CN110596694A 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 （吉林大学）

号一种复杂环境雷达多目标跟踪和道路行驶一种复杂环境雷达多目标跟踪和道路行驶环境车在弯道中或者具有自主代客泊车功能的智能汽车在进出地下停车场弯曲坡道的过程中解决基于雷达原始目标量测值判别目标车辆所在车道位置关系识别不准确和目标跟踪算法的鲁棒性和精度不高的问题。主要由本车运动状态估2所述非普通CAN网络传输的信号转换为普通CAN网络传输所述时间同步是根据雷达一周期结束后的标志位Multiplexor来触发算法目标跟踪算步骤四、使用数据合理性判断规则对雷达原始目标所述感兴趣距离的距离范围采用ISO22179标准中目标检测区间进行识别dmax=τmax(vset_max)*vset_maxset_max)为车辆可提供的自适应巡航系统最高设定车速下可获步骤九、依据目标和主车运动的速度对目标运动步骤十、采用最近邻数据关联和改进自适应扩32.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特。3.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特补偿是将毫米波雷达坐标系中目标历史状态x(k-1)=y(k-1)*cos(p(k-1))y(k-1)=v(k-1)*sin((k-1))p(k)=w(k-1)*At其中，r(k|k-1)为目标T＝(k-1)*Δt时刻的历史位置在T(kk-1)为目标T＝(k-1)*Δt时刻的历史位置在T＝(k)*Δt时刻的毫米波雷达极坐标r(k-1)为T＝(k-1)*Δt时刻目标在毫米波雷达极坐标p(k-1)为T＝(k-1)*Δt时刻目标在毫米波雷达极坐标系中的方位角；x(k-1)为T＝(k-1)*Δt时刻目标在毫米波雷达笛卡y(k-1)为T＝(k-1)*Δt时刻目标在毫米波雷达笛卡p(k)为主车从T＝(k-1)*Δt时刻到T＝(k)*Δt时刻横摆角；所述目标速度补偿是为了获得目标在大地坐标44.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特Step1：初始记录时间片段长度为N，目标量测值对应的二进制位标识对应的权值表55.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特所述弯道道路曲率的估计包括本车所在道路曲率的估计和目标车所在道路曲率的估所述目标车所在道路曲率的估计是依据经过运动补偿后目标车辆的纵向速度vx，所述道路曲率识别模型目的为辨别车辆所在车道6.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特6ii)为雷达获得的i点的目标纵向距离和侧向距离量测值；jj)为雷达获得的j点的目标纵向距离和侧向距离量测值；7.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特纵向速度值和本车纵向速度值之差ΔV，在连续时间片段内进行的状态进行分析辨别目标所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内在-1～1m/s之所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内大于2m/s，目所述目标纵向速度值和本车纵向速度值之差ΔV在8.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特K(klk-1)=f(k(k-1),u(k-1),0)7E(k)=E(klk-1)+k(k)*(z(k)-2(klk-1))e(k)=z(k)-2(klk-1)Q(k)为k时刻过程噪声协方差矩阵，P(k)为k时刻误差协方差，P(k-1)为k-1时刻误差协方所述目标航迹进行跟踪规则是指以被跟踪目标预测位置的量测可能出现的区域，采用最近邻椭圆形跟踪门实现目标量测值和航迹之间的数据关若统计距离满足下面的式子，则表明目标量测值可以用来所述跟踪起始逻辑是依据目标的生命周期判断目标量测值进入自适应扩展卡尔曼滤89.根据权利要求1所述一种复杂环境雷达多目标跟踪和道路行驶环境预测方法，其特所述道路属性识别是通过目标车辆的绝对运动速度识别道路为同向车道、反向车道、如果所述目标车辆的绝对运动速度在连续三识为反向车道；通过计算落入特定横向距离范围内的静止目标个数T，可以判别道路隔离所述步骤十二中关键的目标的筛选是指依据本车和目标车之间的横向距离D，分别在9环境中会受到传感器本身热噪声和外界环境的干扰，使得探测到的目标状态信息含有噪制造商主要是通过购买经过数据预处理和有效目标跟踪后直接输出面向特定高级辅助驾主代客泊车等功能，国内整车厂更关注所实现功能的鲁棒性而对雷达的原始数据处理和目标跟踪算法的研究非常少。同时有很多技术人员通过使用软件构建简单毫米波雷达模采集模块和显示器组成。但是难以真实的模拟实际环境对毫米波雷达所引起的各种干扰以及雷达本身产生的噪声，因此在这种场景中的目标跟踪算法是不能直接应用到实际雷达在真实环境中的目标跟踪的。同时还有一些技术人员针对雷达目标运动信息开展算法率估计失败。对于近几年推出的具有自主代客泊车系统的无人车在进出地下停车场弯曲坡道的过程中行驶的弯道半径远远小于自适应巡航控制系统的弯道半径。车辆在弯道中决基于雷达原始目标量测值判别目标车辆所在车道位置关系识别不准确和目标跟踪算法[0014]所述时间同步是根据雷达一周期结束后的标志位Multiplexor来触发算法目标跟[0016]所述感兴趣距离的距离范围采用ISO22179标准中目标检测区间进行识别dmax=set_max)*vset_maxset_max)为车辆可提供的自适应巡航系统最高设定车速下角参考雷达厂商说明书中给定的范围来确定速度的最小和最大值分别为Vmin和Vmax，方向纵向速度和横向速度推算得出的目标车辆所在车道的道路曲率，通过建立的道路曲率识止目标个数以及目标运动状态和目标所在车道的位置关系对道路环境预测；所述道路环[0025]所述步骤四中使用数据合理性判断规则对雷达原始目标量测值进行判断的具体。补偿是将毫米波雷达坐标系中目标历史状态[0039]p(k-1)为目标T＝(k-1)*Δt时刻的历史位置在T＝(k)*Δt时刻的毫米波雷达极[0041]p(k-1)为T＝(k-1)*Δt时刻目标在毫米波雷达极坐标系中的方位角；[0060]所述步骤六中目标量测值匹配降噪处理依据同一个真实目标量测信息在时间历速度即目标量测值的速度-本车速度的绝对值为[0080]所述步骤七中道路曲率的估计首先通过本车方向盘转角来识别行驶道路为直道[0081]所述弯道道路曲率的估计包括本车所在道路曲率的估计和目标车所在道路曲率[0085]所述目标车所在道路曲率的估计是依据经过运动补偿后目标车辆的纵向速度vx，[0108]所述步骤九中目标运动状态的辨识是依据经过运动补偿和聚类分析后得到的目[0109]所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内在-1~[0110]所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内大于2m/[0111]所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内小于-2m/[0122](6=(klk-1)+k(6x(z(N)-(kik-1))目标的量测可能出现的区域，采用最近邻椭圆形跟踪门实现目标量测值和航迹之间的数s-为k-1时刻系统状态预测的观测值，Sk为k时刻[0140]若统计距离满足下面的式子，则表明目标量测值可以用来和航[0143]所述跟踪起始逻辑是依据目标的生命周期判断目标量测值进入自适应扩展卡尔[0148]所述步骤十一中所述道路隔离带识别是通过计算每一个静止障碍物到本车的横辆为同向运动，同时结合道路曲率识别模型辨识得到的目标所在道路位置将对应的车道为目标车辆为反向运动，同时结合道路曲率识别模型辨识得到的目标所在道路位置将对[0151]所述步骤十二中关键的目标的筛选是指依据本车和目标车之间的横向距离D，分[0153](1)本发明通过使用本车的运动状态估计信息对雷达获得的目标运动状态进行运[0154](2)本发明提出了基于事件的触发同步机制，可以实现雷达数据和车辆运动状态邻周期目标径向距离及相对速度匹配准测，实现过滤和消除目标量测值中地面杂波/随机[0157](5)本发明改进了自适应扩展卡尔曼滤波和最近邻数据关联方法，在数学方法中消除了矩阵的非负定性并通过试验验证了算法的收敛性和精度，[0159](7)本发明提出的通过计算每一个静止障碍物到本车的横向距离Di，然后计算横使区域。提出了针对自适应巡航控制系统或者自主代客泊车系统的多目标跟踪筛选规则，[0172]参阅图1，本发明提出的复杂环境雷达多目标跟踪和道路行驶环境预测方法由本尔曼滤波对纵向速度和横摆角速度进行滤波处理并结合车辆二自由度动力学模型对侧向[0182]所述时间同步是根据雷达一周期结束后的标志位Multiplexor来触发算法目标跟。[0192]所述目标位置补偿是将毫米波雷达坐标系中目标历史状态信息转换到当前毫米[0197](k-1)=y(k-1)xsin(y(k-1))[0202]p(kik-1)为目标T＝(k-1)*Δt时刻的历史位置在T＝(k)*Δt时刻的毫米波雷达极[0224]参阅图2，所述目标量测值匹配降噪处理依据同一个真实目标量测信息在时间历纵向速度和横向速度推算得出的目标车辆所在车道的道路曲率，通过建立的道路曲率识[0245]所述道路曲率的估计首先通过本车方向盘转角来识[0246]所述弯道道路曲率估计由本车所在道路曲率的估计和目标车所在道路曲率的估[0250]所述目标车所在道路曲率的估计是依据经过运动补偿后目标车辆的纵向速度vx，[0275]所述目标运动状态的辨识是依据经过运动补偿和聚类分析后得到的目标纵向速度值和本车纵向速度值之差ΔV，在连续时间片段内进行的状态进行分析辨别目标为静[0276]所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内在-1~[0277]所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内大于2m/[0278]所述目标纵向速度值和本车纵向速度值之差ΔV在连续三个采样周期内小于-2m/[0285]彩(kk-1)=f(⃞(k-1),u(k-1),0)[0290]E()=x(klk-)+k(⃞)x(z(6)-(klk-1))[0309]若统计距离满足下面的式子，则表明目标量测值可以用来和航[0312]所述跟踪起始逻辑是依据目标的生命周期判断目标量测值进入自适应扩展卡尔止目标个数以及目标运动状态和目标所在车道的位置关系对道路环境预测；道路环境预[0318]所述道路隔离带识别是通过计算每一个静止障碍物到本车的横向距离Di，如果Dmin≤Di≤Dmax则认为该静止障碍物可能是道路隔离带的一部分；同时记录落入设定区间向运动，同时结合道路曲率识别模型辨识得到的目标所在道路位置将对应的车道标识为[0322]所述目标车辆绝对运动速度在连续三个采样周期内小于-2m/s，认为目标车辆为反向运动，同时结合道路曲率识别模型辨识得到的目标所在道路位置将对应的车道标识[0325]所述关键的目标筛选是指：依据本车和目标车之间的横向距离D，分别在在本车道、左车道、右车道内将目标运动状态为同向或者起停状态的目标依据相对距离最近和[0326]参阅图3为本发明实施例中的弯道多目标跟踪场景图，弯道多目标跟踪场景中包[0327]参阅图4为本发明实施例中依据图3交通场景开展弯道多目标跟踪识别和道路环区域为本发明中提出依据横向距离落入特定范围的