CN112180361A - 一种基于动态联邦滤波的车载雷达目标跟踪方法 - Google Patents

一种基于动态联邦滤波的车载雷达目标跟踪方法 Download PDF

Info

Publication number
CN112180361A
CN112180361A CN202011063905.5A CN202011063905A CN112180361A CN 112180361 A CN112180361 A CN 112180361A CN 202011063905 A CN202011063905 A CN 202011063905A CN 112180361 A CN112180361 A CN 112180361A
Authority
CN
China
Prior art keywords
vehicle
filter
coordinate system
sub
state
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
CN202011063905.5A
Other languages
English (en)
Other versions
CN112180361B (zh
Inventor
郑双权
赵万忠
徐灿
罗建
刘津强
满香
董雪峰
徐坤豪
徐洪波
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 University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011063905.5A priority Critical patent/CN112180361B/zh
Publication of CN112180361A publication Critical patent/CN112180361A/zh
Application granted granted Critical
Publication of CN112180361B publication Critical patent/CN112180361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/66—Tracking systems using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于动态联邦滤波的车载雷达目标跟踪方法，步骤如下：建立车载雷达系统与车辆运动坐标系之间的转换关系，将各坐标系进行空间统一；建立目标车辆运动模型以及车载雷达测量模型；利用Sage‑Husa滤波算法对车载雷达测量数据进行滤波，以残差统计信息对子滤波器的工作状态进行评估，筛选出故障子滤波器并对动态联邦滤波器重构；根据重构的动态联邦滤波器中子滤波器的残差统计信息，利用分布式模糊神经网络模型调整信息分配系数；对2个子滤波器的最优估计值，根据信息分配原则进行全局融合，获得全局的最优估计值，利用动态信息分配系数进行反馈过程。本发明解决了现有技术中由于环境改变引起车载雷达目标跟踪系统精度下降甚至发散的问题。

Description

一种基于动态联邦滤波的车载雷达目标跟踪方法
技术领域
本发明属于自动驾驶环境感知的多传感器信息融合领域，具体指代一种基于动态联邦滤波的车载雷达目标跟踪方法。
背景技术
自动驾驶环境感知主要包括感知自身的状态和感知行驶环境中的其他物体并跟踪。准确、全面、实时的环境感知信息对自动驾驶车辆的决策和控制有着十分重要的意义。自动驾驶在环境感知过程中常用的传感器有激光雷达、毫米波雷达、摄像头和超声波雷达等；其中，雷达在整个感知系统中发挥着十分重要的作用。不同传感器由于感知原理不同，其获得的环境信息也不同，在不同环境下的工作性能也存在很大差异。
激光雷达一般安装在车顶，通过旋转扫描一定直径范围的区域，建立一个动态的、三维的地图环境，为车辆提供道路信息。与摄像头、毫米波雷达等传感器相比，激光雷达能够提供高精度的3D数字环境模型，在目前技术领先的自动驾驶车辆上得到普遍应用，已经能够适应多路况自动驾驶的谷歌Waymo和百度Apollo都采用以激光雷达为主、其他传感器为辅的感知方案。但是，激光雷达昂贵的价格阻碍了其在车辆中的应用。以百度为例，Apollo车顶雷达价值高达70万余元，超过整车价格。
毫米波雷达通过向环境发射微波，微波遇到目标发生反射，雷达接收器通过回波在短时间内就能测出目标的速度。毫米波雷达方向性好、探测距离远且受环境(雨雪、风沙等)干扰小，并且成本也低于激光雷达，目前已在辅助驾驶系统中得到广泛应用，能够实现毫米波防撞雷达、自适应巡航、盲区检测、辅助变道等功能。
雷达精度越高价格越昂贵，且不同性质的雷达传感器的环境适应性能存在很大差异，仅仅依靠单一传感器获取环境信息的方法存在精度、稳定性差以及成本等问题，因此，需要利用多传感器融合技术来提升车载雷达系统的感知性能。在处理车载雷达数据融合问题上，联邦卡尔曼滤波效果显著，其滤波精度和系统抗故障污染能力很大程度上取决于信息分配原则。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于动态联邦滤波的车载雷达目标跟踪方法，以解决现有技术中由于环境改变引起车载雷达目标跟踪系统精度下降甚至发散的问题。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于动态联邦滤波的车载雷达目标跟踪方法，基于自动驾驶车辆的车载雷达系统，该系统包括：1个激光雷达、2个毫米波雷达、嵌入式处理器；所述嵌入式处理器采用动态联邦滤波算法进行传感器数据融合，输出目标车辆距离自车的相对位置和速度；所述动态联邦滤波算法基于动态联邦滤波器实现；所述动态联邦滤波器包括：1个主滤波器、2个子滤波器和动态信息分配权值计算模块；所述子滤波器采用Suge-Husa滤波算法，输出目标位置、速度信息的状态估计值、估计协方差矩阵和滤波新息；所述动态信息分配权值计算模块通过将2个子滤波器输出的滤波新息输入到模糊神经网络模型得到各个子滤波器的信息分配权值；所述模糊神经网络模型通过大量实验数据训练得到；所述主滤波器内进行时间更新和信息融合两个过程，将2个子滤波器的状态估计值和状态估计均方误差协方差矩阵与主滤波器的状态估计值进行信息融合，得到全局最优状态估计值，并利用动态信息分配权值将全局信息反馈到2个子滤波器，进行子滤波器的重置。
所述方法步骤如下：
步骤1：建立车载雷达系统与车辆运动坐标系之间的转换关系，将各坐标系进行空间统一，使用车载雷达中的最低频率进行采样，实现时间维度统一；
步骤2：建立目标车辆运动模型以及车载雷达测量模型；
步骤3：利用Sage-Husa滤波算法对车载雷达测量数据进行滤波，以残差统计信息对子滤波器的工作状态进行评估，筛选出故障子滤波器并对动态联邦滤波器重构；
步骤4：根据重构的动态联邦滤波器中子滤波器的残差统计信息，利用分布式模糊神经网络模型调整信息分配系数；
步骤5：对2个子滤波器的最优估计值，根据信息分配原则进行全局融合，获得全局的最优估计值，利用动态信息分配系数进行反馈过程，返回步骤3。
进一步地，所述步骤1中的将各坐标系进行空间统一具体步骤为：
步骤11：建立毫米波雷达坐标系与车辆运动坐标系间的转换关系，毫米波雷达坐标系为水平的二维平面坐标系。
步骤12：建立激光雷达坐标系与车辆运动坐标系间的转换关系，激光雷达坐标系为三维坐标系。
进一步地，所述步骤11具体包括：
步骤111：第i个毫米波雷达坐标系XiOiYi与车辆运动坐标系O-XYZ的XOY平行，其坐标原点Oi位于世界坐标系的(x0i，y0i，z0i)处；
步骤112：假设第i个毫米波雷达在其探测范围内发现目标车辆V，该目标车辆V与毫米波雷达之间的相对距离为ρ，相对角度为α，即VOi＝ρ，单位为毫米，∠VOiXi＝α，单位为度；
步骤113：将第i个毫米波雷达坐标系中的车辆目标转移到车辆运动坐标系中，即有x＝xi+ρcosα，y＝yi+sinα。
进一步地，所述步骤12具体包括：
步骤121：激光雷达的坐标系OL-XLYLZL位于车辆运动坐标系O-XYZ的(x0L，y0L，z0L)处，目标车辆在激光雷达中的位置为(xL，yL，zL)；
步骤122：将激光雷达坐标系中的车辆目标转移到车辆运动坐标系中，即有X＝X0L+XL。
进一步地，所述步骤2具体包括：
步骤21：车辆横摆角速度在一定范围内，目标车辆和自车均符合常加速运动模型，建立自车和目标车辆在世界坐标系下的运动模型；
目标车辆在世界坐标系下的运动方程为：
Figure BDA0002713170330000031
式中，
Figure BDA00027131703300000311
为目标车辆的加速度，
Figure BDA00027131703300000310
为目标车辆的速度，x(t)为目标车辆的位置，a为目标车辆的加速度值，
Figure BDA0002713170330000034
为目标车辆的速度初值，x(0)为目标车辆的初始位置；
自车在世界坐标系下的运动方程：
Figure BDA0002713170330000035
式中，
Figure BDA00027131703300000313
为自车的加速度，
Figure BDA00027131703300000312
为自车的速度，xv(t)为自车的位置，av为自车的加速度值，
Figure BDA0002713170330000038
为自车的速度初值，xv(0)为自车的初始位置；
根据自车和目标车辆在世界坐标下的运动方程，建立目标车辆在车辆运动坐标系下的运动方程：
Figure BDA0002713170330000039
式中，
Figure BDA0002713170330000041
xobj-v(t)分别为目标车辆在车辆运动坐标系下的加速度、速度和位置；
步骤22：在车辆运动坐标系中，建立目标车辆的状态估计模型，在前方车辆目标跟踪过程中，关注目标车辆的位置和速度信息，采用向量
Figure BDA0002713170330000042
来描述目标车辆的运动状态，包含纵向和侧向的位置、速度和加速度信息；根据目标车辆在车辆运动坐标系的常加速运动模型，得到离散的目标车辆状态估计模型：
Figure BDA0002713170330000043
式中，T为时间更新周期，
Figure BDA0002713170330000044
为各个状态量组成的系统噪声矩阵；
步骤23：根据激光雷达和毫米波雷达的测量特性建立对应的测量方程；
激光雷达采用笛卡尔坐标系描述目标车辆的状态信息，其测量值为当前时刻目标车辆的状态值，激光雷达的测量模型为：
ZLk＝HLXk+vLk
式中，
Figure BDA0002713170330000045
为激光雷达测量值，HL为6维单位矩阵，
Figure BDA0002713170330000046
为激光雷达的测量噪声矩阵；
毫米波雷达采用极坐标的方式描述目标车辆的状态信息，其测量值和目标车辆状态值间存在非线性转换关系，状态空间映射到测量空间的测量函数F(x)如下：
Figure BDA0002713170330000047
式中，ρ为目标车辆在毫米波雷达坐标系中的径向位置，
Figure BDA0002713170330000048
为目标车辆在毫米波雷达坐标系中的角度位置，
Figure BDA0002713170330000051
为目标车辆在毫米波雷达坐标系中的径向速度。
将非线性测量函数F(x)线性化后的雅克比矩阵Hj为：
Figure BDA0002713170330000052
毫米波雷达的测量方程为：
ZRk＝HRxk+vRk
式中，
Figure BDA0002713170330000053
为毫米波雷达的测量值，HR＝Hj为测量矩阵，
Figure BDA0002713170330000054
为毫米波雷达的测量噪声矩阵。
进一步地，所述步骤3包括以下步骤：
步骤31：激光雷达和毫米波雷达获取目标车辆的状态信息后，通过sage-husa滤波算法降低噪声干扰；
步骤32：根据残差统计信息判断故障滤波器，对动态联邦滤波器结构进行重构；
步骤33：求解重构后的动态联邦滤波器的各子滤波器的工作状态因子。
进一步地，所述步骤31具体包括：
步骤311：计算k时刻的一步预测：
Figure BDA0002713170330000055
式中，
Figure BDA0002713170330000056
车辆目标基于时间一步预测的状态量，Φ为状态转移矩阵，
Figure BDA0002713170330000057
为过程噪声的期望；
步骤312：计算一步预测的状态协方差矩阵：
Figure BDA0002713170330000058
式中，
Figure BDA0002713170330000059
为过程噪声的协方差；
步骤313：计算k时刻的滤波增益：
Figure BDA00027131703300000510
式中，H为测量矩阵，对毫米波雷达获取的信息进行滤波时，H＝HR，对激光雷达获取的信息进行滤波时H＝HL，
Figure BDA0002713170330000061
测量噪声的状态协方差；
步骤314：获得k时刻的最优状态估计和状态协方差估计：
Figure BDA0002713170330000062
Figure BDA0002713170330000063
Pk＝[I-KkH]Pk/k-1
式中，
Figure BDA0002713170330000064
为滤波器的状态估计值，Pk为状态估计值的协方差矩阵；
步骤315：更新
Figure BDA0002713170330000065
Figure BDA0002713170330000066
Figure BDA0002713170330000067
Figure BDA0002713170330000068
式中，
Figure BDA0002713170330000069
进一步地，所述步骤32具体包括：
步骤321：选择前n个时刻的新息序列进行统计平滑，新息的均值和协方差的估值表示为：
Figure BDA00027131703300000610
Figure BDA00027131703300000611
式中，
Figure BDA00027131703300000612
在滤波中称为新息，
Figure BDA00027131703300000613
表示k时刻子滤波器新息的统计值，
Figure BDA00027131703300000614
表示k时刻子滤波器新息状态协方差的统计值；
步骤322：计算子滤波器各信息元素的滤波状态因子εik：
Figure BDA0002713170330000071
式中，εik表示子滤波器中第i个信息元素的滤波状态因子，
Figure BDA0002713170330000072
表示k时刻子滤波器新息协方差统计值的迹的第i个信息元素，
Figure BDA0002713170330000073
表示k时刻子滤波器新息协方差理论值的迹的第i个信息元素，新息协方差理论值为：
Figure BDA0002713170330000074
进一步得到子滤波器的状态评估矩阵：
Figure BDA0002713170330000075
式中，εij表示第i个子滤波器的第j个信息元素的滤波状态因子；
步骤323：根据
Figure BDA0002713170330000076
和
Figure BDA0002713170330000077
判断子滤波器是否发生故障，对动态联邦滤波器进行重构，当满足以下条件时，则该滤波器发生故障；
Figure BDA0002713170330000078
或
Figure BDA0002713170330000079
式中，v0和
Figure BDA00027131703300000710
分别表示发生故障的阈值，值越小，故障检测越敏感。
进一步地，所述步骤4中的分布式模糊神经网络模型的建立包括以下步骤：
步骤41网络第一层为输入层，将各子滤波器相同信息元素的工作状态因子合为一组作为分布式自适应模糊神经网络子网络的输入值，将各子滤波器相同信息元素的分配权值作为对应子网络的输出值，即输入值为：
Figure BDA00027131703300000711
Figure BDA00027131703300000712
式中，εij表示第i个子滤波器的第j个信息的状态因子，εj表示第j个子网络的输入值，输入层的节点数为N1＝mn；
步骤42：网络第二层为模糊层，对网络输入值进行模糊分割，每个输入值被分为{偏大，正常，偏小}3个模糊子集；输入变量的隶属函数采用高斯函数，即
Figure BDA00027131703300000713
cij和σij分别表示隶属函数的中心和宽度，i＝1,2,3…N1，j＝1,2,3，则第二层的节点数为N2＝3N1；
步骤43：网络第三层为规则层，该层节点数为
Figure BDA0002713170330000081
每一个节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为
Figure BDA0002713170330000082
其中，k＝{1,2,3,…N3}；
步骤43：网络第四层为强度释放层，该层节点数与第三层相同，
Figure BDA0002713170330000083
输出为：βi＝αkfk＝αk(piε1k+qiε2k+ri)；
步骤45：网络第五层为全连接层，该层的节点数和输出层相等，输出为：
Figure BDA0002713170330000084
步骤46：网络第六层为输出层，使最终的输出满足信息守恒定理，即有：
Figure BDA0002713170330000085
神经网络模型数据根据实车实验采集的数据训练获得，需要训练的是第二层隶属度函数的中心cij和宽度σij，第四层模糊规则函数的参数pi,qi,ri，以及第四和第五层的连接权值wki；考虑联邦滤波器的全局最优性，定义性能指标函数为：
Figure BDA0002713170330000086
式中，Pij,k表示k时刻第i个子滤波器第j个信息元素的状态方差，Pj,k表示k时刻主滤波器第j个信息元素的状态方差；该性能指标函数越小，则联邦滤波器的性能越好；根据该性能指标按照梯度下降学习方式即可训练出网络参数。
所述子滤波器中的信息元素指的是目标车辆的位置、速度、加速度等。
本发明的有益效果：
本发明在环境动态变化的情况下分析子滤波器新息的统计特性，提出了基于目标状态每一个信息元素的子滤波器状态评估矩阵，分别将各子滤波器状态评估矩阵相同信息元素的评估值作为分布式自适应模糊神经网络的各个子系统的输入，将各子滤波器的信息分配向量作为网络的输出，利用神经网络的学习能力和模糊控制的推理能力自适应的调节联邦滤波器的信息分配因子，从而使联邦滤波器能够根据环境变化自适应的调节各个子滤波器的工作效益，进一步提高车载雷达目标跟踪的精度和鲁棒性。
附图说明
图1为本发明基于动态联邦滤波的车载雷达目标跟踪方法的硬件分布示意图；
图2位本发明动态联邦滤波器的示意图；
图3为本发明算法中分布式自适应模糊推理网络结构图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明公开了一种基于动态联邦滤波的车载雷达目标跟踪方法，基于自动驾驶车辆的车载雷达系统，系统包括：车载雷达系统硬件模块和多雷达数据融合跟踪算法模块；
所述车载雷达系统硬件模块包括一个高精度扫描激光雷达、两个前向毫米波雷达(于其他示例中也可以为多个)和嵌入式处理器(ECU)；
所述激光雷达安装在自动驾驶车辆的车顶，用于获取前方目标车辆的位置和速度信息；
所述两个前向激光雷达安装在自动驾驶车辆车头左右两侧，以车辆的纵向中心面成对称关系，用于获取目标车辆的位置和速度信息；
所述嵌入式处理器与各个传感器和自动驾驶模块相连，用于接收来自各个雷达的目标信息，并装载了多雷达数据融合跟踪算法，进行目标融合跟踪，再将处理后的目标信息传递给自动驾驶决策模块；
如图2所示，所述多雷达数据融合跟踪算法模块以动态联邦滤波器为核心，包括两个子滤波器、包含数据融合与信息分配的主滤波器、滤波器工作状态评价模块以及动态权值调节模块；
所述子滤波器不仅能够对车辆目标状态信息进行滤波，还能根据前N个时刻的状态参数估计系统的状态协方差和测量协方差。
所述主滤波器为联邦滤波的核心，可根据子滤波器工作状态的动态变化而有动态变化的信息分配权值。
所述滤波器工作状态评价模块能够根据子滤波器的系统协方差矩阵、测量误差矩阵和新息等信息评定子滤波器的工作状态。
所述动态权值调节模块能够根据子滤波器的工作状态求解出动态变化的信息分配权值。
所述方法步骤如下：
步骤1：建立车载雷达系统与车辆运动坐标系之间的转换关系，将各坐标系进行空间统一，使用车载雷达中的最低频率进行采样，实现时间维度统一；
将各坐标系进行空间统一具体步骤为：
步骤11：建立毫米波雷达坐标系与车辆运动坐标系间的转换关系，毫米波雷达坐标系为水平的二维平面坐标系。
步骤12：建立激光雷达坐标系与车辆运动坐标系间的转换关系，激光雷达坐标系为三维坐标系。
所述步骤11具体包括：
步骤111：第i个毫米波雷达坐标系XiOiYi与车辆运动坐标系O-XYZ的XOY平行，其坐标原点Oi位于世界坐标系的(x0i，y0i，z0i)处；
步骤112：假设第i个毫米波雷达在其探测范围内发现目标车辆V，该目标车辆V与毫米波雷达之间的相对距离为ρ，相对角度为α，即VOi＝ρ，单位为毫米，∠VOiXi＝α，单位为度；
步骤113：将第i个毫米波雷达坐标系中的车辆目标转移到车辆运动坐标系中，即有x＝xi+ρcosα，y＝yi+sinα。
所述步骤12具体包括：
步骤121：激光雷达的坐标系OL-XLYLZL位于车辆运动坐标系O-XYZ的(X0L，y0L，z0L)处，目标车辆在激光雷达中的位置为(xL，yL，zL)；
步骤122：将激光雷达坐标系中的车辆目标转移到车辆运动坐标系中，即有X＝X0L+XL。
步骤2：建立目标车辆运动模型以及车载雷达测量模型；
所述步骤2具体包括：
步骤21：车辆横摆角速度在一定范围内，目标车辆和自车均符合常加速运动模型，建立自车和目标车辆在世界坐标系下的运动模型；
目标车辆在世界坐标系下的运动方程为：
Figure BDA0002713170330000101
式中，
Figure BDA0002713170330000102
为目标车辆的加速度，
Figure BDA0002713170330000103
为目标车辆的速度，x(t)为目标车辆的位置，a为目标车辆的加速度值，
Figure BDA0002713170330000104
为目标车辆的速度初值，x(0)为目标车辆的初始位置；
自车在世界坐标系下的运动方程：
Figure BDA0002713170330000111
式中，
Figure BDA0002713170330000112
为自车的加速度，
Figure BDA0002713170330000113
为自车的速度，xv(t)为自车的位置，av为自车的加速度值，
Figure BDA0002713170330000114
为自车的速度初值，xv(0)为自车的初始位置；
根据自车和目标车辆在世界坐标下的运动方程，建立目标车辆在车辆运动坐标系下的运动方程：
Figure BDA0002713170330000115
式中，
Figure BDA0002713170330000116
xobj-v(t)分别为目标车辆在车辆运动坐标系下的加速度、速度和位置；
步骤22：在车辆运动坐标系中，建立目标车辆的状态估计模型，在前方车辆目标跟踪过程中，关注目标车辆的位置和速度信息，采用向量
Figure BDA0002713170330000117
来描述目标车辆的运动状态，包含纵向和侧向的位置、速度和加速度信息；根据目标车辆在车辆运动坐标系的常加速运动模型，得到离散的目标车辆状态估计模型：
Figure BDA0002713170330000118
式中，T为时间更新周期，
Figure BDA0002713170330000119
为各个状态量组成的系统噪声矩阵；
步骤23：根据激光雷达和毫米波雷达的测量特性建立对应的测量方程；
激光雷达采用笛卡尔坐标系描述目标车辆的状态信息，其测量值为当前时刻目标车辆的状态值，激光雷达的测量模型为：
ZLk＝HLXk+vLk
式中，
Figure BDA0002713170330000121
为激光雷达测量值，HL为6维单位矩阵，
Figure BDA0002713170330000122
为激光雷达的测量噪声矩阵；
毫米波雷达采用极坐标的方式描述目标车辆的状态信息，其测量值和目标车辆状态值间存在非线性转换关系，状态空间映射到测量空间的测量函数F(x)如下：
Figure BDA0002713170330000123
式中，ρ为目标车辆在毫米波雷达坐标系中的径向位置，
Figure BDA0002713170330000124
为目标车辆在毫米波雷达坐标系中的角度位置，
Figure BDA0002713170330000125
为目标车辆在毫米波雷达坐标系中的径向速度。
将非线性测量函数F(x)线性化后的雅克比矩阵Hj为：
Figure BDA0002713170330000126
毫米波雷达的测量方程为：ZRk＝HRxk+vRk
式中，
Figure BDA0002713170330000127
为毫米波雷达的测量值，HR＝Hj为测量矩阵，
Figure BDA0002713170330000128
为毫米波雷达的测量噪声矩阵。
步骤3：利用Sage-Husa滤波算法对车载雷达测量数据进行滤波，以残差统计信息对子滤波器的工作状态进行评估，筛选出故障子滤波器并对动态联邦滤波器重构；具体包括：
步骤31：激光雷达和毫米波雷达获取目标车辆的状态信息后，通过sage-husa滤波算法降低噪声干扰；
步骤32：根据残差统计信息判断故障滤波器，对动态联邦滤波器结构进行重构；
步骤33：求解重构后的动态联邦滤波器的各子滤波器的工作状态因子；
所述步骤31具体包括：
步骤311：计算k时刻的一步预测：
Figure BDA0002713170330000131
式中，
Figure BDA0002713170330000132
车辆目标基于时间一步预测的状态量，Φ为状态转移矩阵，
Figure BDA0002713170330000133
为过程噪声的期望；
步骤312：计算一步预测的状态协方差矩阵：
Figure BDA0002713170330000134
式中，
Figure BDA0002713170330000135
为过程噪声的协方差；
步骤313：计算k时刻的滤波增益：
Figure BDA0002713170330000136
式中，H为测量矩阵，对毫米波雷达获取的信息进行滤波时，H＝HR，对激光雷达获取的信息进行滤波时H＝HL，
Figure BDA0002713170330000137
测量噪声的状态协方差；
步骤314：获得k时刻的最优状态估计和状态协方差估计：
Figure BDA0002713170330000138
Figure BDA0002713170330000139
Pk＝[I-KkH]Pk/k-1
式中，
Figure BDA00027131703300001310
为滤波器的状态估计值，Pk为状态估计值的协方差矩阵；
步骤315：更新
Figure BDA00027131703300001311
Figure BDA00027131703300001312
Figure BDA00027131703300001313
Figure BDA00027131703300001314
式中，
Figure BDA00027131703300001315
所述步骤32具体包括：
步骤321：选择前n个时刻的新息序列进行统计平滑，新息的均值和协方差的估值表示为：
Figure BDA0002713170330000141
Figure BDA0002713170330000142
式中，
Figure BDA0002713170330000143
在滤波中称为新息，
Figure BDA0002713170330000144
表示k时刻子滤波器新息的统计值，
Figure BDA0002713170330000145
表示k时刻子滤波器新息状态协方差的统计值；
步骤322：计算子滤波器各信息元素的滤波状态因子εik：
Figure BDA0002713170330000146
式中，εik表示子滤波器中第i个信息元素的滤波状态因子，
Figure BDA0002713170330000147
表示k时刻子滤波器新息协方差统计值的迹的第i个信息元素，
Figure BDA0002713170330000148
表示k时刻子滤波器新息协方差理论值的迹的第i个信息元素，新息协方差理论值为：
Figure BDA0002713170330000149
进一步得到子滤波器的状态评估矩阵：
Figure BDA00027131703300001410
式中，εij表示第i个子滤波器的第j个信息元素的滤波状态因子；
步骤323：根据
Figure BDA00027131703300001411
和
Figure BDA00027131703300001412
判断子滤波器是否发生故障，对动态联邦滤波器进行重构，当满足以下条件时，则该滤波器发生故障；
Figure BDA00027131703300001413
或
Figure BDA00027131703300001414
式中，v0和
Figure BDA00027131703300001415
分别表示发生故障的阈值，值越小，故障检测越敏感。
步骤4：根据重构的动态联邦滤波器中子滤波器的残差统计信息，利用分布式模糊神经网络模型调整信息分配系数；
参照图3所示，所述步骤4中的分布式模糊神经网络模型的建立包括以下步骤：
步骤41网络第一层为输入层，将各子滤波器相同信息元素的工作状态因子合为一组作为分布式自适应模糊神经网络子网络的输入值，将各子滤波器相同信息元素的分配权值作为对应子网络的输出值，即输入值为：
Figure BDA0002713170330000151
Figure BDA0002713170330000152
式中，εij表示第i个子滤波器的第j个信息的状态因子，εj表示第j个子网络的输入值，输入层的节点数为N1＝mn；
步骤42：网络第二层为模糊层，对网络输入值进行模糊分割，每个输入值被分为{偏大，正常，偏小}3个模糊子集；输入变量的隶属函数采用高斯函数，即
Figure BDA0002713170330000153
cij和σij分别表示隶属函数的中心和宽度，i＝1,2,3…N1，j＝1,2,3，则第二层的节点数为N2＝3N1；
步骤43：网络第三层为规则层，该层节点数为
Figure BDA0002713170330000154
每一个节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为
Figure BDA0002713170330000155
其中，k＝{1,2,3,…N3}；
步骤43：网络第四层为强度释放层，该层节点数与第三层相同，
Figure BDA0002713170330000156
输出为：βi＝αkfk＝αk(piε1k+qiε2k+ri)；
步骤45：网络第五层为全连接层，该层的节点数和输出层相等，输出为：
Figure BDA0002713170330000157
步骤46：网络第六层为输出层，使最终的输出满足信息守恒定理，即有：
Figure BDA0002713170330000158
神经网络模型数据根据实车实验采集的数据训练获得，需要训练的是第二层隶属度函数的中心cij和宽度σij，第四层模糊规则函数的参数pi,qi,ri，以及第四和第五层的连接权值wki；考虑联邦滤波器的全局最优性，定义性能指标函数为：
Figure BDA0002713170330000161
式中，Pij,k表示k时刻第i个子滤波器第j个信息元素的状态方差，Pj,k表示k时刻主滤波器第j个信息元素的状态方差；该性能指标函数越小，则联邦滤波器的性能越好；根据该性能指标按照梯度下降学习方式即可训练出网络参数。
步骤5：对2个子滤波器的最优估计值，根据信息分配原则进行全局融合，获得全局的最优估计值，利用动态信息分配系数进行反馈过程，重复步骤3至步骤5。
其中，所述子滤波器中的信息元素指的是目标车辆的位置、速度、加速度等。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，步骤如下：
步骤1：建立车载雷达系统与车辆运动坐标系之间的转换关系，将各坐标系进行空间统一；
步骤2：建立目标车辆运动模型以及车载雷达测量模型；
步骤3：利用Sage-Husa滤波算法对车载雷达测量数据进行滤波，以残差统计信息对子滤波器的工作状态进行评估，筛选出故障子滤波器并对动态联邦滤波器重构；
步骤4：根据重构的动态联邦滤波器中子滤波器的残差统计信息，利用分布式模糊神经网络模型调整信息分配系数；
步骤5：对2个子滤波器的最优估计值，根据信息分配原则进行全局融合，获得全局的最优估计值，利用动态信息分配系数进行反馈过程，返回步骤3。
2.根据权利要求1所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤1中的将各坐标系进行空间统一具体步骤为：
步骤11：建立毫米波雷达坐标系与车辆运动坐标系间的转换关系，毫米波雷达坐标系为水平的二维平面坐标系。
步骤12：建立激光雷达坐标系与车辆运动坐标系间的转换关系，激光雷达坐标系为三维坐标系。
3.根据权利要求2所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤11具体包括：
步骤111：第i个毫米波雷达坐标系XiOiYi与车辆运动坐标系O-XYZ的XOY平行，其坐标原点Oi位于世界坐标系的(x0i,y0i,z0i)处；
步骤112：假设第i个毫米波雷达在其探测范围内发现目标车辆V，该目标车辆V与毫米波雷达之间的相对距离为ρ，相对角度为α，即VOi＝ρ，单位为毫米，∠VOiXi＝α，单位为度；
步骤113：将第i个毫米波雷达坐标系中的车辆目标转移到车辆运动坐标系中，即有x＝xi+ρcosα,y＝yi+sinα。
4.根据权利要求2所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤12具体包括：
步骤121：激光雷达的坐标系OL-XLYLZL位于车辆运动坐标系O-XYZ的(x0L，y0L，z0L)处，目标车辆在激光雷达中的位置为(xL，yL，zL)；
步骤122：将激光雷达坐标系中的车辆目标转移到车辆运动坐标系中，即有X＝X0L+XL。
5.根据权利要求1所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤2具体包括：
步骤21：车辆横摆角速度在一定范围内，目标车辆和自车均符合常加速运动模型，建立自车和目标车辆在世界坐标系下的运动模型；
目标车辆在世界坐标系下的运动方程为：
Figure FDA0002713170320000021
式中，
Figure FDA00027131703200000211
为目标车辆的加速度，
Figure FDA0002713170320000023
为目标车辆的速度，x(t)为目标车辆的位置，a为目标车辆的加速度值，
Figure FDA0002713170320000024
为目标车辆的速度初值，x(0)为目标车辆的初始位置；
自车在世界坐标系下的运动方程：
Figure FDA0002713170320000025
式中，
Figure FDA0002713170320000026
为自车的加速度，
Figure FDA0002713170320000027
为自车的速度，xv(t)为自车的位置，av为自车的加速度值，
Figure FDA0002713170320000028
为自车的速度初值，xv(0)为自车的初始位置；
根据自车和目标车辆在世界坐标下的运动方程，建立目标车辆在车辆运动坐标系下的运动方程：
Figure FDA0002713170320000029
式中，
Figure FDA00027131703200000210
xobj-v(t)分别为目标车辆在车辆运动坐标系下的加速度、速度和位置；
步骤22：在车辆运动坐标系中，建立目标车辆的状态估计模型，在前方车辆目标跟踪过程中，关注目标车辆的位置和速度信息，采用向量
Figure FDA0002713170320000031
来描述目标车辆的运动状态，包含纵向和侧向的位置、速度和加速度信息；根据目标车辆在车辆运动坐标系的常加速运动模型，得到离散的目标车辆状态估计模型：
Figure FDA0002713170320000032
式中，T为时间更新周期，
Figure FDA0002713170320000038
为各个状态量组成的系统噪声矩阵；
步骤23：根据激光雷达和毫米波雷达的测量特性建立对应的测量方程；
激光雷达采用笛卡尔坐标系描述目标车辆的状态信息，其测量值为当前时刻目标车辆的状态值，激光雷达的测量模型为：
ZLk＝HLXk+vLk
式中，
Figure FDA0002713170320000033
为激光雷达测量值，HL为6维单位矩阵，
Figure FDA0002713170320000034
为激光雷达的测量噪声矩阵；
毫米波雷达采用极坐标的方式描述目标车辆的状态信息，其测量值和目标车辆状态值间存在非线性转换关系，状态空间映射到测量空间的测量函数F(x)如下：
Figure FDA0002713170320000035
式中，ρ为目标车辆在毫米波雷达坐标系中的径向位置，
Figure FDA0002713170320000036
为目标车辆在毫米波雷达坐标系中的角度位置，
Figure FDA0002713170320000037
为目标车辆在毫米波雷达坐标系中的径向速度。
将非线性测量函数F(x)线性化后的雅克比矩阵Hj为：
Figure FDA0002713170320000041
毫米波雷达的测量方程为：
ZRk＝HRxk+vRk
式中，
Figure FDA0002713170320000042
为毫米波雷达的测量值，HR＝Hj为测量矩阵，
Figure FDA0002713170320000049
为毫米波雷达的测量噪声矩阵。
6.根据权利要求1所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤3包括以下步骤：
步骤31：激光雷达和毫米波雷达获取目标车辆的状态信息后，通过sage-husa滤波算法降低噪声干扰；
步骤32：根据残差统计信息判断故障滤波器，对动态联邦滤波器结构进行重构；
步骤33：求解重构后的动态联邦滤波器的各子滤波器的工作状态因子。
7.根据权利要求6所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤31具体包括：
步骤311：计算k时刻的一步预测：
Figure FDA0002713170320000043
式中，
Figure FDA0002713170320000044
车辆目标基于时间一步预测的状态量，Φ为状态转移矩阵，
Figure FDA0002713170320000045
为过程噪声的期望；
步骤312：计算一步预测的状态协方差矩阵：
Figure FDA0002713170320000046
式中，
Figure FDA0002713170320000047
为过程噪声的协方差；
步骤313：计算k时刻的滤波增益：
Figure FDA0002713170320000048
式中，H为测量矩阵，对毫米波雷达获取的信息进行滤波时，H＝HR，对激光雷达获取的信息进行滤波时H＝HL，
Figure FDA0002713170320000051
测量噪声的状态协方差；
步骤314：获得k时刻的最优状态估计和状态协方差估计：
Figure FDA0002713170320000052
Figure FDA0002713170320000053
Pk＝[I-KkH]Pk/k-1
式中，
Figure FDA0002713170320000054
为滤波器的状态估计值，Pk为状态估计值的协方差矩阵；
步骤315：更新
Figure FDA0002713170320000055
Figure FDA0002713170320000056
Figure FDA0002713170320000057
Figure FDA0002713170320000058
式中，
Figure FDA0002713170320000059
8.根据权利要求1所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤32具体包括：
步骤321：选择前n个时刻的新息序列进行统计平滑，新息的均值和协方差的估值表示为：
Figure FDA00027131703200000510
Figure FDA00027131703200000511
式中，
Figure FDA00027131703200000512
在滤波中称为新息，
Figure FDA00027131703200000513
表示k时刻子滤波器新息的统计值，
Figure FDA00027131703200000514
表示k时刻子滤波器新息状态协方差的统计值；
步骤322：计算子滤波器各信息元素的滤波状态因子εik：
Figure FDA0002713170320000061
式中，εik表示子滤波器中第i个信息元素的滤波状态因子，
Figure FDA0002713170320000062
表示k时刻子滤波器新息协方差统计值的迹的第i个信息元素，
Figure FDA0002713170320000063
表示k时刻子滤波器新息协方差理论值的迹的第i个信息元素，新息协方差理论值为：
Figure FDA0002713170320000064
进一步得到子滤波器的状态评估矩阵：
Figure FDA0002713170320000065
式中，εij表示第i个子滤波器的第j个信息元素的滤波状态因子；
步骤323：根据
Figure FDA0002713170320000066
和
Figure FDA0002713170320000067
判断子滤波器是否发生故障，对动态联邦滤波器进行重构，当满足以下条件时，则该滤波器发生故障；
Figure FDA0002713170320000068
或
Figure FDA0002713170320000069
式中，v0和
Figure FDA00027131703200000610
分别表示发生故障的阈值，值越小，故障检测越敏感。
9.根据权利要求1所述的基于动态联邦滤波的车载雷达目标跟踪方法，其特征在于，所述步骤4中的分布式模糊神经网络模型的建立包括以下步骤：
步骤41网络第一层为输入层，将各子滤波器相同信息元素的工作状态因子合为一组作为分布式自适应模糊神经网络子网络的输入值，将各子滤波器相同信息元素的分配权值作为对应子网络的输出值，即输入值为：
Figure FDA00027131703200000611
Figure FDA00027131703200000612
式中，εij表示第i个子滤波器的第j个信息的状态因子，εj表示第j个子网络的输入值，输入层的节点数为N1＝mn；
步骤42：网络第二层为模糊层，对网络输入值进行模糊分割，每个输入值被分为{偏大，正常，偏小}3个模糊子集；输入变量的隶属函数采用高斯函数，即
Figure FDA0002713170320000071
cij和σij分别表示隶属函数的中心和宽度，i＝1,2,3…N1，j＝1,2,3，则第二层的节点数为N2＝3N1；
步骤43：网络第三层为规则层，该层节点数为
Figure FDA0002713170320000072
每一个节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为
Figure FDA0002713170320000073
其中，k＝{1,2,3,…N3}；
步骤43：网络第四层为强度释放层，该层节点数与第三层相同，
Figure FDA0002713170320000074
输出为：βi＝αkfk＝αk(piε1k+qiε2k+ri)；
步骤45：网络第五层为全连接层，该层的节点数和输出层相等，输出为：
Figure FDA0002713170320000075
步骤46：网络第六层为输出层，使最终的输出满足信息守恒定理，即有：
Figure FDA0002713170320000076
神经网络模型数据根据实车实验采集的数据训练获得，需要训练的是第二层隶属度函数的中心cij和宽度σij，第四层模糊规则函数的参数pi,qi,ri，以及第四和第五层的连接权值wki；考虑联邦滤波器的全局最优性，定义性能指标函数为：
Figure FDA0002713170320000077
式中，Pij,k表示k时刻第i个子滤波器第j个信息元素的状态方差，Pj,k表示k时刻主滤波器第j个信息元素的状态方差；该性能指标函数越小，则联邦滤波器的性能越好；根据该性能指标按照梯度下降学习方式即可训练出网络参数。
CN202011063905.5A 2020-09-30 2020-09-30 一种基于动态联邦滤波的车载雷达目标跟踪方法 Active CN112180361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011063905.5A CN112180361B (zh) 2020-09-30 2020-09-30 一种基于动态联邦滤波的车载雷达目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011063905.5A CN112180361B (zh) 2020-09-30 2020-09-30 一种基于动态联邦滤波的车载雷达目标跟踪方法

Publications (2)

Publication Number Publication Date
CN112180361A true CN112180361A (zh) 2021-01-05
CN112180361B CN112180361B (zh) 2023-09-26

Family

ID=73948451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011063905.5A Active CN112180361B (zh) 2020-09-30 2020-09-30 一种基于动态联邦滤波的车载雷达目标跟踪方法

Country Status (1)

Country Link
CN (1) CN112180361B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050654A (zh) * 2021-03-29 2021-06-29 中车青岛四方车辆研究所有限公司 障碍物检测方法、巡检机器人车载避障系统及方法
CN113108797A (zh) * 2021-04-19 2021-07-13 上海商汤临港智能科技有限公司 车辆定位方法、装置、电子设备以及计算机可读存储介质
CN113345248A (zh) * 2021-04-29 2021-09-03 华设设计集团股份有限公司 非信控交叉口安全预警和管控方法和系统
CN115574818A (zh) * 2022-12-09 2023-01-06 北京理工大学 基于改进联邦滤波的结构化道路车辆导航定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058927A1 (en) * 2001-09-26 2003-03-27 The Aerospace Corporation Spread spectrum receiver kalman filter residual estimator method
CN103323007A (zh) * 2013-06-17 2013-09-25 南京航空航天大学 一种基于时变量测噪声的鲁棒联邦滤波方法
US20180251092A1 (en) * 2017-03-06 2018-09-06 GM Global Technology Operations LLC Vehicle collision prediction algorithm using radar sensor and upa sensor
CN109459019A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN110095800A (zh) * 2019-04-19 2019-08-06 南京理工大学 一种多源融合的自适应容错联邦滤波组合导航方法
CN110823217A (zh) * 2019-11-21 2020-02-21 山东大学 一种基于自适应联邦强跟踪滤波的组合导航容错方法
CN111189441A (zh) * 2020-01-10 2020-05-22 山东大学 一种多源自适应容错联邦滤波组合导航系统及导航方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030058927A1 (en) * 2001-09-26 2003-03-27 The Aerospace Corporation Spread spectrum receiver kalman filter residual estimator method
CN103323007A (zh) * 2013-06-17 2013-09-25 南京航空航天大学 一种基于时变量测噪声的鲁棒联邦滤波方法
US20180251092A1 (en) * 2017-03-06 2018-09-06 GM Global Technology Operations LLC Vehicle collision prediction algorithm using radar sensor and upa sensor
CN109459019A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN110095800A (zh) * 2019-04-19 2019-08-06 南京理工大学 一种多源融合的自适应容错联邦滤波组合导航方法
CN110823217A (zh) * 2019-11-21 2020-02-21 山东大学 一种基于自适应联邦强跟踪滤波的组合导航容错方法
CN111189441A (zh) * 2020-01-10 2020-05-22 山东大学 一种多源自适应容错联邦滤波组合导航系统及导航方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白相文 等: "神经网络辅助的组合导航算法研究", 《导航定位学报》, vol. 8, no. 1, pages 93 - 98 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050654A (zh) * 2021-03-29 2021-06-29 中车青岛四方车辆研究所有限公司 障碍物检测方法、巡检机器人车载避障系统及方法
CN113108797A (zh) * 2021-04-19 2021-07-13 上海商汤临港智能科技有限公司 车辆定位方法、装置、电子设备以及计算机可读存储介质
CN113108797B (zh) * 2021-04-19 2024-04-12 上海商汤临港智能科技有限公司 车辆定位方法、装置、电子设备以及计算机可读存储介质
CN113345248A (zh) * 2021-04-29 2021-09-03 华设设计集团股份有限公司 非信控交叉口安全预警和管控方法和系统
CN115574818A (zh) * 2022-12-09 2023-01-06 北京理工大学 基于改进联邦滤波的结构化道路车辆导航定位方法及系统
CN115574818B (zh) * 2022-12-09 2023-02-28 北京理工大学 基于改进联邦滤波的结构化道路车辆导航定位方法及系统

Also Published As

Publication number Publication date
CN112180361B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN112180361B (zh) 一种基于动态联邦滤波的车载雷达目标跟踪方法
CN110596694B (zh) 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法
CN107065890B (zh) 一种无人车智能避障方法及系统
CN1940591B (zh) 使用传感器融合进行目标跟踪的系统和方法
CN107632308B (zh) 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法
CN111025250B (zh) 一种车载毫米波雷达在线标定方法
US8374624B2 (en) Location measurement method based on predictive filter
CN110554388B (zh) 利用主车辆对目标的速度进行鲁棒估计的方法
CN110531357A (zh) 估计移动目标在水平面中速度大小的方法和雷达检测系统
Thormann et al. Extended target tracking using Gaussian processes with high-resolution automotive radar
Park et al. Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map
WO2020099024A1 (en) Apparatus and method for characterizing an object based on measurement samples from one or more location sensors
CN112147651B (zh) 一种异步多车协同目标状态鲁棒估计方法
CN107064865A (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN114509750A (zh) 一种基于多航海雷达的水上目标追踪方法
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN115265551A (zh) 一种无人驾驶复杂场景下的多传感器融合定位方法和系统
CN108152812B (zh) 一种调整网格间距的改进agimm跟踪方法
CN112612001A (zh) 一种基于bp神经网络算法的轨迹预测方法及装置
CN114035187A (zh) 一种自动驾驶系统的感知融合方法
Lim et al. Gaussian process auto regression for vehicle center coordinates trajectory prediction
CN114740448B (zh) 用于车载雷达的目标状态估计方法、装置及存储介质
CN117437771A (zh) 一种目标状态估计方法、装置、电子设备和介质
CN111323069B (zh) 一种基于深度强化学习的多传感器在线标定方法及系统
CN111596309B (zh) 一种基于激光雷达的车辆排队测量方法

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