黃　晶，李　勇，2，胡　林

前言

無人駕駛系統(tǒng)和高級(jí)輔助駕駛系統(tǒng)被認(rèn)為是解決交通便利和安全問題的最具價(jià)值與潛力的方案，而環(huán)境感知是其中重要的組成部分[1-2]。由各種車載傳感器構(gòu)成的環(huán)境感知系統(tǒng)為車輛的決策控制提供必要的信息，系統(tǒng)的優(yōu)劣性將直接影響車輛的行駛安全。而系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性是實(shí)現(xiàn)車輛自動(dòng)駕駛的重要基礎(chǔ)，它要求在特定時(shí)間段內(nèi)完成車輛與環(huán)境信息數(shù)據(jù)的獲取和保證所獲得數(shù)據(jù)的可靠性。

目標(biāo)跟蹤是智能車輛環(huán)境感知中的關(guān)鍵問題之一[3]，在本文中表現(xiàn)為基于車載激光雷達(dá)通過聚類獲取智能車前方目標(biāo)相對(duì)于測(cè)量車的位置、尺寸等信息后，通過目標(biāo)關(guān)聯(lián)匹配算法來處理得到對(duì)雷達(dá)量程范圍內(nèi)各個(gè)目標(biāo)在時(shí)間序列上的量測(cè)值，然后通過目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)算法有效地抑制測(cè)量過程中引入的量測(cè)噪聲，實(shí)時(shí)、準(zhǔn)確地辨識(shí)出智能車輛前方目標(biāo)的運(yùn)動(dòng)狀態(tài)(包括位置、速度和加速度)，進(jìn)而為目標(biāo)航跡預(yù)測(cè)提供依據(jù)。因此目標(biāo)關(guān)聯(lián)匹配和運(yùn)動(dòng)狀態(tài)估計(jì)是影響目標(biāo)跟蹤的重要因素，國(guó)內(nèi)外專家學(xué)者對(duì)此做了相關(guān)研究。最近鄰法通過計(jì)算各量測(cè)位置距跟蹤門中心的距離來實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)[4]，但當(dāng)在目標(biāo)密集或存在雜波干擾的情況下，目標(biāo)關(guān)聯(lián)正確率較低；概率數(shù)據(jù)關(guān)聯(lián)算法[5]和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法[6]都是根據(jù)相關(guān)計(jì)算得出互聯(lián)概率，并以此作為權(quán)值對(duì)跟蹤門內(nèi)的所有量測(cè)的狀態(tài)濾波估計(jì)值進(jìn)行加權(quán)求和作為最終的目標(biāo)狀態(tài)估計(jì)值，該算法的關(guān)聯(lián)準(zhǔn)確率較高，但當(dāng)測(cè)量范圍內(nèi)目標(biāo)較多時(shí)，會(huì)導(dǎo)致計(jì)算量暴增，從而導(dǎo)致系統(tǒng)實(shí)時(shí)性較差。本文中出于實(shí)時(shí)性的考慮，結(jié)合單線激光雷達(dá)的實(shí)際使用提出了一種改進(jìn)的最近鄰關(guān)聯(lián)算法，將目標(biāo)的位置、尺寸大小和反射強(qiáng)度信息通過“關(guān)聯(lián)函數(shù)”結(jié)合起來以判定量測(cè)與目標(biāo)之間的關(guān)聯(lián)性。針對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)估計(jì)，文獻(xiàn)[7]和文獻(xiàn)[8]中分別提出了基于勻速(CV)模型的2階卡爾曼濾波器和基于勻加速(CA)模型的3階卡爾曼濾波器，假定目標(biāo)相對(duì)傳感器保持恒定速度或恒定加速度行駛，將相對(duì)加速度作為均值為0的高斯白噪聲隨機(jī)干擾，濾波器并沒有根據(jù)目標(biāo)運(yùn)動(dòng)狀態(tài)的變化對(duì)系統(tǒng)模型進(jìn)行相應(yīng)調(diào)整。當(dāng)目標(biāo)勻速或勻加速運(yùn)動(dòng)時(shí)，目標(biāo)位置和速度估計(jì)誤差較小，而當(dāng)目標(biāo)做變速運(yùn)動(dòng)時(shí)，由于系統(tǒng)模型與實(shí)際系統(tǒng)變化規(guī)律之間存在差異，會(huì)產(chǎn)生較大的估計(jì)誤差。文獻(xiàn)[9]中提出的Singer模型跟蹤算法認(rèn)為機(jī)動(dòng)模型是相關(guān)噪聲模型，而不是通常假定的白噪聲模型，且對(duì)目標(biāo)的加速度作為具有指數(shù)自相關(guān)的零均值隨機(jī)過程建模，使系統(tǒng)模型與目標(biāo)實(shí)際加速度變化規(guī)律接近了一步，但Singer模型算法本質(zhì)上畢竟是一種先驗(yàn)?zāi)Ｐ退惴?，期望基于先?yàn)?zāi)Ｐ蛠碛行枋瞿繕?biāo)的機(jī)動(dòng)是不現(xiàn)實(shí)的。文獻(xiàn)[10]中提出了目前已廣泛應(yīng)用于軍事航天領(lǐng)域的當(dāng)前統(tǒng)計(jì)(CS)模型，該模型與Singer模型中的近似均勻分布假設(shè)不同的是該算法采用修正瑞利分布來描述目標(biāo)加速度的統(tǒng)計(jì)特性，加速度分布隨均值變化而變化。本文中構(gòu)造了基于當(dāng)前統(tǒng)計(jì)模型的自適應(yīng)卡爾曼濾波跟蹤算法，并針對(duì)當(dāng)前統(tǒng)計(jì)模型對(duì)于弱機(jī)動(dòng)目標(biāo)(加速度變化范圍較小)跟蹤效率較低和過度依賴人為設(shè)定的加速度極值等缺陷，采用了基于濾波殘差的隸屬度函數(shù)來對(duì)加速度極值進(jìn)行實(shí)時(shí)修正，進(jìn)而調(diào)整加速度方差。

1　目標(biāo)跟蹤

本文中所進(jìn)行的基于單線激光雷達(dá)的車輛前方目標(biāo)跟蹤研究主要流程如圖1所示，其中目標(biāo)運(yùn)動(dòng)狀態(tài)識(shí)別和目標(biāo)關(guān)聯(lián)匹配是整個(gè)跟蹤過程的重要環(huán)節(jié)。

圖1　目標(biāo)跟蹤算法運(yùn)行流程圖

1.1　改進(jìn)的運(yùn)動(dòng)狀態(tài)識(shí)別算法

在真實(shí)交通環(huán)境中，車載雷達(dá)測(cè)量值中帶有來自前方路面與道路隔離護(hù)欄等干擾源和雷達(dá)自身震顫所造成的量測(cè)噪聲，且激光雷達(dá)只能通過直接測(cè)量得到目標(biāo)相對(duì)雷達(dá)的距離和方位信息。因此需要設(shè)計(jì)目標(biāo)運(yùn)動(dòng)狀態(tài)識(shí)別算法，從帶有量測(cè)噪聲的雷達(dá)量測(cè)信號(hào)中來較準(zhǔn)確地辨識(shí)出目標(biāo)的位置、速度和加速度信息。

在汽車、軍事和航海航空等研究領(lǐng)域中，采用的目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)方法通常是先建立目標(biāo)運(yùn)動(dòng)狀態(tài)模型，然后基于這個(gè)模型進(jìn)行濾波估計(jì)。目前基于車載傳感器的目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)多是假定目標(biāo)做勻速或者勻加速運(yùn)動(dòng)，將相對(duì)加速度作為均值為0的高斯白噪聲隨機(jī)干擾。這樣的假設(shè)給運(yùn)動(dòng)狀態(tài)建模及建立濾波估計(jì)算法帶來了極大的便利，但在實(shí)際的交通環(huán)境中，車輛經(jīng)常面臨換道超車、紅燈減速停車等多變的交通狀況，車速也不可能長(zhǎng)時(shí)間穩(wěn)定在某一車速下。因此定速度模型和定加速度模型均不能真實(shí)反映目標(biāo)實(shí)際的運(yùn)動(dòng)狀態(tài)變化，造成目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)精度下降，甚至發(fā)散。

本文中基于軍事航天領(lǐng)域中的當(dāng)前統(tǒng)計(jì)運(yùn)動(dòng)模型并對(duì)其進(jìn)行了改進(jìn)，用于運(yùn)動(dòng)狀態(tài)識(shí)別。當(dāng)前統(tǒng)計(jì)模型與目前車輛領(lǐng)域常用的Singer模型中的近似均勻分布假設(shè)不同[11]，該算法采用修正瑞利分布來描述機(jī)動(dòng)加速度的統(tǒng)計(jì)特性，使目標(biāo)下一時(shí)刻的加速度變化范圍只能在當(dāng)前加速度的某一鄰域內(nèi)，因而當(dāng)前統(tǒng)計(jì)模型能較真實(shí)地反映目標(biāo)機(jī)動(dòng)范圍和強(qiáng)度的變化，故基于當(dāng)前統(tǒng)計(jì)模型的自適應(yīng)卡爾曼濾波估計(jì)算法在估計(jì)目標(biāo)狀態(tài)的同時(shí)，還可辨識(shí)出機(jī)動(dòng)加速度均值，從而實(shí)時(shí)地修正加速度分布，并通過方差反饋到下一時(shí)刻的濾波增益中，實(shí)現(xiàn)了閉環(huán)自適應(yīng)跟蹤。在當(dāng)前統(tǒng)計(jì)模型中有:

式中:a (k)為加速度均值；amax為目標(biāo)最大加速度。

本文中設(shè)計(jì)了基于當(dāng)前統(tǒng)計(jì)模型的自適應(yīng)卡爾曼濾波估計(jì)算法[12]，算法流程如下。

(1)狀態(tài)預(yù)測(cè)

(2)協(xié)方差預(yù)測(cè)

(3)濾波殘差(新息)

(4)濾波殘差的協(xié)方差矩陣

(5)濾波增益

(6)狀態(tài)估計(jì)更新

(7)協(xié)方差更新

然而，當(dāng)前統(tǒng)計(jì)模型對(duì)于弱機(jī)動(dòng)目標(biāo)(加速度變化較小)跟蹤效率較低，過度依賴人為設(shè)定的加速度極值，且本文測(cè)定的是目標(biāo)對(duì)雷達(dá)安裝車輛的相對(duì)加速度，加速度極值難以確定，因此本文中將濾波殘差以及高斯型隸屬度函數(shù)引入到對(duì)加速度極值的實(shí)時(shí)調(diào)整過程中:

由式(11)和式(12)可知:調(diào)節(jié)因子uk(k)可根據(jù)當(dāng)前的濾波殘差和協(xié)方差在[0，1]之間變動(dòng)，通過間接調(diào)整加速度極值來改變加速度方差，進(jìn)而調(diào)整濾波增益，改善跟蹤精度。

1.2　基于“關(guān)聯(lián)函數(shù)”的目標(biāo)關(guān)聯(lián)匹配算法

目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)的實(shí)現(xiàn)僅僅依靠目標(biāo)在一幀中的量測(cè)信息顯然是不夠的，需要在連續(xù)多幀傳感器數(shù)據(jù)中找到該目標(biāo)對(duì)應(yīng)的量測(cè)值。通常在雷達(dá)量程范圍內(nèi)會(huì)存在多個(gè)目標(biāo)，而目標(biāo)關(guān)聯(lián)匹配模塊的作用就是將雷達(dá)探測(cè)得到的多幀中的量測(cè)值按照它們所歸屬的目標(biāo)源匹配起來，即找到每個(gè)目標(biāo)量測(cè)信息在時(shí)間序列上的分布。目標(biāo)關(guān)聯(lián)匹配需要解決跟蹤門、數(shù)據(jù)關(guān)聯(lián)和目標(biāo)運(yùn)動(dòng)狀態(tài)預(yù)測(cè)3大問題。

根據(jù)跟蹤門的形狀和大小等來初步篩選出與每個(gè)目標(biāo)可能形成配對(duì)關(guān)系的量測(cè)數(shù)據(jù)，形成候選量測(cè)集合。當(dāng)某個(gè)量測(cè)值未落入上一時(shí)刻的目標(biāo)序列中的任何一個(gè)的跟蹤門內(nèi)時(shí)，即可判定該量測(cè)值可能來自一個(gè)本時(shí)刻新出現(xiàn)的障礙物或干擾雜波；當(dāng)上一時(shí)刻的目標(biāo)序列中的某個(gè)目標(biāo)在本時(shí)刻的跟蹤門內(nèi)不存在任何一個(gè)量測(cè)值，則認(rèn)為這個(gè)目標(biāo)可能超出量程范圍或被其他障礙物遮擋等。跟蹤門的選擇應(yīng)盡量平衡相互矛盾的兩方面因素:一是使目標(biāo)的真實(shí)量測(cè)值落入它的跟蹤門內(nèi)的可能性足夠大；二是盡可能減少目標(biāo)跟蹤門內(nèi)的無關(guān)量測(cè)值，以減小計(jì)算量。在本文中出于實(shí)時(shí)性的考慮，選擇使用計(jì)算量相對(duì)較小的矩形跟蹤門，建立矩形跟蹤門為:如果X和Y方向的量測(cè)值與目標(biāo)位置的一步預(yù)測(cè)值滿足式(13)，則認(rèn)為此量測(cè)值是該目標(biāo)的候選量測(cè)值。

式中:PG為目標(biāo)的正確量測(cè)值落入其跟蹤門內(nèi)的參考概率；σri2為觀測(cè)噪聲方差陣中第i個(gè)對(duì)角線元素。為使目標(biāo)的真實(shí)量測(cè)值以較大的概率落入目標(biāo)的跟蹤門內(nèi)，須使PG≥3.5，本文取PG＝3.5。

跟蹤門的中心由目標(biāo)運(yùn)動(dòng)狀態(tài)的一步預(yù)測(cè)來確定，即在得到本時(shí)刻目標(biāo)的位置估計(jì)之后，預(yù)測(cè)下一時(shí)刻目標(biāo)的位置，然后以此位置為中心建立跟蹤門來篩選得到目標(biāo)的候選量測(cè)值，為下一時(shí)刻目標(biāo)關(guān)聯(lián)匹配做準(zhǔn)備。本文中利用目標(biāo)運(yùn)動(dòng)狀態(tài)濾波估計(jì)算法中的一步預(yù)測(cè)結(jié)果中的位置分量作為目標(biāo)位置的一步預(yù)測(cè)，且該算法中的預(yù)測(cè)協(xié)方差可用于計(jì)算目標(biāo)跟蹤門的門限值。

當(dāng)目標(biāo)的跟蹤門內(nèi)落入了多個(gè)量測(cè)值時(shí)，則須通過數(shù)據(jù)關(guān)聯(lián)算法依據(jù)一定的判定準(zhǔn)則計(jì)算某個(gè)量測(cè)值屬于該目標(biāo)的可能性，最后從目標(biāo)跟蹤門內(nèi)的所有候選量測(cè)值中找到目標(biāo)的真實(shí)量測(cè)值。本文中出于實(shí)時(shí)性的考慮，并結(jié)合單線激光雷達(dá)的實(shí)際使用提出了一種改進(jìn)的最近鄰關(guān)聯(lián)算法。由于傳統(tǒng)最近鄰算法只考慮量測(cè)值與目標(biāo)一步預(yù)測(cè)位置之間的距離，在單一判據(jù)下匹配準(zhǔn)確性較差，故在改進(jìn)的最近鄰匹配算法中將目標(biāo)的位置、尺寸和激光反射強(qiáng)度信息通過“關(guān)聯(lián)函數(shù)”結(jié)合起來判定量測(cè)值與目標(biāo)之間的關(guān)聯(lián)?！瓣P(guān)聯(lián)函數(shù)”為

式中:Cor為關(guān)聯(lián)函數(shù)值；ak，bk分別為k時(shí)刻量測(cè)的長(zhǎng)和寬(即聚類結(jié)果的矩形框尺寸)；(xk，yk)表示量測(cè)的位置；(xk｜k-1，yk｜k-1)表示目標(biāo)一步預(yù)測(cè)位置(即跟蹤門中心位置)；Ik表示量測(cè)的反射強(qiáng)度；k1，k2，k3分別為尺寸、位置、反射強(qiáng)度差異的加權(quán)系數(shù)，且k1＋k2＋k3＝1。加權(quán)系數(shù)的取值對(duì)數(shù)據(jù)關(guān)聯(lián)匹配算法的實(shí)際效果具有直接的影響，目標(biāo)位置是其中最重要的特征，因此所占權(quán)重較大，即k2取值應(yīng)在0.5-0.6之間；由于激光雷達(dá)的激光束成扇形的掃描特性，且為固定的角度分辨率，所以相鄰兩激光反射點(diǎn)間的距離是隨目標(biāo)距離遠(yuǎn)近而變化，使當(dāng)目標(biāo)距離較遠(yuǎn)時(shí)所返回的云點(diǎn)數(shù)減少?gòu)亩鴮?dǎo)致目標(biāo)尺寸信息精度下降，故當(dāng)目標(biāo)距離較遠(yuǎn)時(shí)，目標(biāo)尺寸特征所占的權(quán)重應(yīng)相應(yīng)減??；而激光反射強(qiáng)度在雷達(dá)量程范圍內(nèi)隨目標(biāo)距離遠(yuǎn)近變化而引起的衰減程度較弱，故反射強(qiáng)度特征在“關(guān)聯(lián)函數(shù)”中所占權(quán)重較為穩(wěn)定。加權(quán)系數(shù)的取值須在真實(shí)環(huán)境中通過大量的試驗(yàn)反復(fù)調(diào)試來確定，以獲得更準(zhǔn)確可靠的目標(biāo)關(guān)聯(lián)效果。

當(dāng)目標(biāo)的跟蹤門內(nèi)有多個(gè)候選量測(cè)值而使關(guān)聯(lián)函數(shù)值Cor最大時(shí)，則認(rèn)為此量測(cè)值與目標(biāo)的關(guān)聯(lián)性最大，即該量測(cè)值為目標(biāo)在本幀中對(duì)應(yīng)的量測(cè)值。

2　仿真與試驗(yàn)結(jié)果

2.1　目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)仿真

在Matlab/Simulink中分別建立勻速、勻加速、Singer、標(biāo)準(zhǔn)當(dāng)前統(tǒng)計(jì)(CS)和改進(jìn)的當(dāng)前統(tǒng)計(jì)(NCS)等運(yùn)動(dòng)模型的自適應(yīng)卡爾曼濾波估計(jì)算法模型[13]，分別進(jìn)行以下工況的目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)。

工況一:目標(biāo)在全局坐標(biāo)系下沿X，Y方向分別作勻速運(yùn)動(dòng)，觀測(cè)量為目標(biāo)位置，仿真周期0.1s，仿真時(shí)間30s。

工況二:目標(biāo)在全局坐標(biāo)系下沿X方向作勻加速運(yùn)動(dòng)，沿Y方向做勻速運(yùn)動(dòng)，觀測(cè)量為目標(biāo)位置，仿真周期0.1s，仿真時(shí)間30s。

工況三:目標(biāo)在全局坐標(biāo)系下沿X方向作變加速運(yùn)動(dòng)，沿Y方向做勻速運(yùn)動(dòng)，觀測(cè)量為目標(biāo)位置，仿真周期0.1s，仿真時(shí)間30s。

各工況下仿真結(jié)果估計(jì)誤差如圖2所示(其中勻速、勻加速模型誤差較大，圖中忽略)，均方根誤差如表1～表3所示。

從仿真結(jié)果中可以看出，基于勻速模型的卡爾曼濾波估計(jì)適用范圍較窄，不能直接得到目標(biāo)的加速度濾波估計(jì)，且效果一般；基于勻加速模型的卡爾曼濾波估計(jì)在勻速和勻加速工況下所得到的對(duì)目標(biāo)位置和加速度的濾波結(jié)果比基于Singer、當(dāng)前統(tǒng)計(jì)和新當(dāng)前統(tǒng)計(jì)模型的濾波估計(jì)結(jié)果更接近于真實(shí)值，這是因?yàn)樵诳柭鼮V波估計(jì)過程中，當(dāng)系統(tǒng)過程噪聲協(xié)方差Q較大時(shí)，濾波估計(jì)結(jié)果會(huì)更偏向于觀測(cè)值，導(dǎo)致對(duì)噪聲濾波效果變差，對(duì)基于當(dāng)前統(tǒng)計(jì)模型的自適應(yīng)卡爾曼濾波算法而言，當(dāng)最大加速度amax為確定值，且目標(biāo)在較小的加速度值范圍變動(dòng)時(shí)，跟蹤性能會(huì)隨著系統(tǒng)過程噪聲協(xié)方差變大而降低；而在改進(jìn)的新當(dāng)前統(tǒng)計(jì)模型中，由于引入了加速度調(diào)節(jié)因子，可根據(jù)濾波殘差和協(xié)方差動(dòng)態(tài)調(diào)整加速度值，既能保證目標(biāo)做勻速和勻加速運(yùn)動(dòng)時(shí)的濾波估計(jì)精度，也能避免目標(biāo)加速度超過選值范圍導(dǎo)致濾波估計(jì)效果變差甚至出現(xiàn)發(fā)散，基于改進(jìn)的新當(dāng)前統(tǒng)計(jì)模型的卡爾曼濾波估計(jì)算法在3種工況中都表現(xiàn)出對(duì)觀測(cè)噪聲良好的濾除效果，且能獲得更貼近實(shí)際的濾波估計(jì)結(jié)果。

圖2　各工況下仿真結(jié)果估計(jì)誤差

表1　工況一下的仿真結(jié)果均方根誤差

表2　工況二下的仿真結(jié)果均方根誤差

2.2　目標(biāo)關(guān)聯(lián)匹配實(shí)車試驗(yàn)驗(yàn)證

本文中以力帆620作為試驗(yàn)車平臺(tái)，在試驗(yàn)車上裝有激光雷達(dá)、慣性導(dǎo)航系統(tǒng)和工控機(jī)等，如圖3所示。本文中使用HOKUYO公司的二維激光雷達(dá)，基本參數(shù)見表4。實(shí)車試驗(yàn)的相關(guān)算法程序和上位機(jī)界面都是基于Visual Studio C/C＋＋和Qt編寫的，主要功能有雷達(dá)傳感器測(cè)量數(shù)據(jù)實(shí)時(shí)讀取、目標(biāo)聚類、關(guān)聯(lián)匹配和運(yùn)動(dòng)狀態(tài)估計(jì)，并將測(cè)量數(shù)據(jù)和算法處理結(jié)果保存，以便離線驗(yàn)證和分析處理。

表3　工況三下的仿真結(jié)果均方根誤差

圖3　實(shí)車試驗(yàn)平臺(tái)

表4　激光雷達(dá)基本技術(shù)參數(shù)

在目標(biāo)關(guān)聯(lián)匹配的實(shí)車試驗(yàn)過程中，出于對(duì)試驗(yàn)設(shè)備保護(hù)的考慮和避免復(fù)雜的坐標(biāo)換算，以便于得到更準(zhǔn)確的測(cè)量信息驗(yàn)證算法的準(zhǔn)確性，試驗(yàn)車平臺(tái)保持靜止?fàn)顟B(tài)，試驗(yàn)車前方有行人、車輛和靜止的障礙物共計(jì)6～10個(gè)，利用試驗(yàn)車上的激光雷達(dá)探測(cè)車輛前方目標(biāo)并進(jìn)行關(guān)聯(lián)匹配。數(shù)據(jù)關(guān)聯(lián)匹配算法中加權(quán)系數(shù)ki(i＝1，2，3)的取值對(duì)于算法的實(shí)際效果具有直接的影響，需要在試驗(yàn)中反復(fù)調(diào)試來確定取值，因此在實(shí)車試驗(yàn)過程中通過上位機(jī)界面反復(fù)修正“關(guān)聯(lián)函數(shù)”中尺寸、位置、反射強(qiáng)度差異的加權(quán)系數(shù)，一共進(jìn)行了30次在線測(cè)試，系統(tǒng)采樣周期為50ms，采樣時(shí)間為20s，每次測(cè)試得到400幀數(shù)據(jù)，試驗(yàn)過程如圖4所示。

圖4　目標(biāo)關(guān)聯(lián)匹配試驗(yàn)過程

根據(jù)目標(biāo)關(guān)聯(lián)匹配的結(jié)果進(jìn)行分析可得出:當(dāng)加權(quán)系數(shù)設(shè)置為 k1＝0.3，k2＝0.5，k3＝0.2 時(shí)，在測(cè)量車前方30m范圍內(nèi)的目標(biāo)關(guān)聯(lián)匹配正確率達(dá)到95%以上，但在30～60m范圍內(nèi)時(shí)，目標(biāo)關(guān)聯(lián)匹配正確率只達(dá)到40%左右；而當(dāng)加權(quán)系數(shù)調(diào)整為k1＝0.1，k2＝0.6，k3＝0.3 時(shí)，匹配正確率又達(dá)到了 80%以上。故算法中采取兩組加權(quán)系數(shù)，將30m設(shè)定為距離閾值，根據(jù)目標(biāo)位置配置相應(yīng)的目標(biāo)“關(guān)聯(lián)函數(shù)”加權(quán)系數(shù)再次進(jìn)行試驗(yàn)。圖5為同一時(shí)段內(nèi)被觀測(cè)到的3個(gè)目標(biāo)在慣性坐標(biāo)系下(以激光發(fā)射器為原點(diǎn)，X軸定義為水平向右，Y軸定義為水平向前)的運(yùn)動(dòng)軌跡。試驗(yàn)過程中，目標(biāo)1和目標(biāo)2相隔較近，且在雷達(dá)視野中發(fā)生過相互遮擋，但由圖可見，跟蹤得到的目標(biāo)軌跡具有良好的連續(xù)性，并沒有出現(xiàn)目標(biāo)的丟失和位置突變，即表明系統(tǒng)成功實(shí)現(xiàn)了車輛前方目標(biāo)的關(guān)聯(lián)匹配。

圖5　目標(biāo)關(guān)聯(lián)匹配試驗(yàn)結(jié)果

3　結(jié)論

本文中以單線激光雷達(dá)為主要傳感器，從目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)和數(shù)據(jù)關(guān)聯(lián)匹配兩個(gè)方面對(duì)車輛前方的目標(biāo)跟蹤進(jìn)行了相關(guān)研究，得出結(jié)論如下:

(1)針對(duì)當(dāng)前統(tǒng)計(jì)模型對(duì)于弱機(jī)動(dòng)目標(biāo)跟蹤效率較低和過度依賴人為設(shè)定的加速度極值的缺陷，設(shè)計(jì)了基于改進(jìn)的當(dāng)前統(tǒng)計(jì)模型的自適應(yīng)卡爾曼濾波估計(jì)算法，利用高斯型隸屬度模糊函數(shù)實(shí)現(xiàn)對(duì)加速度極值的實(shí)時(shí)調(diào)整，進(jìn)而提高對(duì)不同狀態(tài)下的運(yùn)動(dòng)目標(biāo)的跟蹤精度；

(2)結(jié)合激光雷達(dá)的特性提出了一種通過構(gòu)造距離、尺寸和反射強(qiáng)度的“關(guān)聯(lián)函數(shù)”來進(jìn)行量測(cè)值與目標(biāo)之間匹配的數(shù)據(jù)關(guān)聯(lián)算法，通過在試驗(yàn)中不斷調(diào)整各加權(quán)系數(shù)的權(quán)值，確定了兩套加權(quán)系數(shù)值以適應(yīng)目標(biāo)與雷達(dá)的距離遠(yuǎn)近，提高了目標(biāo)關(guān)聯(lián)匹配的準(zhǔn)確性。

本文中所提出的基于數(shù)據(jù)關(guān)聯(lián)和改進(jìn)統(tǒng)計(jì)模型的激光雷達(dá)目標(biāo)跟蹤算法能基本滿足智能車輛在有效范圍內(nèi)的環(huán)境感知，為路徑規(guī)劃和自主導(dǎo)航奠定基礎(chǔ)，同時(shí)本文中所設(shè)計(jì)的車輛前方機(jī)動(dòng)目標(biāo)運(yùn)動(dòng)狀態(tài)濾波估計(jì)算法也同樣適用于基于機(jī)器視覺和紅外傳感等傳感器的障礙物跟蹤識(shí)別系統(tǒng)。但由于試驗(yàn)場(chǎng)地限制，和缺乏多輛配備慣性導(dǎo)航的車輛作為目標(biāo)車，所以難以開展相關(guān)試驗(yàn)以進(jìn)一步驗(yàn)證目標(biāo)跟蹤算法的效果。這將作為今后的研究?jī)?nèi)容，通過搭建更符合真實(shí)交通狀況的試驗(yàn)場(chǎng)景來測(cè)試和改善目標(biāo)跟蹤算法。

[1] 戴斌，聶一鳴，孫振平，等.地面無人駕駛技術(shù)現(xiàn)狀及應(yīng)用[J].汽車與安全，2012(3):46-49.

[2] 王肖，李克強(qiáng)，王建強(qiáng)，等.基于三維激光雷達(dá)的智能車輛目標(biāo)參數(shù)辨識(shí)[J].汽車工程，2016，38(9):1146-1152.

[3] 周俊靜，段建民，楊光祖，等.基于雷達(dá)測(cè)距的車輛識(shí)別與跟蹤方法[J].汽車工程，2014，36(11):1415-1420.

[4] ZHANG Y，LEUNGH，LOT，et al.Distributed sequential nearest neighbor multi-target tracking algorithm[J].IEE Proceedings-Radar， Sonar and Navigation，1996，143(4):255-260.

[5] ABOLMAESUMI P，SIROUSPOUR M R.An interacting multiple model probabilistic data association filter for cavity boundary extraction from ultrasound images[J].IEEE Transactions on Medical Imaging，2004，23(6):772-84.

[6] VERMAAK J， GODSILL SJ， PEREZ P.Monte carlo filtering for multi target tracking and data association[J].Aerospace&Electronic Systems IEEE Transactions on，2005，41(1):309-332.

[7] LI X R，JILKOV V P.Survey of maneuvering target tracking.Part I.Dynamic models[J].IEEE Transactions on Aerospace&Electronic Systems，2004，39(4):1333-1364.

[8] PETROVSKAYA A，THRUN S.Efficient techniques for dynamic vehicle detection[J].Springer Tracts in Advanced Robotics，2009，54:79-91.

[9] 邵俊偉.一種參數(shù)自適應(yīng)調(diào)整的Singer模型跟蹤算法[J].科技信息，2014(13):111-112.

[10] SHI Z G，HONG SH，CHEN K S.Tracking airborne targets hidden in blind doppler using current statistical model particle filter[J].Progress in Electromagnetics Research，2008，82:227-240.

[11] MA X，LIU Q，HE Z，et al.Visual tracking via exemplar regression model[J].Knowledge-Based Systems，2016，106(C):26-37.

[12] 段建民，鄭凱華，李龍杰，等.基于多層激光雷達(dá)的道路信息提取算法[J].控制工程，2016，23(4):468-473.

[13] HU L，GU Z Q，HUANGJ，et al.Research and realization of optimum route planning in vehicle navigation systems based on a hybrid genetic algorithm[J].Proceedings of the Institution of Mechanical Engineers， Part D:Journal of Automobile Engineering，2008，222(5):757-763.