CN108304612A - 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 - Google Patents

基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 Download PDF

Info

Publication number
CN108304612A
CN108304612A CN201711430008.1A CN201711430008A CN108304612A CN 108304612 A CN108304612 A CN 108304612A CN 201711430008 A CN201711430008 A CN 201711430008A CN 108304612 A CN108304612 A CN 108304612A
Authority
CN
China
Prior art keywords
state
iteration
square root
covariance
estimation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711430008.1A
Other languages
English (en)
Other versions
CN108304612B (zh
Inventor
熊星
王彩玲
荆晓远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201711430008.1A priority Critical patent/CN108304612B/zh
Publication of CN108304612A publication Critical patent/CN108304612A/zh
Application granted granted Critical
Publication of CN108304612B publication Critical patent/CN108304612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，本发明首先设置系统初始值，在时间更新阶段计算容积点值；传播容积点；估计一步预测状态和误差协方差平方根因子；在量测更新阶段引入Gauss‑Newton非线性迭代方法进行迭代更新，每次迭代时计算容积点；传播容积点；计算量测估计；计算新息协方差的平方根因子和互协方差矩阵；计算卡尔曼增益；更新本次迭代的状态和误差协方差平方根因子估计；判断是否达到迭代终止条件；更新此刻状态和误差协方差平方根的估计；量测更新过程中通过调整噪声补偿因子对状态估计进行优化。本发明能够有效提高汽车雷达目标跟踪过程中的精确性与稳定性。

Description

基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法
技术领域
本发明涉及目标跟踪技术领域，特别是基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法。
背景技术
汽车雷达的目标跟踪过程本质是非线性滤波问题，车载雷达直接测量目标径向距离、方位角和径向速度，通过非线性转换实现对车辆前方目标的横向、纵向距离和速度估计，此跟踪过程由于受到噪声和非线性的影响，对滤波算法的快速性、鲁棒性和滤波精度要求较高，目前的汽车雷达目标跟踪多采用扩展卡尔曼滤波(EKF)，无迹卡尔曼滤波(UKF)，容积卡尔曼滤波(CKF)等非线性滤波，这类滤波算法各有优劣，在汽车雷达目标跟踪过程中往往难以达到令人满意的效果。
经典的非线性滤波算法EKF是对非线性函数进行一阶泰勒级数展开并忽略高阶项，当系统非线性程度较高时，该方法会导致产生较大的误差甚至不稳定。UKF是通过选取不同权值的采样点(Sigma点)随非线性函数传递，经过无迹变换(UT)得到随机变量的统计特征，能够使定位精度在同等情况下达到二阶。然而UKF在状态维数较高时会出现滤波性能不佳甚至发散现象，且调节参数给算法带来一定复杂性。CKF与UKF同属采样型滤波，是基于球面径向规则采用一组等权值的容积点逼近系统状态的后验分布。和UKF相比，CKF实现简单、运算效率高，有着更高的滤波精度和数值稳定性。但CKF算法在迭代过程中由于计算机字长限制而产生的舍入误差可能导致状态协方差矩阵失去对称性和正定性，从而影响滤波器的稳定性，甚至导致算法停止，在汽车雷达目标跟踪的应用过程中有一定的风险。在CKF基础上发展而来的SRCKF传递过程中采用协方差阵的三角分解因子代替协方差阵进行递推更新，基本消除了协方差矩阵非正定导致算法停滞的隐患，得到广泛应用。在汽车雷达目标跟踪过程中，由于量测方程的非线性、待测目标的位置和速度实时无规律的变化以及复杂的驾驶环境等因素的影响，状态估计容易产生较大的误差，SRCKF算法在此类应用中仍有待提高。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，本发明有效提高了目标跟踪的精度和稳定性。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，包括以下步骤：
步骤1：建立车载雷达目标跟踪的数学模型；
步骤2：初始化步骤1中数学模型的汽车雷达目标跟踪系统参数；
步骤3：汽车雷达目标跟踪系统的滤波算法在时间更新阶段使用SRCKF的预测方法，即进行容积采样和非线性传递后，对汽车雷达目标跟踪系统的状态和误差协方差平方根进行一步预测；
步骤4：汽车雷达目标跟踪滤波算法的量测更新阶段，在SRCKF的基础上引入Gauss-Newton迭代方法和噪声补偿方法，以步骤3中状态和误差协方差平方根的预测值为初值进行迭代更新，在迭代状态估计中引入噪声补偿因子；直至连续二次迭代的状态估计差值小于预设的阈值或者迭代次数达到预设最大迭代次数，迭代即停止。
作为本发明所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法进一步优化方案，滤波过程采用状态误差协方差阵的平方根因子代替协方差阵进行递推更新。
作为本发明所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法进一步优化方案，步骤1-4的具体步骤如下：
步骤一、在车体直角坐标系下建立车载汽车雷达目标跟踪系统的运动学模型和观测模型如下：
汽车雷达目标跟踪系统在以下简称系统，其中，k为离散时间变量，Xk表示k时刻系统的状态向量；zk表示k时刻系统的观测值；F和h(·)分别为系统的状态方程和非线性观测方程；wk-1和vk分别表示过程噪声和观测噪声，其方差分别为Qk-1和Rk，Qk-1和Rk分别服从关于N(0，Qk-1)和N(0，Rk)的高斯分布；F采用常加速模型；
步骤二、初始化系统参数：即待测目标的初始状态变量x0、状态误差协方差平方根S0、过程噪声平方根Q0和观测噪声平方根R0；
步骤三、假设k-1时刻系统状态的后验密度函数：已知，Pk-1＝(Sk-1)T(Sk-1)；其中xk-1是k-1时刻系统的状态，是此刻状态的后验估计，Pk-1为状态误差协方差矩阵，Sk-1为Pk-1的平方根因子，上标T为转置，记n维单位向量为e＝[1，0，...，0]T，用[1]表示对e的元素进行全排列和改变元素符号产生的点集，即完整全对称点集，[1]j表示点集的第j个点，j＝1，2，...，m，m＝2n，n为系统状态维度；预测k时刻系统的状态和协方差平方根矩阵，利用容积法则计算系统当前状态的2n个容积点：式中ξj为容积点向量，容积点的权值wj＝1/m，Xj，k-1为状态的第j个容积点；
步骤四、通过步骤一中的状态方程F传播容积点：其中为第j个容积点的一步预测值；
步骤五、计算k时刻加权平均得到的系统状态的一步预测值
步骤六、计算k时刻状态误差协方差平方根的预测值 其中，qr(·)为QR分解函数，计算时取QR分解返回值的转置矩阵，为计算用到的中间变量或矩阵；
步骤七、量测更新是以预测得到的和为初始值的迭代过程，初始误差协方差矩阵记k时刻第i次迭代的状态估计和协方差平方根分别为和当i＝0时，令i＝1；
步骤八、计算更新的容积点：是第i-1次迭代状态估计的第j个容积点，和分别为第i-1次迭代的状态误差协方差平方根估计和状态估计；
步骤九、通过步骤一中的h(·)传播容积点：为第i次迭代时的第j个容积点量测值；
步骤十、计算量测估计值：为第i次迭代时的容积点量测值加权平均所得的量测估计值；
步骤十一、估计新息协方差平方根和互协方差矩阵： 和分别是第i次迭代的信息协方差平方根和互协方差矩阵估计值，和为计算过程中的中间变量或矩阵；
步骤十二、估计第i次迭代时的滤波增益
步骤十三、用步骤一中的h(·)传播第i-1次迭代得到的状态估计：
步骤十四、基于k时刻系统的观测值zk，更新第i次迭代时系统状态估计值： 其中，λ是噪声补偿因子，上标(-1)表示求倒；
步骤十五、更新系统第i次迭代的状态误差协方差平方根
步骤十六、判断迭代终止条件或i＝Niter，其中，ε和Niter分别为预先设置的阈值和最大迭代次数；若迭代终止时迭代次数为N，则k时刻系统状态估计值为：状态误差协方差平方根矩阵为：若未达到迭代终止条件，则迭代次数i＝i+1，即进行下一次迭代，重复步骤八到步骤十六的过程。
作为本发明所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法进一步优化方案，量测更新过程中通过调整噪声补偿因子λ弱化观测噪声对状态估计带来的影响，优化状态估计，λ的大小根据经验值调节。
作为本发明所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法进一步优化方案，量测更新过程中的最大迭代次数设为1-4次。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明在汽车雷达目标跟踪过程中采用状态协方差阵的三角分解因子(基于QR分解)代替协方差阵进行递推更新，基本消除了协方差矩阵非正定导致跟踪算法停滞的隐患，有效提高了目标跟踪的精度和稳定性；
(2)汽车雷达跟踪滤波算法中引入Gauss-Newton非线性迭代方法，在SRCKF的基础上对其量测更新过程进行迭代优化。在每一次的迭代过程中，利用本次迭代的结果代替一步预测值重新进行下一次迭代更新，直至连续二次迭代得到的状态估计差值小于预设的阈值或者迭代次数达到预设最大次数，在此过程中车载雷达最新的量测信息得到充分的利用，改善了对状态滤波值和协方差的估计；
(3)在本发明中汽车雷达目标跟踪滤波算法的迭代状态估计中引入观测噪声补偿因子，此补偿因子根据经验值设置，选取合适的噪声补偿因子能有效弱化车辆行驶中复杂环境等因素带来的观测噪声的影响，进一步提高滤波精度。
附图说明
图1是本方法发明流程图。
图2是50次Monte-Carlo仿真实验中，测量值、SRUKF滤波、SRCKF滤波与本发明滤波误差曲线；其中，(a)为径向距离的误差均方差对比图，(b)为角度的误差均方差对比图，(c)为径向速度的误差均方差对比图。
图3是50次Monte-Carlo仿真实验中，本发明方法设置迭代次数Niter＝1、Niter＝2、Niter＝3与Niter＝4时的滤波误差曲线；其中，(a)为径向距离的滤波误差均方差对比图，(b)为角度的滤波误差均方差对比图，(c)为径向速度的滤波误差均方差对比图。
图4是50次Monte-Carlo仿真实验中，本发明方法设置噪声补偿因子λ＝0、λ＝1、λ＝2与λ＝3时的滤波误差曲线；其中，(a)为径向距离的滤波误差均方差对比图，(b)为角度的滤波误差均方差对比图，(c)为径向速度的滤波误差均方差对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
图1是本方法发明流程图，具体如下：
1.车载汽车雷达目标跟踪的运动学模型和观测模型；
忽略高度因素，在x-y二维直角坐标系下，定义车体旁边待测目标的运动状态为6维状态向量，即向量的各个变量分别表示k时刻车体坐标系下的目标横向距离x、横向速度、横向加速度、纵向距离y、纵向速度和纵向加速度，上标T为对该矩阵或向量转置，以下同。；
车体行驶过程中雷达单个周期可测得的目标信息是zk＝(r，a，v)T，即k时刻目标的距离r、方位角a和和径向速度v，再通过非线性转换实现对目标的横向、纵向距离和速度估计；汽车雷达目标跟踪的运动学模型和观测模型如下：
式中，k为离散时间变量；Xk表示k时刻系统的状态向量；zk表示k时刻系统的观测值；F和h(·)分别为系统的状态转移方程和非线性观测方程；wk-1和vk分别表示过程噪声和观测噪声，其方差分别为Qk-1和Rk，分别服从关于N(0，Qk-1)和N(0，Rk)的高斯分布；
目标车相对于本车假设为一个常加速运动，所以系统模型的状态方程F采用常加速(CA)模型；
雷达两次测量的时间间隔dt作为状态方程F的参数，可表示为：
过程噪声协方差矩阵Q初始化为
跟踪滤波算法中通过测量函数h(·)实现状态向量Xk变换成雷达观测向量zk，定义如下：
测量噪声协方差矩阵R初始化为R＝diag[σr σa σv]
2.Gauss-Newton迭代策略；
假定状态的各个变量独立，则有：zk～N(h(xk)，Rk)，式中分别表示k时刻系统的状态预测和估计；表示状态误差协方差矩阵预测值；表示k时刻系统的观测值；h(·)是系统的测量函数；Rk表示观测噪声矩阵。
由贝叶斯公式得到：P(xklzk)＝ηP(zk|xk)P(xk)，其中
式中上标(-1)表示求倒，以下同。定义“代价函数”：
求解P(xk|zk)的最大似然估计等价于对“代价函数”J(xk)进行最小化求解，这里使用Gauss-Newton非线性迭代方法并线性化量测方程，可得J(xk)极小值的测量更新迭代公式；
式中，是第i次迭代时的状态估计，Hk (i)为的jacobian矩阵，是测量方程线性化后得到的新息方差和互协方差；
由于一阶泰勒级数展开忽略高阶项会带来较大非线性误差，故引入SRCKF中协方差阵的算法来计算上述信息协方差和互协方差：
传播容积点
估计观测值
估计新息协方差的平方根
估计互协方差矩阵
上式中，是第i+1次迭代时所计算的第j个容积点，m＝2n，n为系统的状态维度，wj＝1/m，为容积点的权值，qr(·)为QR分解函数，计算时取QR分解返回值的转置矩阵，以下同，和为计算过程中的中间变量或矩阵；
3.车载汽车雷达目标跟踪的滤波过程；
3.1初始化系统的状态x0、状态误差协方差矩阵的平方根S0、过程噪声矩阵平方根Q0和观测噪声矩阵平方根R0；
3.2时间更新，得到状态和协方差平方根因子的一步预测；
1).假设k-1时刻状态估计为状态误差协方差为Pk-1，Pk-1＝(Sk-1)T(Sk-1)。Sk-1为Pk-1的平方根因子。记n维单位向量为e＝[1，0，...，0]T，[1]表示对e的元素进行全排列和改变元素符号产生的点集，称为完整全对称点集，[1]j表示其第j个点。计算容积点：式中
2).通过状态方程传播容积点：为第j个容积点的一步预测值；
3).计算k时刻的状态一步预测值为k时刻加权平均得到的系统状态的一步预测值
4).计算k时刻误差协方差平方根预测值
3.3量测更新，得到k时刻状态和状态误差协方差平方根的估计值；
1).量测更新是以预测得到的和为初始值的迭代过程，初始误差协方差矩阵记k时刻第i次迭代的状态估计和协方差平方根分别为和当i＝0时，对于i＝1，2，...，N，计算更新的容积点 其中N为迭代终止时的迭代次数，是状态的第j个容积点，和分别为第i-1次迭代的状态误差协方差平方根估计和状态估计；
2).通过量测方程传播容积点得到为第i次迭代时的第j个容积点量测值；
3).计算量测估计值：为第i次迭代时的容积点量测值加权平均所得的量测估计值；
4).估计新息协方差平方根矩阵和互协方差矩阵：
和分别是第i次迭代的新息协方差平方根和互协方差矩阵估计值，和为计算过程中的中间变量或矩阵；
5).估算第i次迭代时的滤波增益
6).基于k时刻的观测值zk，更新第i次迭代时系统状态估计值：
式中为量测方程h(·)传播第i-1次迭代状态估计得到的值，λ是观测噪声补偿因子，大小根据经验值调节；
7).更新系统第i次迭代的状态误差协方差平方根
8).判断迭代终止条件或i＝Niter，式中，ε和Niter分别为预先设置的阈值和最大迭代次数，若不满足迭代终止条件，则进行下一次迭代，即重复上述量测更新过程，否则迭代终止；
若迭代终止时迭代次数为N，则k时刻系统状态估计值为：误差协方差平方根因子为：
下面结合具体实施例对本发明作进一步详细说明；
1)仿真过程；
为了验证本发明基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪算法的有效性与优越性，在汽车雷达目标跟踪应用场景下进行三组各50次Monte-Carlo仿真实验，仿真实验使用Window7操作系统、Matlab R2014a软件仿真平台，在主频3.0GHz，英特尔E5-1607v2四核处理器，16GB内存的计算机环境下进行。各组Monte-Carlo实验过程中添加相同高斯白噪声的测量误差数据，添加的径向距离、角度、径向速度的误差均方差分别为2.0m、1.0°、0.2m/s，数据更新率为20Hz，跟踪目标30s。目标初始状态为：[10，0.5，-0.1，10，2，-0.01]T，系统状态中位置、速度、加速度单位分别是：m、m/s、m/s2；
第一组实验比较本发明和经典SRUKF、SRCKF算法的滤波效果，实验中本发明算法中迭代次数设置成2，噪声补偿因子设置为1。统计50次Monte-Carlo仿真实验得到的径向距离、角度、径向速度的滤波误差曲线如图2，图2是50次Monte-Carlo仿真实验中，测量值、SRUKF滤波、SRCKF滤波与本发明滤波误差曲线；其中，图2中的(a)为径向距离的误差均方差对比图，图2中的(b)为角度的误差均方差对比图，图2中的(c)为径向速度的误差均方差对比图，对算法各分量的滤波精度进行了定量分析，统计50次仿真实验各分量的均方根方差，结果如表1所示：
表1 SRUKF，SRCKF和本发明三种算法滤波精度定量统计对照表
第二组实验比较本发明中迭代次数Niter的不同对滤波效果的影响。实验中噪声补偿因子λ设置为1，分别将本发明中Niter设置为1、2、3、4，统计不同迭代次数情况下得到的径向距离、角度、径向速度的滤波误差曲线如图3，对各个分量的滤波精度进行了定量分析，图3是50次Monte-Carlo仿真实验中，本发明方法设置迭代次数Niter＝1、Niter＝2、Niter＝3与Niter＝4时的滤波误差曲线；其中，图3中的(a)为径向距离的滤波误差均方差对比图，图3中的(b)为角度的滤波误差均方差对比图，图3中的(c)为径向速度的滤波误差均方差对比图。统计50次仿真实验各分量的均方根方差，结果如表2所示：
表2本发明不同迭代次数下滤波精度定量统计对照表
第三组实验比较本发明中噪声补偿因子λ的调整对滤波效果的影响。分别将λ设置为0、1、2、3，统计不同噪声补偿因子下得到的径向距离、角度、径向速度的滤波误差曲线如图4，对它们的滤波精度进行了定量分析，图4是50次Monte-Carlo仿真实验中，本发明方法设置噪声补偿因子λ＝0、λ＝1、λ＝2与λ＝3时的滤波误差曲线；其中，图4中的(a)为径向距离的滤波误差均方差对比图，图4中的(b)为角度的滤波误差均方差对比图，图4中的(c)为径向速度的滤波误差均方差对比图。统计50次仿真实验各分量的均方根方差，结果如表3所示：
表3本发明不同噪声补偿因子λ下滤波精度定量统计对照表
仿真结果分析；
第一组实验结果的滤波误差对比图和各分量滤波前后的误差统计表可以看出，在汽车雷达目标跟踪应用场景下，本发明和经典SRUKF、SRCKF算法相比有着更好的滤波效果，能有效改善滤波精度。第二组实验结果对比图可以看出本发明在迭代次数小幅度增加的情况下，滤波精度有一定的提升，实际应用中迭代次数过多后对滤波精度提高有限，反而增大运算时间开销，故应设置合适的迭代次数以达到良好滤波效果。第三组实验结果对比图可以看出，本发明设置合适的λ值能有效提高滤波精度，达到良好的滤波效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，其特征在于，包括以下步骤：
步骤1：建立车载雷达目标跟踪的数学模型；
步骤2：初始化步骤1中数学模型的汽车雷达目标跟踪系统参数；
步骤3：汽车雷达目标跟踪系统的滤波算法在时间更新阶段使用SRCKF的预测方法，即进行容积采样和非线性传递后，对汽车雷达目标跟踪系统的状态和误差协方差平方根进行一步预测；
步骤4：汽车雷达目标跟踪滤波算法的量测更新阶段，在SRCKF的基础上引入Gauss-Newton迭代方法和噪声补偿方法，以步骤3中状态和误差协方差平方根的预测值为初值进行迭代更新，在迭代状态估计中引入噪声补偿因子；直至连续二次迭代的状态估计差值小于预设的阈值或者迭代次数达到预设最大迭代次数，迭代即停止。
2.根据权利要求1所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，其特征在于，滤波过程采用状态误差协方差阵的平方根因子代替协方差阵进行递推更新。
3.根据权利要求1所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，其特征在于，步骤1-4的具体步骤如下：
步骤一、在车体直角坐标系下建立车载汽车雷达目标跟踪系统的运动学模型和观测模型如下:
汽车雷达目标跟踪系统在以下简称系统，其中，k为离散时间变量，Xk表示k时刻系统的状态向量；zk表示k时刻系统的观测值；F和h(·)分别为系统的状态方程和非线性观测方程；wk-1和vk分别表示过程噪声和观测噪声，其方差分别为Qk-1和Rk，Qk-1和Rk分别服从关于N(0，Qk-1)和N(0，Rk)的高斯分布；F采用常加速模型；
步骤二、初始化系统参数：即待测目标的初始状态变量x0、状态误差协方差平方根S0、过程噪声平方根Q0和观测噪声平方根R0；
步骤三、假设k-1时刻系统状态的后验密度函数：已知，Pk-1＝(Sk-1)T(Sk-1)；其中xk-1是k-1时刻系统的状态，是此刻状态的后验估计，Pk-1为状态误差协方差矩阵，Sk-1为Pk-1的平方根因子，上标T为转置，记n维单位向量为e＝[1,0,…,0]T，用[1]表示对e的元素进行全排列和改变元素符号产生的点集，即完整全对称点集，[1]j表示点集的第j个点，j＝1,2,…,m，m＝2n，n为系统状态维度；预测k时刻系统的状态和协方差平方根矩阵，利用容积法则计算系统当前状态的2n个容积点：式中ξj为容积点向量，容积点的权值wj＝1/m，Xj,k-1为状态的第j个容积点；
步骤四、通过步骤一中的状态方程F传播容积点：其中为第j个容积点的一步预测值；
步骤五、计算k时刻加权平均得到的系统状态的一步预测值
步骤六、计算k时刻状态误差协方差平方根的预测值 其中，qr(·)为QR分解函数，计算时取QR分解返回值的转置矩阵，为计算用到的中间变量或矩阵；
步骤七、量测更新是以预测得到的和为初始值的迭代过程，初始误差协方差矩阵记k时刻第i次迭代的状态估计和协方差平方根分别为和当i＝0时，令i＝1；
步骤八、计算更新的容积点：是第i-1次迭代状态估计的第j个容积点，和分别为第i-1次迭代的状态误差协方差平方根估计和状态估计；
步骤九、通过步骤一中的h(·)传播容积点：为第i次迭代时的第j个容积点量测值；
步骤十、计算量测估计值：为第i次迭代时的容积点量测值加权平均所得的量测估计值；
步骤十一、估计新息协方差平方根和互协方差矩阵： 和分别是第i次迭代的信息协方差平方根和互协方差矩阵估计值，和为计算过程中的中间变量或矩阵；
步骤十二、估计第i次迭代时的滤波增益
步骤十三、用步骤一中的h(·)传播第i-1次迭代得到的状态估计：
步骤十四、基于k时刻系统的观测值zk，更新第i次迭代时系统状态估计值： 其中，λ是噪声补偿因子，上标(-1)表示求倒；
步骤十五、更新系统第i次迭代的状态误差协方差平方根
步骤十六、判断迭代终止条件或i＝Niter，其中，ε和Niter分别为预先设置的阈值和最大迭代次数；若迭代终止时迭代次数为N，则k时刻系统状态估计值为:状态误差协方差平方根矩阵为:若未达到迭代终止条件，则迭代次数i＝i+1，即进行下一次迭代，重复步骤八到步骤十六的过程。
4.根据权利要求3所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，其特征在于，量测更新过程中通过调整噪声补偿因子λ弱化观测噪声对状态估计带来的影响，优化状态估计，λ的大小根据经验值调节。
5.根据权利要求3所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，其特征在于，量测更新过程中的最大迭代次数设为1-4次。
CN201711430008.1A 2017-12-26 2017-12-26 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 Active CN108304612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711430008.1A CN108304612B (zh) 2017-12-26 2017-12-26 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711430008.1A CN108304612B (zh) 2017-12-26 2017-12-26 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法

Publications (2)

Publication Number Publication Date
CN108304612A true CN108304612A (zh) 2018-07-20
CN108304612B CN108304612B (zh) 2021-08-10

Family

ID=62870722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711430008.1A Active CN108304612B (zh) 2017-12-26 2017-12-26 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法

Country Status (1)

Country Link
CN (1) CN108304612B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061579A (zh) * 2018-08-03 2018-12-21 中国航空工业集团公司雷华电子技术研究所 一种带厚尾噪声的鲁棒容积滤波方法
CN109341711A (zh) * 2018-09-25 2019-02-15 杭州中恒云能源互联网技术有限公司 一种用于汽车导航的速度预测算法
CN109471096A (zh) * 2018-10-31 2019-03-15 奇瑞汽车股份有限公司 多传感器目标匹配方法、装置及汽车
CN109520503A (zh) * 2018-11-27 2019-03-26 南京工业大学 一种平方根容积模糊自适应卡尔曼滤波slam方法
CN110889862A (zh) * 2019-11-08 2020-03-17 北京航空航天大学 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN111444474A (zh) * 2020-03-24 2020-07-24 宁波飞拓电器有限公司 一种基于乘性噪声相关自适应ckf的目标跟踪方法
CN111505394A (zh) * 2020-03-30 2020-08-07 北京邮电大学 基于探头天线位置误差修正的天线球面近场测量方法
CN111948601A (zh) * 2020-07-31 2020-11-17 中国电子科技集团公司第四十一研究所 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
CN111985077A (zh) * 2020-07-10 2020-11-24 西安理工大学 一种航天器外弹道跟踪数据斑点型野值识别和修正方法
CN112763023A (zh) * 2020-12-25 2021-05-07 丹东通博电器(集团)有限公司 基于优化数据模型的雷达物位计高精度测量输出处理方法
CN112865846A (zh) * 2021-01-06 2021-05-28 南京航空航天大学 一种基于容积卡尔曼滤波的毫米波波束跟踪方法
CN113466848A (zh) * 2021-05-22 2021-10-01 中国人民解放军空军工程大学 一种面向角闪烁噪声场景的共址mimo雷达多目标跟踪资源优化分配方法
CN113514810A (zh) * 2021-07-07 2021-10-19 北京信息科技大学 Mimo雷达观测噪声优化方法及装置
CN114662544A (zh) * 2022-04-02 2022-06-24 天津国科医工科技发展有限公司 基于ckf的色谱峰估计方法、系统、存储介质及计算机设备
CN114674067A (zh) * 2020-12-25 2022-06-28 珠海拓芯科技有限公司 一种基于雷达的空调控制方法、空调器和计算机可读存储介质
CN117236234A (zh) * 2023-11-10 2023-12-15 苏州培风图南半导体有限公司 半导体器件模拟中迭代步数预测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030227887A1 (en) * 2002-06-05 2003-12-11 Farrokh Abrishamkar Method and apparatus for pilot estimation using a prediction error method with a kalman filter and a gauss-newton algorithm
GB2402826A (en) * 2003-06-14 2004-12-15 Ford Global Tech Llc Target tracking arrangement
CN102338870A (zh) * 2011-08-25 2012-02-01 北京理工大学 一种采用前向散射雷达的三维目标跟踪方法
CN104252178A (zh) * 2014-09-12 2014-12-31 西安电子科技大学 一种基于强机动的目标跟踪方法
CN104655131A (zh) * 2015-02-06 2015-05-27 东南大学 基于istssrckf的惯性导航初始对准方法
CN105356860A (zh) * 2015-07-01 2016-02-24 西北工业大学 改进的强跟踪平方根容积卡尔曼滤波方法
CN107169989A (zh) * 2017-04-17 2017-09-15 南京邮电大学 一种基于数据关联与轨迹评估的多目标跟踪方法
CN107395282A (zh) * 2017-07-20 2017-11-24 浙江工业大学 一种时域无迹卡尔曼滤波的大线宽co‑ofdm系统相位噪声补偿方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030227887A1 (en) * 2002-06-05 2003-12-11 Farrokh Abrishamkar Method and apparatus for pilot estimation using a prediction error method with a kalman filter and a gauss-newton algorithm
GB2402826A (en) * 2003-06-14 2004-12-15 Ford Global Tech Llc Target tracking arrangement
CN102338870A (zh) * 2011-08-25 2012-02-01 北京理工大学 一种采用前向散射雷达的三维目标跟踪方法
CN104252178A (zh) * 2014-09-12 2014-12-31 西安电子科技大学 一种基于强机动的目标跟踪方法
CN104655131A (zh) * 2015-02-06 2015-05-27 东南大学 基于istssrckf的惯性导航初始对准方法
CN105356860A (zh) * 2015-07-01 2016-02-24 西北工业大学 改进的强跟踪平方根容积卡尔曼滤波方法
CN107169989A (zh) * 2017-04-17 2017-09-15 南京邮电大学 一种基于数据关联与轨迹评估的多目标跟踪方法
CN107395282A (zh) * 2017-07-20 2017-11-24 浙江工业大学 一种时域无迹卡尔曼滤波的大线宽co‑ofdm系统相位噪声补偿方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAOCHEN WANG等: ""Modified Iterated Square-root Cubature Kalman Filter for Non-cooperative Space Target Tracking"", 《INTERNATIONAL JOURNAL OF ENGINEERING AND APPLIED SCIENCES》 *
GABE SIBLEY等: ""The Iterated Sigma Point Kalman Filter with Applications to Long Range Stereo"", 《ROBOTICS:SCIENCE AND SYSTEMS》 *
徐毓等: ""一种实现机动目标跟踪的STF动态模型PDA算法"", 《电子学报》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061579A (zh) * 2018-08-03 2018-12-21 中国航空工业集团公司雷华电子技术研究所 一种带厚尾噪声的鲁棒容积滤波方法
CN109341711A (zh) * 2018-09-25 2019-02-15 杭州中恒云能源互联网技术有限公司 一种用于汽车导航的速度预测算法
CN109341711B (zh) * 2018-09-25 2021-01-05 杭州中恒云能源互联网技术有限公司 一种用于汽车导航的速度预测算法
CN109471096A (zh) * 2018-10-31 2019-03-15 奇瑞汽车股份有限公司 多传感器目标匹配方法、装置及汽车
CN109471096B (zh) * 2018-10-31 2023-06-27 奇瑞汽车股份有限公司 多传感器目标匹配方法、装置及汽车
CN109520503A (zh) * 2018-11-27 2019-03-26 南京工业大学 一种平方根容积模糊自适应卡尔曼滤波slam方法
CN110889862B (zh) * 2019-11-08 2023-04-18 北京航空航天大学 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN110889862A (zh) * 2019-11-08 2020-03-17 北京航空航天大学 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN111444474A (zh) * 2020-03-24 2020-07-24 宁波飞拓电器有限公司 一种基于乘性噪声相关自适应ckf的目标跟踪方法
CN111444474B (zh) * 2020-03-24 2024-02-27 宁波飞拓电器有限公司 一种基于乘性噪声相关自适应ckf的目标跟踪方法
CN111505394A (zh) * 2020-03-30 2020-08-07 北京邮电大学 基于探头天线位置误差修正的天线球面近场测量方法
CN111985077B (zh) * 2020-07-10 2024-03-22 西安理工大学 一种航天器外弹道跟踪数据斑点型野值识别和修正方法
CN111985077A (zh) * 2020-07-10 2020-11-24 西安理工大学 一种航天器外弹道跟踪数据斑点型野值识别和修正方法
CN111948601A (zh) * 2020-07-31 2020-11-17 中国电子科技集团公司第四十一研究所 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
CN111948601B (zh) * 2020-07-31 2024-01-30 中国电子科技集团公司第四十一研究所 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
CN114674067A (zh) * 2020-12-25 2022-06-28 珠海拓芯科技有限公司 一种基于雷达的空调控制方法、空调器和计算机可读存储介质
CN112763023A (zh) * 2020-12-25 2021-05-07 丹东通博电器(集团)有限公司 基于优化数据模型的雷达物位计高精度测量输出处理方法
CN112763023B (zh) * 2020-12-25 2023-04-28 丹东通博电器(集团)有限公司 基于优化数据模型的雷达物位计高精度测量输出处理方法
CN112865846A (zh) * 2021-01-06 2021-05-28 南京航空航天大学 一种基于容积卡尔曼滤波的毫米波波束跟踪方法
CN113466848B (zh) * 2021-05-22 2023-09-19 中国人民解放军空军工程大学 一种面向角闪烁噪声场景的共址mimo雷达多目标跟踪资源优化分配方法
CN113466848A (zh) * 2021-05-22 2021-10-01 中国人民解放军空军工程大学 一种面向角闪烁噪声场景的共址mimo雷达多目标跟踪资源优化分配方法
CN113514810B (zh) * 2021-07-07 2023-07-18 北京信息科技大学 Mimo雷达观测噪声优化方法及装置
CN113514810A (zh) * 2021-07-07 2021-10-19 北京信息科技大学 Mimo雷达观测噪声优化方法及装置
CN114662544A (zh) * 2022-04-02 2022-06-24 天津国科医工科技发展有限公司 基于ckf的色谱峰估计方法、系统、存储介质及计算机设备
CN114662544B (zh) * 2022-04-02 2024-09-24 天津国科医疗科技发展有限公司 基于ckf的色谱峰估计方法、系统、存储介质及计算机设备
CN117236234A (zh) * 2023-11-10 2023-12-15 苏州培风图南半导体有限公司 半导体器件模拟中迭代步数预测方法及装置

Also Published As

Publication number Publication date
CN108304612B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN108304612A (zh) 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN104376581B (zh) 一种采用自适应重采样的高斯混合无迹粒子滤波算法
CN105205313B (zh) 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置
CN105354860B (zh) 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法
CN112115419B (zh) 系统状态估计方法、系统状态估计装置
CN104408744A (zh) 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法
CN112819303B (zh) 基于pce代理模型的飞行器追踪效能评估方法及系统
CN109827579B (zh) 一种组合定位中滤波模型实时校正的方法和系统
CN104504728B (zh) 多机动目标跟踪方法、系统及其广义联合概率数据关联器
CN110501686A (zh) 基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法
CN107015944A (zh) 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法
CN107290742A (zh) 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法
CN109388778A (zh) 一种迭代容积点无迹卡尔曼滤波方法
Li et al. Wind power prediction based on PSO-Kalman
CN107797106A (zh) 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法
CN116047494A (zh) 通感一体背景下基于多距离划分的多扩展目标的跟踪方法
CN111948601A (zh) 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
CN113452349B (zh) 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法
CN113344970A (zh) 基于多伯努利的非规则多扩展目标联合跟踪与分类方法
CN107329131A (zh) 一种利用粒子滤波的雷达微弱目标检测跟踪方法
CN114637956B (zh) 一种基于双卡尔曼滤波器实现目标位置预测的方法
Rao et al. Implementation and Analysis of Various Kalman Filtering Techniques for Target Tracking
CN101826856A (zh) 基于超球面采样无迹卡尔曼滤波的粒子滤波方法
Sun et al. A new maneuvering target tracking method using adaptive cubature Kalman filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant