孫柱 趙強 張娜 朱寶全 王娜

摘 要：針對智能車輛在公路行駛過程中對其他運動車輛的實時跟蹤問題，提出基于離散二進制粒子群算法的多目標(biāo)物體跟蹤方法。本文通過基于雷達數(shù)據(jù)建立跟蹤目標(biāo)的狀態(tài)方程和測量方程，將雷達多個掃描周期的測量數(shù)據(jù)進行關(guān)聯(lián)，形成含有可能軌道的多種假設(shè)，利用似然率對軌道進行評分，形成混合整數(shù)線性規(guī)劃問題，并采用離散二進制粒子群算法進行求解。解決各個時刻測量值和目標(biāo)的關(guān)聯(lián)問題，實現(xiàn)對跟蹤目標(biāo)的軌道判別。最后通過在MATLAB中進行仿真，驗證了算法的有效性。

關(guān)鍵詞：智能車輛;多目標(biāo)跟蹤;多假設(shè)跟蹤;卡爾曼濾波;粒子群算法

Abstract：Aiming at the problem of simultaneous tracking of other vehicles in the process of intelligent vehicles driving on the road， a multi-object tracking method based on binary particle swarm optimization is proposed. In this paper， the state equation and measurement equation of tracking target are established based on radar data， the measurement data of multiple scanning periods of radar are correlated to form a variety of assumptions with possible orbit， and the orbit is scored by likelihood ratio to form a mixed integer linear programming problem， which is solved by discrete binary particle swarm optimization algorithm. The problem of correlation between the measured value and the target at each time is solved， and the track discrimination of the tracking target is realized. Finally， through the simulation in MATLAB， the data results verify the effectiveness of the algorithm.

Keywords：Intelligent vehicle; multi-objective tracking; multi-hypothesis tracking; Kalman filtering; particle swarm optimization

0 引言

智能汽車在自動駕駛時必須要具有的環(huán)境感知功能是智能車輛跟馳、超車及二次路徑規(guī)劃的前提。通過雷達在一定時間間隔內(nèi)掃描的數(shù)據(jù)判別出每個移動車輛屬于多目標(biāo)跟蹤問題。多假設(shè)跟蹤是多目標(biāo)跟蹤領(lǐng)域中解決目標(biāo)與數(shù)據(jù)關(guān)聯(lián)問題比較有效的算法。尹文進等[1]將MHT算法用于水下航行器對多個探測目標(biāo)點的航跡實現(xiàn)了有效分離。楊飛等[2]利用多假設(shè)跟蹤對三維激光雷達數(shù)據(jù)進行關(guān)聯(lián)，并解決了漏檢及虛警的問題。邵潔[3]采用卡爾曼濾波算法實現(xiàn)跟蹤軌跡假設(shè)，并用LAP算法來實現(xiàn)數(shù)據(jù)關(guān)聯(lián)。屠亞蘭[4]提出的改進結(jié)構(gòu)化分支多假設(shè)跟蹤算法，在航跡置信度函數(shù)中引入了目標(biāo)徑向速度信息。

Symbol`@@

孫進平等[5]提出一種基于超圖匹配的多假設(shè)群目標(biāo)跟蹤方法，通過延遲決策、超圖匹配等來實現(xiàn)群分離和融合判斷以及群內(nèi)個體的目標(biāo)數(shù)據(jù)關(guān)聯(lián)。費自剛等[6]結(jié)合似然函數(shù)和多假設(shè)跟蹤算法，在主動聲吶檢測中實現(xiàn)了主動目標(biāo)斷續(xù)跟蹤問題。武文斌等[7]使用Lucas Kanada跟蹤方法來對圖像中標(biāo)定的特征點進行跟蹤，并對所跟蹤誤差通過子圖像匹配法進行矯正消除。本文以公路上運行的智能車輛自動駕駛工況為應(yīng)用場景，研究采用多假設(shè)跟蹤算法進行移動多目標(biāo)車輛的跟蹤。考慮到多假設(shè)跟蹤算法對假設(shè)路徑的剪裁歸結(jié)為一個離散約束優(yōu)化問題，本文采用離散二進制粒子群算法進行求解，最后通過MATLAB進行數(shù)值仿真來驗證本文算法的有效性。

1 目標(biāo)跟蹤問題描述

在智能車輛行駛過程中，取車輛的位置x、y，車輛的速度vx、vy，車輛的橫擺角θ和橫擺角速度ω為系統(tǒng)狀態(tài)，寫成狀態(tài)向量形式為：X=[x，y，vx，vy，θ，ω]T，被其跟蹤的車輛運動方程為[8]：

2 基于多假設(shè)的多車輛跟蹤

3 數(shù)值仿真

本文模擬公路行駛的智能車輛在單向道路中，通過車載雷達進行6次掃描，前2次與后4次共探測到7個移動目標(biāo)，設(shè)定智能車掃描到的周圍移動障礙物即視為移動車輛。利用本文算法將測量值分配到對應(yīng)軌道，通過剪枝、評分，使系統(tǒng)能夠自主和可靠地追蹤4輛汽車。采用MATLAB編寫m文件并運行，所有跟蹤假設(shè)軌道見表1。通過進行軌道剪枝、評分得出5條待選軌道，見表2。并選取評分最高的前3條軌道，表3中為在仿真結(jié)束時預(yù)測顯示的3條軌道，與實驗對比正是所期望的結(jié)果。

將MATLAB運行仿真的多目標(biāo)跟蹤軌道樹圖顯示全部假設(shè)的軌道樹結(jié)果，并對各軌道樹進行評分，以柱狀圖的形式表現(xiàn)出來。如圖3所示。對軌道樹進行剪枝、評分后其具體形式如圖4所示。圖5則是經(jīng)過軌跡剪枝、濾波、預(yù)測，并最終輸出的多目標(biāo)跟蹤軌跡圖，其中車輛1為智能車，車輛2—車輛4為前后兩時刻跟蹤的3輛目標(biāo)車輛。

4 結(jié)論

本文針對智能車輛在公路運行工況下提出基于二進制粒子群算法的多目標(biāo)物體跟蹤，通過卡爾曼濾波算法對多目標(biāo)運動狀態(tài)進行準(zhǔn)確的預(yù)測估計，采用的多假設(shè)跟蹤算法對雷達數(shù)據(jù)進行關(guān)聯(lián)，從而得到軌道樹評分，其前3名軌道號分別為2號、26號、89號，且對應(yīng)的剪枝評分分別為：83.729 1、80.885 2、77.488 1，其分值滿足最低評分要求。則上述關(guān)聯(lián)的3個軌道即為跟蹤車輛的預(yù)測軌道。由此解決了各個時刻的測量值和目標(biāo)的關(guān)聯(lián)問題，實現(xiàn)了對多個車輛的有效跟蹤。

【參 考 文 獻】

[1] 尹文進， 張靜遠， 饒喆. MHT算法在航跡關(guān)聯(lián)中的應(yīng)用[J]. 兵工自動化， 2016， 35（4）： 40-41.

YIN W J， ZHANG J Y， RAO Z. Application of multi hypothesis track algorithm in track association[J]. Ordnance Industry Automation， 2016， 35（4）： 40-41.

[2]楊飛， 朱株， 龔小謹， 等. 基于三維激光雷達的動態(tài)障礙實時檢測與跟蹤[J]. 浙江大學(xué)學(xué)報（工學(xué)版）， 2012， 46（9）： 1565-1571.

YANG F， ZHU Z， GONG X J， et al. Real-time dynamic obstacle detection and tracking using 3D Lidar[J]. Journal of Zhejiang University （Engineering Science）， 2012， 46（9）： 1565-1571.

[3]邵潔. 基于MHT的多物體跟蹤算法[J]. 上海電力學(xué)院學(xué)報， 2010， 26（1）： 79-82.

SHAO J. Multiple target tracking based on MHT[J]. Journal of Shanghai University of Electric Power， 2010， 26（1）： 79-82.

[4]屠亞蘭. 一種改進的結(jié)構(gòu)化分支多假設(shè)跟蹤算法[J]. 現(xiàn)代雷達， 2011， 33（12）： 28-32.

TU Y L. A modified structured branching multiple hypothesis tracking algorithm[J]. Modern Radar， 2011， 33（12）： 28-32.

[5]孫進平， 付福其， 付錦斌， 等. 應(yīng)用超圖匹配的多假設(shè)群目標(biāo)跟蹤方法[J]. 信號處理， 2017， 33（11）： 1497-1504.

SUN J P， FU F Q， FU J B， et al. Multiple hypothesis group target tracking using hypergraph matching[J]. Journal of Signal Processing， 2017， 33（11）： 1497-1504.

[6]費自剛， 任凱威. 主動聲吶多假設(shè)跟蹤算法的一種改進[J]. 聲學(xué)與電子工程， 2018，33（3）： 9-12.

FEI Z G， REN K W. An improvement of active sonar multi hypothesis tracking algorithm[J]. Acoustics and Electronics Engineering， 2018， 33（3）： 9-12.

[7]武文斌， 毋立芳， 王曉芳， 等. 一種點相關(guān)統(tǒng)計特性的目標(biāo)跟蹤方法[J]. 中國科技論文， 2012， 7（1）： 28-32.

WU W B， WU L F， WANG X F， et al. Robust object tracking approach using point correspondences[J]. China Sciencepaper， 2012， 7（1）： 28-32.

[8]邁克爾·帕拉斯?jié)煽耍?斯蒂芬妮·托馬斯著. MATLAB與機器學(xué)習(xí)[M]. 李三平， 陳建平，譯.北京： 機械工業(yè)出版社， 2018.

PALUSZEK M， THOMAS S. MATLAB machine learning[M]. Translated by LI S P， CHEN J P. Beijing： China Machine Press， 2018.

[9]黃小平 王巖. 卡爾曼濾波原理及應(yīng)用[M]. 北京：電子工業(yè)出版社，2015.

HUANG X P， WANG Y. Kalman filter principle and application[M]. Beijing： Electronic Industry Press， 2015.

[10]郭文忠 陳國龍. 離散粒子群優(yōu)化算法及其應(yīng)用[M]. 北京：清華大學(xué)出版社，2012.

GUO W Z， CHEN G L. Discrete particle swarm optimization algorithm and its application[M]. Beijing： Tsinghua University Press， 2012.