CN114019498A - 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 - Google Patents
一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 Download PDFInfo
- Publication number
- CN114019498A CN114019498A CN202111235191.6A CN202111235191A CN114019498A CN 114019498 A CN114019498 A CN 114019498A CN 202111235191 A CN202111235191 A CN 202111235191A CN 114019498 A CN114019498 A CN 114019498A
- Authority
- CN
- China
- Prior art keywords
- target
- kalman filtering
- fractional
- fractional order
- millimeter wave
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,包括如下步骤:从雷达端输出目标的回波点云数据;对点云数据分堆选择;进行分数阶卡尔曼滤波;进行马氏距离判断;目标位置更新。其中,分数阶卡尔曼滤波基于目标的分数阶运动模型,且模型随目标状态更新而改变,最后通过计算马氏距离判断当前时刻最佳目标状态。本发明针对毫米波雷达的目标跟踪问题,利用分数阶卡尔曼滤波实现对分堆点云目标位置的预测与更新,其目标运动模型随着每一次目标状态更新而改变,有利于改善目标在速度变化剧烈,运动轨迹复杂的情况产生的目标关联失稳,延迟,丢失等情况,提高的系统的跟踪性能。
Description
技术领域
本发明涉及目标跟踪算法技术领域,尤其涉及一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法。
背景技术
近年来以雷达传感技术为基础的目标识别跟踪成为无线电侦查与测距领域的研究热点,其在军事和民用的多个场合具有广阔的应用和发展前景,例如弹道导弹、海洋监视、战场监视以及交通监管,智能驾驶,智能家居及物联网等等。而其中毫米波雷达因具有小体积、轻自重、低成本、高精度、高分辨率、强抗干扰能力等独特优点,正逐渐扩大其民用应用前景,发挥越来越重要的作用。
目标跟踪算法作为毫米波雷达应用研究的一个重要分支,对于目标检测,多传感器信息融合等技术有着重要意义。目前传统算法使用概率数据关联来处理单目标跟踪问题,该方法可以将被监视目标和雷达之间的关系计算出来,把接收数据和状态信息分配给被跟踪目标,但是实际应用中易受环境干扰及杂波影响;引入卡尔曼滤波算法首先对目标位置进行预测后再与检测结果进行匹配能有效提高数据关联的准确度,而随着目标机动性的增强,常速度与常加速度的卡尔曼滤波模型受到雷达自身性能的限制,在目标进行高速、高频率、急变速运动时,有较大概率出现跟踪过程中目标失稳,延迟,丢失等情况。
目标的运动模型影响了卡尔曼滤波对其状态信息的预测值,从而影响目标关联的准确性,因此考虑采用一种分数阶卡尔曼滤波算法,实时调整目标预测模型以应对急剧变速条件下目标跟踪性能降低的问题。
发明内容
针对毫米波雷达单目标跟踪过程中,运动目标速度大小及方向变化复杂的问题,本发明提供一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其目的在于调整受跟踪目标预测模型的速度变化及目标的位置信息,保证目标跟踪过程实时可靠。
本发明采用的技术方案是:提供一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,包括如下步骤:
从雷达端输出目标的回波点云数据;
对点云数据分堆选择;
进行分数阶卡尔曼滤波;
进行马氏距离判断;
目标位置更新。
进一步的,所述雷达端输出目标的回波点云数据包括点的数量信息、距离信息、多普勒信息、方位角信息、信噪比信息和当前帧编号。
进一步的,所述分数阶卡尔曼滤波算法包括如下步骤:
S1、初始化分数阶运动模型并预设分数阶卡尔曼滤波的相关参数;
S2、建立并完成关于跟踪目标的分数阶卡尔曼滤波状态更新方程;
S3、建立并完成关于跟踪目标的分数阶卡尔曼滤波量测更新方程;
S4、根据分数阶卡尔曼滤波结果更新运动模型的分数阶阶次。
进一步的,步骤S1中,分数阶运动模型为利用分数阶微积分建立关于目标在系统绝对坐标系下,时域内的连续运动模型,具体包括:
进一步的,给出目标在雷达相对坐标系下,时域内的量测向量:
进一步的,利用时域内系统的连续运动模型及量测向量,进行离散化得到系统在分数阶微积分下的状态空间表达式:
其中,xk,xk+1,yk分别表示k时刻目标运动状态,k+1时刻目标运动状态及k时刻雷达系统量测;ωk,υk分别表示k时刻系统噪声及量测噪声;表示k时刻系统的状态转移矩阵;为对角阵;h(·)为非线性坐标变换。
进一步的,步骤S1中,分数阶卡尔曼滤波的相关参数设置包括:目标初始位置x0设置,目标初始残差协方差矩阵P0设置,协方差矩阵分别为Q与R的高斯白噪声设置,初始分数阶阶数α0设置。
进一步的,步骤S2中,关于跟踪目标的分数阶卡尔曼滤波状态更新方程的具体步骤为:
其中,表示当前时刻先验状态估计;表示j时刻前的后验估计状态;表示当前时刻的先验残差协方差矩阵;Pk-j表示j时刻前的后验残差协方差矩阵;Q表示系统噪声协方差矩阵;表示k时刻系统的状态转移矩阵;Θj为一个对角矩阵,其表达式为:
进一步的,步骤S3中,关于跟踪目标的分数阶卡尔曼滤波量测更新方程的具体步骤为:
进一步的,步骤S4中,分数阶阶次的更新方法如下:
进一步的,所述的马氏距离判断方法包括:根据状态变量残差的协方差矩阵的逆矩阵及步骤S4中的误差量作为输入量计算其具体数值,计算公式如下:
进一步的,所述目标位置更新的方法包括:
本发明的有益效果是:
(1)、本发明针对毫米波雷达的单目标跟踪算法,通过建立目标的分数阶运动模型,并相应的利用分数阶卡尔曼滤波算法,对已分堆点云数据进行目标状态更新,最后通过计算马氏距离关联最佳目标位置实现对目标的有效跟踪。
(2)、本发明针对毫米波雷达的目标跟踪问题,利用分数阶卡尔曼滤波实现对分堆点云目标位置的预测与更新,其目标运动模型随着每一次目标状态更新而改变,有利于改善目标在速度变化剧烈,运动轨迹复杂的情况产生的目标关联失稳,延迟,丢失等情况,提高的系统的跟踪性能。
附图说明
图1是本发明中目标跟踪过程的流程图;
图2是本发明实施例的系统绝对坐标系和雷达相对坐标系示意图;
图3是本发明实施例中分数阶卡尔曼滤波的流程图;
图4是本发明实施例中某一时刻目标位置预测结果图。
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,下面将结合附图对本发明作进一步详细描述,但本发明的实施方式不限于此。
下面结合附图对本发明作进一步的说明,实施例用于说明本发明而不限制本发明的范围,本发明还可以通过另外不同的具体实施方式加以实施或应用,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想。在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。部分参数可根据实际应用和部件的工作特性做相应匹配和调整。例如:实施例中,测试环境边界及雷达的实际安装位置,以及分数阶卡尔曼滤波系统噪声及量测噪声的协方差矩阵值得选取等。
本实施例描述了一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其过程由以下几个步骤组成:从雷达端输出目标的回波点云数据;对点云数据分堆选择;进行分数阶卡尔曼滤波;进行马氏距离判断;目标位置更新。整个过程如图1所示。
本实施例中,雷达输出目标的回波点云数据,包含以下信息:点的数量信息,距离信息,多普勒信息,方位角信息,信噪比信息和当前帧编号。
本实施例中所描述的分数阶卡尔曼滤波算法包括以下几个步骤:
S1、初始化分数阶运动模型并预设分数阶卡尔曼滤波的相关参数;
S2、建立并完成关于跟踪目标的分数阶卡尔曼滤波状态更新方程;
S3、建立并完成关于跟踪目标的分数阶卡尔曼滤波量测更新方程;
S4、根据分数阶卡尔曼滤波结果更新运动模型的分数阶阶次。
本实施例基于封闭有边界的测试环境,测试空间边界长度为10米,宽度为8米,毫米波雷达安装模式为壁挂式,安装位置为测试空间俯视角宽度底边的中点处,有效角度范围设定为120°,雷达的安装高度为2.6米。
进一步的,初始化分数阶运动模型并预设分数阶卡尔曼滤波的相关参数包括:
对运动目标建立在系统绝对坐标系下,时域内的连续运动模型:
其中h表示系统采样周期,Da、ta、ha、j分别表示:分数阶微积分符号、运行时间的a次方、采样周期的a次方、第j个样本;
上述系统绝对坐标系及雷达相对坐标系示意如图2所示。
然后,利用时域内系统的连续运动模型及量测向量,进行离散化得到系统在分数阶微积分下的状态空间表达式:
其中,xk,xk+1,yk分别表示k时刻目标运动状态,k+1时刻运动状态及k时刻雷达系统量测;ωk,υk分别表示k时刻系统噪声及量测噪声;表示k时刻系统的状态转移矩阵;为对角矩阵;h(·)为非线性坐标变换。
分数阶卡尔曼滤波的流程如图3所示,对于分数阶卡尔曼滤波的相关参数初值设计,需要设计的参数有:目标初始位置x0设置,目标初始残差协方差矩阵P0设置,协方差矩阵分别为Q与R的高斯白噪声设置,初始分数阶阶数α0设置。
进一步的,将连续运动模型离散化并对当前时刻目标进行状态更新,其具体的分数阶卡尔曼滤波状态更新方程为:
在完成目标状态更新后得到了关于当前时刻目标的预测位置信息,此时将当前时刻分堆后的目标回波点云数据作为不同量测值。
进一步的,对每一堆点云进行分数阶卡尔曼滤波量测更新,其具体的分数阶卡尔曼滤波量测更新方程为:
进一步的,对所有分堆点云完成分数阶卡尔曼滤波量测更新计算后,进行分数阶卡尔曼滤波分数阶阶次更新过程,具体过程为:
为了关联到当前时刻的最佳量测,对完成分数阶阶次更新的点云计算马氏距离,根据状态变量残差的协方差矩阵的逆矩阵及步骤S4中的误差量作为输入量计算马氏距离的具体数值,计算公式如下:
对所有点云完成马氏距离计算以后,实施目标位置更新策略,所述目标位置更新策略用以实现目标跟踪,其具体规则为,通过各分堆点云计算得到的马氏距离作为判据,满足最小的点云堆作为目标的当前状态,并按照此点云计算得到的分数阶卡尔曼滤波相关参数作为下一时刻位置预测的信息。
如图4所示为本实施例中某一时刻目标位置预测结果,虽然量测点云分布较散,但在进行分数阶卡尔曼滤波后更新了其对应的分数阶阶次,对所得到的量测更新计算马氏距离,得到了当前时刻的最佳目标状态以及用于下一时刻的目标分数阶运动模型。
上述公开的本发明优选实施例仅是本发明较佳的实施方式,只是用于帮助阐述本发明,并非对本发明作任何形式上的限制,凡在本发明的精神和原则之内,所做的任何修改均应包含在本发明的保护范围之内。本发明的实施方式只是对本专利的示例性说明,并不限定它的保护范围,本领域技术人员还可以对其局部进行改变,只要没超出本专利的精神实质,都在本专利的保护范围内。
Claims (10)
1.一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其特征在于,包括如下步骤:
从雷达端输出目标的回波点云数据;
对点云数据分堆选择;
进行分数阶卡尔曼滤波;
进行马氏距离判断;
目标位置更新。
2.根据权利要求1所述的基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其特征在于,所述雷达端输出目标的回波点云数据包括点的数量信息、距离信息、多普勒信息、方位角信息、信噪比信息和当前帧编号。
3.根据权利要求1所述的基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其特征在于,所述分数阶卡尔曼滤波算法包括如下步骤:
S1、初始化分数阶运动模型并预设分数阶卡尔曼滤波的相关参数;
S2、建立并完成关于跟踪目标的分数阶卡尔曼滤波状态更新方程;
S3、建立并完成关于跟踪目标的分数阶卡尔曼滤波量测更新方程;
S4、根据分数阶卡尔曼滤波结果更新运动模型的分数阶阶次。
4.根据权利要求3所述的基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其特征在于,步骤S1中,分数阶运动模型为利用分数阶微积分建立关于目标在系统绝对坐标系下,时域内的连续运动模型,具体包括:
给出目标在雷达相对坐标系下,时域内的量测向量:
进一步的,利用时域内系统的连续运动模型及量测向量,进行离散化得到系统在分数阶微积分下的状态空间表达式:
其中,xk,xk+1,yk分别表示k时刻目标运动状态,k+1时刻目标运动状态及k时刻雷达系统量测;ωk,υk分别表示k时刻系统噪声及量测噪声;表示k时刻系统的状态转移矩阵;为对角阵;h(·)为非线性坐标变换;
5.根据权利要求4所述的基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法,其特征在于,步骤S1中,分数阶卡尔曼滤波的相关参数设置包括:目标初始位置x0设置,目标初始残差协方差矩阵P0设置,协方差矩阵分别为Q与R的高斯白噪声设置,初始分数阶阶数α0设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235191.6A CN114019498A (zh) | 2021-10-22 | 2021-10-22 | 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235191.6A CN114019498A (zh) | 2021-10-22 | 2021-10-22 | 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114019498A true CN114019498A (zh) | 2022-02-08 |
Family
ID=80057246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235191.6A Pending CN114019498A (zh) | 2021-10-22 | 2021-10-22 | 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114019498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660592A (zh) * | 2022-03-21 | 2022-06-24 | 大连理工大学 | 一种基于毫米波雷达点云数据的室内人员信息检测方法 |
CN114759988A (zh) * | 2022-04-29 | 2022-07-15 | 北京邮电大学 | 一种基于残差判决自适应对角卡尔曼滤波算法及其应用 |
CN114895299A (zh) * | 2022-05-21 | 2022-08-12 | 中国电子科技集团公司第二十研究所 | 一种多雷达量测滞后无序滤波方法 |
CN114895239A (zh) * | 2022-03-31 | 2022-08-12 | 北京建筑大学 | 毫米涡旋波束的分数阶卡尔曼滤波定位方法、装置及系统 |
-
2021
- 2021-10-22 CN CN202111235191.6A patent/CN114019498A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660592A (zh) * | 2022-03-21 | 2022-06-24 | 大连理工大学 | 一种基于毫米波雷达点云数据的室内人员信息检测方法 |
CN114660592B (zh) * | 2022-03-21 | 2024-04-12 | 大连理工大学 | 一种基于毫米波雷达点云数据的室内人员信息检测方法 |
CN114895239A (zh) * | 2022-03-31 | 2022-08-12 | 北京建筑大学 | 毫米涡旋波束的分数阶卡尔曼滤波定位方法、装置及系统 |
CN114759988A (zh) * | 2022-04-29 | 2022-07-15 | 北京邮电大学 | 一种基于残差判决自适应对角卡尔曼滤波算法及其应用 |
CN114759988B (zh) * | 2022-04-29 | 2023-08-29 | 北京邮电大学 | 一种基于残差判决自适应对角卡尔曼滤波方法及其应用 |
CN114895299A (zh) * | 2022-05-21 | 2022-08-12 | 中国电子科技集团公司第二十研究所 | 一种多雷达量测滞后无序滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114019498A (zh) | 一种基于分数阶卡尔曼滤波的毫米波雷达单目标跟踪方法 | |
CN107045125B (zh) | 一种基于预测值量测转换的交互多模型雷达目标跟踪方法 | |
CN109633589A (zh) | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 | |
KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
CN109298725B (zh) | 一种基于phd滤波的群体机器人分布式多目标跟踪方法 | |
CN103885057A (zh) | 自适应变滑窗多目标跟踪方法 | |
CN112098990A (zh) | 车载高分辨毫米波雷达对于中高速车辆的检测与跟踪方法 | |
CN111273248B (zh) | 一种基于相位补偿的解速度模糊方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
CN107356908B (zh) | 一种捷变频信号相参积累方法 | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
CN111562570A (zh) | 基于毫米波雷达的面向自动驾驶的车辆感知方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN109946659A (zh) | 一种车载毫米波雷达线性调频连续波运动频率扩展校正方法 | |
CN112034445B (zh) | 基于毫米波雷达的车辆运动轨迹跟踪方法和系统 | |
CN112904339A (zh) | 斜距历程与航向交点表征的双基前视sar成像方法 | |
CN111624549A (zh) | 非共视条件下无源滤波跟踪方法 | |
CN107966697B (zh) | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 | |
Guo et al. | State estimation from range-only measurements | |
CN113866754A (zh) | 基于高斯分布波门的运动目标航迹关联方法 | |
CN112684411B (zh) | 一种基于改进到达频率差的水下目标定位方法 | |
CN110764092B (zh) | 一种基于方位历程图的水声目标方位跟踪方法及系统 | |
Sönmez et al. | Analysis of performance criteria for optimization based bearing only target tracking algorithms |
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 |