汽車(chē)防撞雷達(dá)多目標(biāo)跟蹤算法研究.pdf

1、在智能交通領(lǐng)域，汽車(chē)防撞雷達(dá)系統(tǒng)作為一項(xiàng)主動(dòng)防撞措施，對(duì)實(shí)現(xiàn)自動(dòng)駕駛、降低交通事故發(fā)生率具有重要的現(xiàn)實(shí)意義。汽車(chē)防撞雷達(dá)多目標(biāo)跟蹤技術(shù)能夠在道路雜波環(huán)境實(shí)時(shí)估計(jì)車(chē)輛運(yùn)動(dòng)狀態(tài)信息及目標(biāo)數(shù)目，提高系統(tǒng)可靠性。
　　本論文圍繞汽車(chē)防撞雷達(dá)系統(tǒng)多目標(biāo)跟蹤算法進(jìn)行研究，主要工作如下:
　　首先，針對(duì)汽車(chē)防撞雷達(dá)道路多目標(biāo)跟蹤非線性、車(chē)輛目標(biāo)數(shù)目時(shí)變、目標(biāo)運(yùn)動(dòng)模型多樣的問(wèn)題，給出了一種基于有向圖切換的無(wú)跡卡爾曼高斯概率假設(shè)密度(DS-U

2、KGMPHD)算法。該算法通過(guò)DS算法實(shí)時(shí)選擇合適的模型子集，并結(jié)合無(wú)跡卡爾曼算法與GMPHD濾波進(jìn)行跟蹤。仿真表明，該算法不僅適用于非線性條件，毋需數(shù)據(jù)關(guān)聯(lián)，而且能在較多模型覆蓋的情況下，對(duì)汽車(chē)防撞雷達(dá)多車(chē)輛目標(biāo)準(zhǔn)確跟蹤，較交互式多模型無(wú)跡卡爾曼高斯概率假設(shè)密度(IMM-UKGMPHD)方法更具優(yōu)越性。
　　其次，針對(duì)汽車(chē)防撞雷達(dá)系統(tǒng)新生目標(biāo)強(qiáng)度函數(shù)未知的多目標(biāo)跟蹤問(wèn)題，給出了一種基于新生目標(biāo)檢測(cè)的道路多目標(biāo)跟蹤算法。該算法首先

3、基于多假設(shè)航跡起始算法檢測(cè)新生車(chē)輛目標(biāo)，構(gòu)造新生目標(biāo)強(qiáng)度函數(shù)，其次結(jié)合基于有向圖切換的UKGMPHD濾波進(jìn)行多車(chē)輛目標(biāo)跟蹤。仿真表明，該算法不僅適用于新生目標(biāo)強(qiáng)度函數(shù)未知的道路雜波環(huán)境，而且能夠適應(yīng)時(shí)變數(shù)目多機(jī)動(dòng)目標(biāo)的非線性跟蹤，較DS-UKGMPHD算法增大了適用范圍。
　　最后，針對(duì)汽車(chē)防撞雷達(dá)漏檢造成的道路目標(biāo)信息丟失問(wèn)題，給出了一種基于變結(jié)構(gòu)多模型的修正高斯概率假設(shè)密度（VSMM-IGMPHD）算法。該算法首先基于有向圖切