论文部分内容阅读
车载雷达作为ADAS系统重要的传感器,在无人驾驶汽车中扮演着关键角色,而目标跟踪作为雷达信息处理领域的主要技术问题之一,是实现ADAS系统各项功能的基础与前提。77GHz毫米波雷达与24GHz毫米波雷达相比具有更高的探测精度、更低的工作功耗,在提升了性能的同时也对77GHz毫米波雷达数据处理工作提出了更高的要求。本文以77GHz车载毫米波雷达为基础,对雷达目标跟踪技术进行研究,研究内容包括:(1)分析基于AWR1642的77GHz毫米波雷达系统结构,研究车载毫米波雷达对目标的位置、速度与角度信息的获取方式。(2)针对77GHz毫米波雷达能够获取目标点云数据的特点,对77GHz毫米波雷达点云数据进行聚类研究,为后续目标跟踪做准备工作。主要包括基于点云位置信息的K-means算法、AGNES层次聚类算法与DBSCAN密度聚类算法的研究与实验,分析传统聚类算法的缺陷,并根据传统算法的不足给出一种基于多普勒频率的77GHz车载毫米波雷达快速聚类算法,经过仿真实验验证了该改进算法可提升点云聚类准确性的同时降低因计算维度增加所带来的时间消耗。(3)针对一般道路环境,对基于数据关联方式的车载雷达目标跟踪技术进行研究分析。讨论并仿真直观法、逻辑法、Hough变换法与修正的Hough变换法等航迹起始算法,对卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)以及无迹卡尔曼滤波(UKF)进行研究与仿真分析,对最邻近数据关联(NNDA)算法、概率数据关联(PDA)算法以及联合概率数据关联(JPDA)算法进行研究并给予仿真分析。(4)针对复杂道路情况与传统目标跟踪的不足之处,研究基于随机有限集(RFS)的多目标跟踪技术。重点讨论阐述随机有限集理论框架下集积分与集导数等相关概念,通过构建多目标状态与观测模型,研究随机集理论基础上的概率假设密度(PHD)滤波器,根据高斯混合模型(GMM)构建线性条件下的高斯混合概率假设密度(GM-PHD)滤波算法、非线性条件下扩展卡尔曼高斯混合概率假设密度(EKGMPHD)滤波算法与无迹卡尔曼高斯混合概率假设密度(UK-GMPHD)滤波算法,通过仿真分析验证了上述算法在复杂道路状况下具有较好的多目标跟踪能力。