详情

原文传递基于贝叶斯滤波理论的多目标协同跟踪方法研究

论文题名：	基于贝叶斯滤波理论的多目标协同跟踪方法研究
关键词：	智能网联汽车;驾驶行为;多目标协同跟踪;贝叶斯滤波;数据融合
摘要：	智能网联汽车凭借先进的传感器感知、决策和执行技术，支撑起新的汽车文明，可以有效地保障交通安全、降低运输成本、提升用车效率和减少空气污染，是未来智能交通系统领域极为重要的发展方向。其中，智能网联汽车对周边目标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能力能进一步提升汽车的安全水平。然而，传统的单车多目标跟踪易受障碍物遮挡、传感器视野盲区、噪声干扰等各种因素的影响，存在跟踪精度低、驾驶盲区大等问题。随着V2X通信技术迅速地发展，多个智能网联汽车能通过无线通信共享局部感知信息，将车载传感器感知数据与其它智能汽车分享的数据进行融合以实现协同感知，是提升多目标跟踪性能较为有效的途径。　　考虑到传感器量测噪声和目标车辆运动的不确定性问题，本文依托国家重点研发计划子课题“多车协同感知下的多目标跟踪方法（2018YFB0105004）”，在贝叶斯滤波框架下，从定位数据易受异常值（野值）干扰而导致的量测模型不确定性、目标机动性而导致运动模型动态变化这两个角度出发，对多目标协同跟踪方法展开系统性的研究，主要工作总结如下：　　(1)从多目标跟踪的相关理论与方法切入，详细论述基于数据关联的多目标跟踪和基于随机有限集的多目标跟踪。前者包括多假设跟踪、基于联合概率数据关联的多目标跟踪和基于匈牙利算法的多目标跟踪方法；后者包括随机有限集理论，多目标贝叶斯递推及近似多目标贝叶斯滤波器。为后续研究的展开奠定基础。　　(2)智能网联汽车精确的定位可以显著提高多目标协同跟踪的性能，然而，卫星导航系统的定位信息因多路径效应、大气扰动和遮挡物等因素，导致定位量测噪声的统计特性未知且易受异常值的干扰，进而影响跟踪的性能。为此，针对多目标协同跟踪场景下量测模型不确定性问题，建立一种联合估计目标状态与定位噪声参数的贝叶斯模型。针对目标状态与噪声分布参数的相互耦合，提出了一种基于变分贝叶斯推断原理的系统参数递推估计算法，并采用平均场理论对变分后验分布进行解耦，以交替优化的方式鲁棒性地实现变分后验分布的有效计算。　　(3)准确的目标运动模型能为状态估计提供可靠的先验信息，针对复杂场景下，量测数据的漏检、误检及目标机动性而导致的运动模型动态变化等因素，提出了一种基于随机有限集的自适应多模型概率假设密度滤波（AMMGMPHD）方法，估计机动多目标的全局状态。然后，在多智能网联汽车各自估计多目标全局状态的基础上，设计了一种基于AMMGMPHD滤波的机动多目标协同跟踪算法，并利用匈牙利算法和快速协方差交叉方法完成融合中心坐标系下的多目标状态估计的关联与融合，获得协同跟踪后的机动多目标状态估计。　　(4)针对上述两种协同跟踪算法流程给出完整的伪代码，并分别通过数值仿真和物理平台仿真（PreScan/Simulink联合仿真）构建特定驾驶场景实验。通过相关的性能评价指标评判所提算法目标估计结果的有效程度，为将来算法应用于实际驾驶场景中提供理论支撑。
作者：	陈玲
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：	2022