[发明专利]基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法

说明书

本发明公开了一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，本发明首先设置系统初始值，在时间更新阶段计算容积点值；传播容积点；估计一步预测状态和误差协方差平方根因子；在量测更新阶段引入Gauss‑Newton非线性迭代方法进行迭代更新，每次迭代时计算容积点；传播容积点；计算量测估计；计算新息协方差的平方根因子和互协方差矩阵；计算卡尔曼增益；更新本次迭代的状态和误差协方差平方根因子估计；判断是否达到迭代终止条件；更新此刻状态和误差协方差平方根的估计；量测更新过程中通过调整噪声补偿因子对状态估计进行优化。本发明能够有效提高汽车雷达目标跟踪过程中的精确性与稳定性。

技术领域

本发明涉及目标跟踪技术领域，特别是基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法。

背景技术

汽车雷达的目标跟踪过程本质是非线性滤波问题，车载雷达直接测量目标径向距离、方位角和径向速度，通过非线性转换实现对车辆前方目标的横向、纵向距离和速度估计，此跟踪过程由于受到噪声和非线性的影响，对滤波算法的快速性、鲁棒性和滤波精度要求较高，目前的汽车雷达目标跟踪多采用扩展卡尔曼滤波(EKF)，无迹卡尔曼滤波(UKF)，容积卡尔曼滤波(CKF)等非线性滤波，这类滤波算法各有优劣，在汽车雷达目标跟踪过程中往往难以达到令人满意的效果。

经典的非线性滤波算法EKF是对非线性函数进行一阶泰勒级数展开并忽略高阶项，当系统非线性程度较高时，该方法会导致产生较大的误差甚至不稳定。UKF是通过选取不同权值的采样点(Sigma点)随非线性函数传递，经过无迹变换(UT)得到随机变量的统计特征，能够使定位精度在同等情况下达到二阶。然而UKF在状态维数较高时会出现滤波性能不佳甚至发散现象，且调节参数给算法带来一定复杂性。CKF与UKF同属采样型滤波，是基于球面径向规则采用一组等权值的容积点逼近系统状态的后验分布。和UKF相比，CKF实现简单、运算效率高，有着更高的滤波精度和数值稳定性。但CKF算法在迭代过程中由于计算机字长限制而产生的舍入误差可能导致状态协方差矩阵失去对称性和正定性，从而影响滤波器的稳定性，甚至导致算法停止，在汽车雷达目标跟踪的应用过程中有一定的风险。在CKF基础上发展而来的SRCKF传递过程中采用协方差阵的三角分解因子代替协方差阵进行递推更新，基本消除了协方差矩阵非正定导致算法停滞的隐患，得到广泛应用。在汽车雷达目标跟踪过程中，由于量测方程的非线性、待测目标的位置和速度实时无规律的变化以及复杂的驾驶环境等因素的影响，状态估计容易产生较大的误差，SRCKF算法在此类应用中仍有待提高。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，本发明有效提高了目标跟踪的精度和稳定性。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法，包括以下步骤：

步骤1：建立车载雷达目标跟踪的数学模型；

步骤2：初始化步骤1中数学模型的汽车雷达目标跟踪系统参数；

步骤3：汽车雷达目标跟踪系统的滤波算法在时间更新阶段使用SRCKF的预测方法，即进行容积采样和非线性传递后，对汽车雷达目标跟踪系统的状态和误差协方差平方根进行一步预测；

步骤4：汽车雷达目标跟踪滤波算法的量测更新阶段，在SRCKF的基础上引入Gauss-Newton迭代方法和噪声补偿方法，以步骤3中状态和误差协方差平方根的预测值为初值进行迭代更新，在迭代状态估计中引入噪声补偿因子；直至连续二次迭代的状态估计差值小于预设的阈值或者迭代次数达到预设最大迭代次数，迭代即停止。

作为本发明所述一种基于噪声补偿的迭代平方根CKF的汽车雷达目标跟踪方法进一步优化方案，滤波过程采用状态误差协方差阵的平方根因子代替协方差阵进行递推更新。