毫米波雷達在目前的先進輔助駕駛（ADAS）中的應用主要體現在自適應巡航控制（Adaptive Cruise Control，ACC）,預碰撞（PreCrash）,泊車輔助（Parking Aid）,變道輔助（Lane Change Assistant）等。 相比于其他的幾種傳感器，毫米波雷達在各種天氣環境下具有突出的優勢。

對于多目標的跟蹤是毫米波雷達系統中的一個主要研究方向，不同的場景，場景中目標的出現和消失，以及目標在毫米波雷達FOV視野內被其他物體或目標遮擋的問題，都無疑是多目標跟蹤中的一些問題和難點。另外的一個難點就是根據距離維和多普勒維的輪廓擴展實現目標的區分和衡量。通過實驗可以發現一些有趣的現象，前方向前行駛的車輛在距離維上具有擴展的輪廓，而多普勒維上則為點狀的速度輪廓。當行駛的前方出現正在橫跨馬路的行人，此時可以發現距離維上存在為點狀的輪廓，而多普勒維度上則存在擴展的輪廓，這是由于行人在橫跨馬路的運動狀態中，手臂和身體以及腿等部位存在不同的運動速度。這種特征的分析即為毫米波雷達的行人檢測（pedestrian recognition）的基礎。

目標跟蹤主要是利用一些數據關聯策略算法和Kalman濾波來估計運動物體的狀態變化。由于數據關聯策略的多樣性，可以得到不同的跟蹤算法。完成了數據關聯的策略判斷后，線性或者擴展Kalman濾波則進一步的提升目標的位置和速度狀態估計。

下面給出了一個毫米波雷達數據處理的框架。

在信號處理后，此時已經得到了目標的距離

，相對速度 和方位角 。首先需要進行的處理是將每個時刻 的運動目標從雜波中分離開，這一步的處理主要是根據目標的相對速度進行分離，相對速度較小的目標或者靜態的物體將會被分離出去。

數據關聯的第一個策略是對探測到的多個目標屬于同一物體的進行聚類，然后取聚類后的目標同已有的軌跡進行關聯，目標關聯軌跡采用最簡單的鄰近原則。如果目標不屬于已有的任何一條軌跡，則對目標設置新的軌跡。這一步的處理后會得到一些軌跡，這些軌跡中包含著有效的軌跡和無效的軌跡，只有實際有效的軌跡才會進行后續的Kalman濾波狀態估計等處理。

Kalman濾波的輸入是目標在笛卡爾坐標系中的距離和方位角信息。Kalman濾波在跟蹤處理中的目的是提供在當前時刻

時的系統狀態估計，當前時刻狀態的估計是基于前一時刻 下的預測，即這種濾波計算是通過一種遞歸的方式進行計算的。

當前時刻$t$時的系統狀態包含了笛卡爾坐標系下的目標位置和速度信息，表示為

對一個勻速的運動模型，所以根據前一時刻對當前時刻$t$的狀態預測可以寫成

上式等效于

其中

是協方差矩陣為 的高斯白噪聲向量。A為狀態轉移矩陣，T為測量周期。

下面的問題主要考慮了目標的位置估計，因此測量矩陣只包含了位置測量：

測量等式可以被寫為

其中n為零均值的高斯白噪聲，協方差矩陣為

。

關于Kalman的相關等式中描述預測當前狀態和狀態估計更新的等式可以表示為

其中K為kalman增益，

為誤差的協方差矩陣。P為狀態估計誤差的協方差矩陣。

對于測量噪聲和狀態誤差估計協方差矩陣

和 ,由于測量很容易受到噪聲的影響，我們將 的值增大，為了使得模型更加準確，因此協方差矩陣 會設置的較小。

題圖：Quangpraha，from Pixabay.

另外，如果對此感興趣，歡迎關注公眾號：雷達說感謝~

總結

以上是生活随笔為你收集整理的kalman滤波在雷达目标跟踪中的应用_简述Automotive radar中的多目标跟踪处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。