一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法
【專利摘要】本發(fā)明涉及在交通運輸領(lǐng)域中車輛目標(biāo)的機動跟蹤。建立各模型混合初始化輸入包括各模型的混合初始條件和混合初始狀態(tài)的協(xié)方差矩陣；建立勻速（CV）和勻加速（CA）運動模型；更新是指根據(jù)Kalman濾波方程計算誤差的協(xié)方差矩陣和新息；利用Kalman濾波結(jié)果中的新息構(gòu)造目標(biāo)運動模型的似然函數(shù)，計算馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣；利用馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣作為各運動模型之間切換的加權(quán)進行融合后的估計輸出。本發(fā)明解決了傳統(tǒng)的交互式多模型算法中存在的由于目標(biāo)發(fā)生機動導(dǎo)致濾波模型與目標(biāo)運動模型不匹配造成的誤差增大或者失跟的問題，具有計算復(fù)雜度小，跟蹤效果好的優(yōu)點，可用于交通運輸領(lǐng)域機動車的目標(biāo)跟蹤。
【專利說明】一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于機動目標(biāo)跟蹤領(lǐng)域，具體涉及在交通運輸領(lǐng)域中，當(dāng)行駛中的汽車出現(xiàn)突然轉(zhuǎn)彎、加速、減速等運動時，提出一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002]目標(biāo)跟蹤是將探測傳感器收到的目標(biāo)移動數(shù)據(jù)結(jié)合各種不確定信息源所產(chǎn)生的不同觀測集合進行濾波，并估計出運動目標(biāo)的狀態(tài)參數(shù)，比如目標(biāo)的距離、方位、速度、加速
/又寸。
[0003]單模型機動目標(biāo)跟蹤算法，只對非機動目標(biāo)跟蹤性能良好。當(dāng)目標(biāo)機動時，系統(tǒng)的跟蹤性能下降，甚至導(dǎo)致目標(biāo)丟失。為了實現(xiàn)對機動目標(biāo)跟蹤，需要針對機動目標(biāo)的運動特點建立合理的運動模型。典型的運動模型有Singer模型、“當(dāng)前”統(tǒng)計模型、交互式多模型(interacting multiple model, IMM)等。在傳統(tǒng)的IMM模型中，假設(shè)目標(biāo)在不同的運動模型之間的轉(zhuǎn)移概率是固定的，這種假設(shè)并沒有充分的考慮到運動模型的選擇性，而是利用類似“硬判決”的思想將模型之間的轉(zhuǎn)移概率固定在某個數(shù)值。事實上，當(dāng)目標(biāo)的運動模型具有某種趨向性，傳統(tǒng)的IMM算法只是通過調(diào)解不同觀測向量條件下運動模型的后驗概率加權(quán)實現(xiàn)對運動模型之間的“綜合”，而并沒有考慮到馬爾可夫轉(zhuǎn)移概率矩陣設(shè)計的不合理性。
[0004]交通運輸領(lǐng)域中，當(dāng)行駛中的汽車出現(xiàn)突然轉(zhuǎn)彎、加速、減速等運動也屬于目標(biāo)的機動，尤其當(dāng)車輛目標(biāo)突然進入彎道時，車輛運動狀態(tài)較之前勻速或勻加速直線運動將發(fā)生較大的變化，如果不能有效的適應(yīng)目標(biāo)的機動狀態(tài)，很容易造成目標(biāo)的丟失，而當(dāng)目標(biāo)發(fā)生機動時，恰是最容易發(fā)生交通事故的時刻。交通運輸領(lǐng)域車輛機動目標(biāo)跟蹤方法的主要目的是滿足汽車運行中能可靠而精確地跟蹤并判定目標(biāo)，增強防撞探測系統(tǒng)運行的穩(wěn)定性和可靠性，有效提高駕駛員的行車安全，保障生命財產(chǎn)安全。
[0005]因此，針對傳統(tǒng)MM跟蹤算法中采用固定馬爾可夫矩陣的缺點，本發(fā)明提出一種交通運輸領(lǐng)域自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，提高復(fù)雜環(huán)境性下車輛機動目標(biāo)跟蹤系統(tǒng)的性能，具有重大理論意義及工程應(yīng)用價值。

【發(fā)明內(nèi)容】

[0006]針對現(xiàn)有技術(shù)中存在的上述不足之處，本發(fā)明要解決的技術(shù)問題是提供一種穩(wěn)定、可靠、環(huán)境適應(yīng)性強、算法實時性高的車輛機動目標(biāo)跟蹤方法，提高復(fù)雜環(huán)境性下車輛機動目標(biāo)跟蹤系統(tǒng)的性能。
[0007]本發(fā)明為實現(xiàn)上述目的所采用的技術(shù)方案是:一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，包括以下步驟:
[0008]步驟1:建立IMM跟蹤模型中的各種模型混合初始化輸入，包括各模型的混合初始條件和混合初始狀態(tài)的協(xié)方差矩陣；
[0009]步驟2:利用每個模型的混合輸入，分別計算勻速運動模型和勻加速運動模型初始值
[0010]步驟3:根據(jù)Kalman濾波方程計算誤差的協(xié)方差矩陣和新息計算估計更新；
[0011]步驟4:利用基于新息的運動模型似然比函數(shù)，建立馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣；
[0012]步驟5:利用當(dāng)前時刻獲得的狀態(tài)狀態(tài)轉(zhuǎn)移矩陣對模型條件估計進行融合，計算總體狀態(tài)估計輸出。
[0013]所述勻速運動模型為:
[0014]狀態(tài)矢量表示為:
[0015]X=[x(k) vx (k) y(k) vy(k)]T
[0016]式中，x(k)、y(k)分別表示k時刻目標(biāo)在x、y方向上的位移，vx(k)、vy(k)分別表示k時刻目標(biāo)在x、y方向上的速度；
[0017]狀態(tài)轉(zhuǎn)移矩陣表示為:
【權(quán)利要求】
1.一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，包括以下步驟: 步驟1:建立IMM跟蹤模型中的各種模型混合初始化輸入，包括各模型的混合初始條件和混合初始狀態(tài)的協(xié)方差矩陣； 步驟2:利用每個模型的混合輸入，分別計算勻速運動模型和勻加速運動模型初始值 步驟3:根據(jù)Kalman濾波方程計算誤差的協(xié)方差矩陣和新息計算估計更新； 步驟4:利用基于新息的運動模型似然比函數(shù)，建立馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣； 步驟5:利用當(dāng)前時刻獲得的狀態(tài)狀態(tài)轉(zhuǎn)移矩陣對模型條件估計進行融合，計算總體狀態(tài)估計輸出。
2.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述勻速運動模型為: 狀態(tài)矢量表示為:
3.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述勻加速運動模型為: 狀態(tài)矢量表示為:
X=[x(k) vx (k) ax (k) y (k) vy (k) ay(k)]T 式中，x(k)、y(k)分別表示k時刻目標(biāo)在x、y方向上的位移，vx(k)、vy(k)分別表示k時刻目標(biāo)在x、y方向上的速度； 狀態(tài)轉(zhuǎn)移矩陣表示為:
4.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述各種模型％(k)的混合初始條件為:
5.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述混合初始狀態(tài)的協(xié)方差矩陣為:
6.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述步驟3具體步驟如下: 對應(yīng)于模型Mj (k)，以(k-l/k-?, Poj (k-1/k-l)及Z (k)作為輸入進行卡爾曼濾波處理，預(yù)測誤差協(xié)方差矩陣表示為:
7.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述步驟4具體步驟如下: 利用給定觀測向量Z (k)的條件下模型％(k)的后驗概率，計算為:
8.根據(jù)權(quán)利要求1所述的一種自適應(yīng)交互式多模型的機動目標(biāo)跟蹤方法，其特征在于，所述總體狀態(tài)估計輸出為:
【文檔編號】G06F19/00GK103853908SQ201210514479
【公開日】2014年6月11日 申請日期:2012年12月4日 優(yōu)先權(quán)日:2012年12月4日
【發(fā)明者】杜勁松, 畢欣, 高潔, 田星 申請人:中國科學(xué)院沈陽自動化研究所