摘要
目标跟踪在国防、工业和安防等领域已得到广泛应用。在交通领域，自动驾驶汽车对目标跟踪的要求更加苛刻，主要采用多种传感器进行环境感知。其中毫米波雷达具有全天候、全天时工作等特点，且分辨率高，可将目标视作扩展目标，丰富的点云信息可以用作目标检测和跟踪，成为自动驾驶中不可或缺的感知传感器。本文以77GHz毫米波雷达为载体，运用随机有限集的方法，对多动态扩展目标跟踪技术进行研究，主要研究内容如下： （1）简要概述现阶段多扩展目标跟踪技术的研究现状，分析归纳了量测集划分和扩展目标跟踪存在的问题，阐述本文对多扩展目标跟踪的研究意义。 （2）针对随机有限集框架下的多目标系统的跟踪问题，研究相关理论基础，通过集合概念建立多目标跟踪模型，对其建模过程存在的问题进行研究，分析其评价指标的含义及特点。 （3）针对多扩展目标跟踪中出现的量测集划分不准确和消耗算力资源大的问题，提出了基于雷达特征信息的DBSCAN（BasedonRadarFeatureDBSCAN，BRF-DBSCAN）量测划分算法。通过对基于密度的噪声应用空间聚类（Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN）进行研究，结合毫米波雷达对常见目标的点云特征信息，将其特征信息作为属于预处理和划分的依据，再利用KD树技术加速。实验表明，BRF-DBSCAN算法比传统DBSCAN算法对目标划分更准确，且计算性能提升了90.2%。 （4）针对多扩展目标跟踪中，出现新生目标的时刻势估计不准确的问题，以泊松多伯努利混合（PoissonMulti-BernoulliMixture,PMBM）算法为基础，提出了改进PMBM算法。由于在PMBM滤波过程中，每次更新会产生新的多伯努利项，这将会导致运算复杂度上升，遇有目标数量变动时此情况会更严重。对此本文通过剪枝、合并、封顶、回收、门控等方法改进PMBM算法后处理过程。实验表明，改进方法能够更快的响应目标数量变化的情况。 （5）针对多扩展目标跟踪算法的工程应用要求，本文以PIX底盘和多种传感器为基础，搭建了用于验证算法性能的无人车感知平台，将BRF-DBSCAN算法与改进PMBM算法嵌入合并部署。实验表明本文采用的BRF-DBSCAN算法与改进PMBM算法能够处理目标紧邻、闪烁等场景，且有工程应用价值。
NETL