[发明专利]一种基于current-ellipse模型的车辆动态跟踪方法

说明书

本发明公开了一种基于current‑ellipse模型的车辆动态跟踪方法，包括以下步骤：S1、在GNSS信号受限区域部署RSUs车辆无线定位系统，获取目标跟踪车辆的运动观测数据；S2、以current模型为基础，改进得到目标跟踪车辆的current‑ellipse运动数学模型；S3、在步骤S2改进得到的current‑ellipse运动数学模型的基础上，对来自RSUs的目标跟踪车辆观测数据执行自适应卡尔曼滤波算法，从而得到精确的目标跟踪车辆的运动数据。本发明引入RSUs辅助定位，并基于一种新的车辆运动数学模型current‑ellipse和采用自适应卡尔曼滤波的融合算法，实现动态车辆精确跟踪。

技术领域

本发明涉及车辆动态跟踪技术领域，尤其涉及到一种基于current-ellipse模型的车辆动态跟踪方法。

背景技术

车辆的跟踪或定位是构建车联网，实现智能交通，促进社会经济发展的重要环节，长期以来，受到了研究人员的广泛关注。

目前，如GPS、北斗和伽利略等全球导航卫星系统(Global Navigation SatelliteSystem，GNSS)可以提供精确到米的车辆定位应用。然而，现实中会常常遇到当车辆行驶在较为封闭的区域时，GNSS信号的接收和发送受到了阻碍，导致无法满足车辆跟踪或定位的精度需求。

虽然采用基于激光雷达(如采用Velodyne-64和Velodyne-128)的定位系统可以取得厘米级精度的定位效果。然而激光雷达设备比较昂贵，同时激光雷达传感器的使用也受到了如下雨、下雪和大雾等天气条件的限制；基于视觉相机的定位方法成本较低，而定位的精度取决于获取图像的分辨率大小(分辨率越高，定位精度越高)，该方法极易受到光照条件的影响。

另外，在车辆的跟踪系统中，确定车辆运动的数学模型也是极其重要的，一个基于合理的车辆运动数学模型的定位算法能比没有明确模型的定位算法更高效。

根据不同的行驶情况，车辆的运动模型主要分为以下等级：强运动等级(如在高速公路中高速行驶的车辆)和弱运动等级(如使用巡航控制系统匀速行驶的车辆)。目前，最简单的两种车辆运动数学模型是恒速度模型(Constant-Velocity,CV)和恒加速度模型(Constant-Acceleration，CA)。CV模型假定目标车辆保持一个速度行驶，车辆的加速度比较小，以至于可以忽略；CA模型假定目标车辆拥有恒定的加速度。然而在在实际中，两种数学模型过于简单，都不适用于复杂的车辆行驶。

R.A.Singer在1970年提出了Singer模型，在该模型中，假定目标车辆的加速度是一阶零均值的马尔科夫过程，该模型可以通过调整参数实现自适应，但模型本质上依然是先验模型，因为没有利用目标车辆的在线运动信息。实际强运动情况中，目标车辆的加速度平均值也明显是不为零的；Zhou等人提出了“current”模型，该模型本质上是具有自适应非零加速度平均值的Singer模型，采用的是改进的瑞利分布(Rayleigh distribution)。与Singer模型相比，“current”模型更适合描述车辆加速度的统计分布，但该模型依然需要改进，以适应强、弱和均匀的不同车辆运动等级。

还有的是，在车辆跟踪过程中，根据目标车辆的运动数学模型采用何种信息融合算法也是极其重要的环节。当前，业界常用的是T2TF(tract-to-track fusion)算法，该算法可以充分反映传感器的可靠性。此外，Chang Joo Lee等人提出了改进的T2TF算法；MAS.等人利用加权线性最小二乘算法实现车辆的静态定位，取得了米级的精度；Rabiee R.等人使用粒子滤波来估计车辆位置，粒子滤波适用于非线性和非高斯的系统，然而在线性高斯系统中，上述几种算法均存在各自的缺点。

发明内容

本发明的目的在于克服现有技术的不足，提供一种跟踪精度高的基于current-ellipse模型的车辆动态跟踪方法。

为实现上述目的，本发明所提供的技术方案为：