详情

原文传递基于概率假设密度滤波的协同多目标跟踪方法研究

论文题名：	基于概率假设密度滤波的协同多目标跟踪方法研究
关键词：	智能网联汽车;协同感知;多目标跟踪;贝叶斯推断;概率假设密度滤波
摘要：	智能网联汽车凭借着先进的传感器感知技术、决策执行技术，具备越来越多的高级辅助驾驶功能，它不仅可以提高汽车的安全性，减少道路交通安全事故，而且可以进一步提高交通效率，缓解道路拥堵问题，此外还可以实现节能行驶，从而降低对能源的消耗和环境的污染，是未来汽车领域重要的发展方向。智能网联汽车的感知技术是决策和执行技术的重要基石，高精度和无盲区的感知将进一步提升汽车的安全水平。传统的单车多目标跟踪技术受传感器安装位置和感知范围的限制，存在跟踪精度低、驾驶盲区大等问题。通信技术的快速发展，使得车间通信成为现实。车载传感器与车间通信传输的信息融合是提高智能网联汽车感知精度和扩展感知范围的有效途径。针对定位数据已知和未知的协同多目标跟踪场景，进行了系统性的研究，主要工作如下：　　（1）概率假设密度滤波算法无法自适应生成目标和直接得到目标在全局坐标系下的状态，为此，提出一种自适应的全局状态估计算法。首先，假设杂波或虚假检测的数量服从泊松分布，利用泊松点过程模型来实现目标自适应出生。然后，将智能车感知的目标状态和通过高精度定位系统获得的定位信息融入观测方程和观测矩阵。实验结果表明，该方法不仅解决了实际交通场景中目标出现和消失的不确定性，而且可以直接获得目标在全局坐标系下的状态估计。　　（2）针对单车多目标跟踪感知精度低、感知范围有限的问题，基于定位数据已知提出了一种协同多目标跟踪框架。首先，主车、协同车分别利用雷达感知目标车的位置，其次通过上述状态估计算法获得目标车在全局坐标系下的状态，再次协同车借助车间通信将目标状态发送给主车，最后利用数据关联及数据融合算法完成协同多目标跟踪。基于运动模型和PreScan的仿真实验结果表明，与单车多目标跟踪算法相比，协同多目标跟踪方法，不仅提升了感知的精度而且缩小了驾驶盲区、扩展了车辆的感知范围。　　（3）主车和协同车精确的自定位可以显著提高协同多目标跟踪技术的性能。然而，卫星导航定位系统很容易受到城市高楼大厦、隧道遮挡的影响，从而无法提供精确的定位信息。为此，提出了一种基于贝叶斯推理的轨迹匹配算法，首先，建立联合轨迹关联和相对姿态估计的贝叶斯概率模型，然后利用期望最大化算法迭代估计相对姿态并完成数据关联。仿真实验表明该算法可以准确地估计出主车和协同车的相对距离和航向角，而且可以正确地关联同一目标的观测。　　（4）基于定位数据未知的协同跟踪场景，提出了一种鲁棒的协同多目标跟踪框架。框架包括三个阶段，首先，主车和协同车基于车载传感器感知周围环境，并通过车间通信交换局部感知结果。在此基础上，利用上述基于贝叶斯推理的航迹匹配算法，实现主车与协同车的航迹匹配，同时优化相对姿态。最后，基于信息论的快速协方差交叉算法对同一目标关联的航迹进行融合。通过大量仿真实验表明，该方法在无需精确自定位的情况下成功地实现了协同多目标跟踪，并提升了多目标跟踪的效果。
作者：	冀建宇
专业：	交通运输工程
导师：	陈小波
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2021