基于卡尔曼滤波的道路目标检测与跟踪研究道路目标跟踪概述.DOCVIP

基于卡尔曼滤波的道路目标检测与跟踪研究 一、道路目标跟踪概述 行驶中的汽车所处的道路环境是相当复杂的，而安装车载雷达的汽车本身也是不时的处于机动状态之中，因此车载雷达所探测的目标也是在不停的变化当中.在本文所论述的汽车追尾碰撞预警算法中得知所需要的雷达数据参数为车间距离、两车相对速度和角度，但是面临的关键问题是:这些数据参数是否来源于潜在的危险目标物，若不是，就产生了虚警问题。虚警产生的原因源于多种因素，如邻近车道上的车辆，车道间的护拦，路旁的树木和各种标识牌以及空中和远处的高大建筑等物体。目前，适于车载的追尾碰撞测距雷达系统在世界上还没有得到大批量使用，除了由于成本、技术等方面存在的问题外，其主要原因之一就是虚警问题.过高虚警率的雷达不但不能减轻驾驶者的工作负担，反而会造成驾驶者精神高度紧张，起到相反的效果.国内外通过大量的实验研究，对如何降低虚警率已经逐渐达成共识:①要求防撞雷达必须具备测角能力，目标的方位角信息对于去除虚警是必不可少的;②设计出易于产生抗干扰性能强的雷达发射信号，配合以实时高效的信号处理和目标检测算法. 本文采用的车载雷达为毫米波脉冲多普勒雷达，其抗干扰性强、具备测角能力，这使雷达系统在硬件上满足了低虚警率的要求. 二、道路目标跟踪基本原理 三、卡尔曼(kalman)滤波 卡尔曼滤波器克服了维纳滤波器的缺点，而且只用信号的前一个估计值和最近一个观测值就可以在线性无偏最小方差估计准则下估计信号的当前值，而不必象维纳滤波器需要全部过去的观测值. 滤波和预测的目的是估计当前和未来时刻目标的运动状态，包括位置、速度和加速度等。卡尔曼滤波与预测的准则是均方根误差最小.除此之外，它在机动目标跟踪中还有许多其它的优点: (1)基于目标机动和量测噪声模型的卡尔曼滤波与预测增益序列可以自动地选择。这意味着通过改变一些关键性参数，相同的滤波器可以适用于不同的机动目标和量测环境; (2)卡尔曼滤波与量测增益序列能自动地适应检测过程的变化，包括采样周期的变化和漏检情况; (3)卡尔曼滤波与预测通过协方差矩阵可以很方便地对估计精度进行度量.在机动多目标跟踪中这种度量工具还可用于跟踪门的形成以及门限大小的确定; (4)通过卡尔曼滤波与预测中残差向量d(k)的变化，可以判断原假定的目标模型与实际目标的运动特性是否符合.因而，d(k)可用来作为机动检测与机动辩识的一种手段。同时，还可用于一致性分析等. (5)在密集多回波环境下的多机动目标跟踪方面，通过卡尔曼滤波与预测方法的使用，可以部分地补偿不确定性相关误差的影响。 四、道路目标跟踪模型： 对机动目标(车辆)跟踪滤波的目的是根据雷达获得的目标观测数据对目标的状态进行精确估计，跟踪滤波的关键在于其对机动目标的跟踪能力.机动目标跟踪的主要困难在于跟踪设定的目标模型与实际的目标动力学模型的匹配问题，一般目标沿匀速直线运动，这时采用Kalman滤波可获得最佳估计，但当目标偏离匀速直线运动轨迹而作机动时，由于持续的机动所带来的滤波误差可能相当大，导致在使用Kalman滤波的原始算法可能会出现发散的情况，故需要对机动目标采用更为有效的滤波算法进行处理. 适合道路车辆行驶的实际状况，采用了交互多模(IMM)算法，它是目前机动目标跟踪中最有效的算法之一该算法是在广义伪贝叶斯算法基础上，以卡尔曼滤波为出发点，提出的一种具有马尔可夫切换系数的交互式多模型算法，其中多种模型并行工作，目标状态估计是多个滤波器交互作用的结果.该算法不需要机动检测，同时达到了全面自适应能力。 交互多模(IMM)算法 假定在k时刻有r个模型 其中，Wj（k）是均值为零、协方差矩阵Q j为的白噪声序列。用一个马尔可夫链来控制这些模型之间的转换，马尔可夫链的转移概率矩阵为 其仿真流程如图所示 五：matlab仿真说明： 为了简化步骤，这次仿真把原论文的数据做了变动，论文中是两车相对运动，而我把这个问题看成是以一车作为不变的量，而另一车有一个固定的坐标在做运动，实验设计改为，在一辆车上装雷达作为原点，另一车在它前方（200，200）处，目标车在0—10秒内沿y轴做匀速直线运动，运动速度为 - 5m/s，当10—40秒时，沿x轴做90度的转弯，加速度为0.045m/s^2 X,Y独立观测，同时扫描周期为T=2秒。 同时在做IMM算法时它采用两模型，马尔科夫转移矩阵为 六、仿真结果与程序： 图 一 图 二 图 三 Matl