。

雷達精度越高價格越昂貴，且不同性質的雷達傳感器的環(huán)境適應性能存在很大差異，僅僅依靠單一傳感器獲取環(huán)境信息的方法存在精度、穩(wěn)定性差以及成本等問題，因此，需要利用多傳感器融合技術來提升車載雷達系統(tǒng)的感知性能。在處理車載雷達數據融合問題上，聯(lián)邦卡爾曼濾波效果顯著，其濾波精度和系統(tǒng)抗故障污染能力很大程度上取決于信息分配原則。

發(fā)明內容

針對于上述現有技術的不足，本發(fā)明的目的在于提供一種基于動態(tài)聯(lián)邦濾波的車載雷達目標跟蹤方法，以解決現有技術中由于環(huán)境改變引起車載雷達目標跟蹤系統(tǒng)精度下降甚至發(fā)散的問題。

為達到上述目的，本發(fā)明采用的技術方案如下：

本發(fā)明的一種基于動態(tài)聯(lián)邦濾波的車載雷達目標跟蹤方法，基于自動駕駛車輛的車載雷達系統(tǒng)，該系統(tǒng)包括：1個激光雷達、2個毫米波雷達、嵌入式處理器；所述嵌入式處理器采用動態(tài)聯(lián)邦濾波算法進行傳感器數據融合，輸出目標車輛距離自車的相對位置和速度；所述動態(tài)聯(lián)邦濾波算法基于動態(tài)聯(lián)邦濾波器實現；所述動態(tài)聯(lián)邦濾波器包括：1個主濾波器、2個子濾波器和動態(tài)信息分配權值計算模塊；所述子濾波器采用Suge-Husa濾波算法，輸出目標位置、速度信息的狀態(tài)估計值、估計協(xié)方差矩陣和濾波新息；所述動態(tài)信息分配權值計算模塊通過將2個子濾波器輸出的濾波新息輸入到模糊神經網絡模型得到各個子濾波器的信息分配權值；所述模糊神經網絡模型通過大量實驗數據訓練得到；所述主濾波器內進行時間更新和信息融合兩個過程，將2個子濾波器的狀態(tài)估計值和狀態(tài)估計均方誤差協(xié)方差矩陣與主濾波器的狀態(tài)估計值進行信息融合，得到全局最優(yōu)狀態(tài)估計值，并利用動態(tài)信息分配權值將全局信息反饋到2個子濾波器，進行子濾波器的重置。

所述方法步驟如下：