基于车载毫米波雷达的前方物体运动状态估计及分类方法
【技术领域】
[0001] 本发明申请属于雷达技术领域，涉及前方物体运动状态估计及分类，可用于先进 驾驶员辅助系统。
【背景技术】
[0002] 近年来，先进驾驶员辅助系统ADAS已成为汽车安全技术的研宄热点。目前其主要 包含自适应巡航控制系统、车道偏离预警系统、前方防碰撞预警系统等。先进驾驶员辅助系 统及雷达和计算机视觉等先进信息传感技术作为基础，提高了驾驶员的驾驶舒适性和车辆 行驶安全性。
[0003] 毫米波雷达被广泛应用于驾驶员辅助系统中，用于测量前方中远距离内的车辆、 障碍物等目标。对于连续波毫米波雷达，其测速原理基本是：发射机产生连续高频等幅波， 其频率在时间上进行周期性变化。在雷达波传播至目标再经目标反射返回天线的这段时间 内，此时发射机的频率相较回波频率已经有了变化，因此在混频器输出端变出现了差频电 压。该差频电压直接与雷达和前方目标之间的相对距离相关。而当两者之间相对速度不为 〇,由于多普勒效应，回波频率与发射机频率在前述由相对距离引起的差频的基础上还会有 频率差值变化，而该差频直接与两者相对速度有关。但是，相对距离与相对速度的直接测量 基于车载毫米波雷达坐标系，直接测量的前方物体运动状态无法直接用于驾驶辅助系统， 因此需要对前方物体运动状态进行实时准确地估计。
[0004] 汽车状态参数估计早已广泛用于汽车各类控制系统当中。早期在汽车稳定性控制 系统（Electronic Stability Program，ESP)研宄中，利用低成本的轮速、横摆角速度等车 辆信息，再利用卡尔曼滤波估计算法，对汽车质心侧偏角、路面附着系数等难以直接测量或 测量成本较高的车辆信息进行估计，并用于稳定性控制系统。除了使用经典卡尔曼滤波估 计算法，还引入了粒子滤波、自适应卡尔曼滤波等状态估计算法。因此，本申请在雷达直接 测量的前方物体运动状态信息的基础上，利用自适应卡尔曼滤波估计算法对前方物体基于 大地坐标的运动状态进行实时准确估计。
[0005] 现有雷达前方物体分类大多是根据其属性进行分类，如分成轮式车辆、履带车辆、 行人、树木等。
【发明内容】
[0006] 本发明的目标在于克服上述已有技术的不足，提出一种基于车载毫米波雷达的前 方物体运动状态估计及分类方法，以提高前方物体运动状态的估计及分类准确性。
[0007] 本发明的上述第一个目的得以实现的技术方案是：基于车载毫米波雷达的前方物 体运动状态估计方法，其特征在于：基于车载毫米波雷达所直接测量的有限前方物体运动 的侧向速度信息，建立前方物体在大地坐标系下的运动方程，利用自适应卡尔曼滤波估计 算法，实时准确地估计前方物体运动状态。
[0008] 进一步地，包括如下步骤：
[0009] I、通过车载毫米波雷达映射前方物体在大地坐标系下的运动方程为：
【主权项】
1. 基于车载毫米波雷达的前方物体运动状态估计方法，其特征在于：基于车载毫米波 雷达所直接测量的有限前方物体运动的侧向速度信息，建立前方物体在大地坐标系下的运 动方程，利用自适应卡尔曼滤波估计算法，实时准确地估计前方物体运动状态。
2. 根据权利要求1所述基于车载毫米波雷达的前方物体运动状态估计方法，其特征在 于包括如下步骤： I、 通过车载毫米波雷达映射前方物体在大地坐标系下的运动方程为：
上式中，为前方物体的加速度，·^为前方物体的速度，χ_.κα)为前方 物体的距离； II、 表征前方物体的运动方程： x(t) = diag[A, Λ]χ(/^) + diag[B, BJni(Zt)
其中Λ为单一坐标轴上物体运动状态系统矩阵；B为过程噪声矩阵； w(t) = [wx(t)，wy(t)]T，wx(t)~N(0，〇 wx2)，Wy(t)~N(0，〇wy2)是相互独立的随机白 噪声过程； 前方物体侧纵向运动方程的离散时间模型为： xk+1 = diag [ Φ，Φ ] X k+diag [G，G] Wk 前方物体运动状态的观测方程为： z (t) = Cx (t) +V ⑴
其中，z(t)为观测矩阵；C为输出状态矩阵；v(t) = [vx(t)，vx(t)，vy(t)]T，v(t)~N(0， R)为高斯白噪声过程； 前方物体运动状态观测方程离散时间模型为： Zk= Cx k+vk，其中，Zk为观测向量；V k为高斯白噪声序列； III、 以前方物体运动状态方程的离散时间方程为滤波器的状态方程，以前方物体运动 状态观测方程的离散时间方程为滤波器的观测方程，采用自适应卡尔曼滤波估计算法，对 前方物体的运动状态进行准确实时估计，自适应卡尔曼滤波估计算法包括预测、校正和噪 声估计三个过程，具体过程如下： 一、预测过程： 状态预测方程：SM +11幻=I幻+ 1 A:)，其中，X (k)为k时刻的状态向量和测量 向量，A为系统状态转移矩阵，q(k)为系统噪声的均值； 误差协方差预测方程：P (k+11 k) = Ap (k I k) AT+Q (k)，其中，P为预测协方差矩阵； s(k +1) = y{k +1) - Hx(A： + \\k)-r(k) 中间变量：d(k) = (l-bV(l-bk+1)，其中，y(k)为测量向量，H为输出状态矩阵，r(k)为 观测噪声的均值，b为遗忘因子； 二、 校正过程： 增益方程：K (k+11 k) = P (k+11 k) Ht [HP (k+11 k) HT+R (k) Γ1， Kk为卡尔曼增益矩阵， 滤波方程：x (k+11 k+1) =x (k+11 k)+K (k+1) ε (k+1)， 误差协方差更新方程：P (k+11 k+1) = [I_K (k+1) H] P (k+11 k)， 三、 噪声估计过程： 噪声的均值和自协方差矩阵估计方程为： 9(^ + 1) = [l-i/(A：)]^(A：) + <i(A：)x[x(A: + l | k + \)-Ax(k \ A：)] Q(k +1) = [I - d(k)]Q(k) + d(k)[K(k + \)s(k + \)ετ (A: +1) x Kr (A: +1) + P(A： +1 μ +1) - AP(A： | k)AT ] r(k +1) = [I - d(k)r(k) + d(k)] x [y(k +1) - Hx(k + \\k)] R(k +1) = [I - i/(A：)]R(A：) + d{k) x [e(k + \)ετ (A： +1) - HP(A： +11 k)HT ] 其中，Qk为自协方差矩阵。
3.基于车载毫米波雷达的前方物体运动状态分类方法，其特征在于：在前方物体运动 状态估计的基础上，根据前方物体运动信息，依据所指定的运动状态划分速度阈值和运动 状态转换规则进行分类，所述前方物体运动状态根据现有及历史运动状态特定分为未分 类、静止、同向运动、相向运动、停止但之前同向运动和停止但之前相向运动几种： IV、 通过定义如下速度阈值，将前方物体运动状态进行分类： Vt-当前方物体车速等于或高于该阈值时，前方物体被认为是同向运动，该阈值通过下 式在每个控制循环中被动态更新： Vt= ^_1_+1。*1^1+、*1^2，其中，￥1^_ 8为本车速度较低时本车被认为处于行驶状 态的速度阈值，Veg。为当前时刻本车速度，a eg。为当前时刻本车加速度，k JPk2为需要通过 实车调试所确定的权值； Vx-当前方物体车速等于或低于该阈值时，前方物体被认为是相向运动，该阈被设置为 静态参数，当前值为_3m/s。 当前方物体车速在\与Vx之间时，其运动状态是静止或停止的进一步判断需要根据该 前方物体的历史运动状态进行； V、 对前方物体运动状态分类与运动状态之间的转换制定相应规则，各状态之间只能按 该规则进行状态转换： i) 、未分类一静止、同向运动、相向运动，如果三个循环内前方物体速度在范围内且前 方物体数据能被稳定测量，则能实现该运动状态转换； ii) 、同向运动一停止但之前同向运动；相向运动一停止但之前同向运动，前方物体速 度连续两个循环内都在O附近，则能实现该运动状态转换； iii) 、静止、停止但之前同向运动、停止但之前相向运动一同向运动、相向运动，连续三 个循环前方物体速度大于0,则能实现该运动状态转换。
【专利摘要】本发明揭示了一种基于车载毫米波雷达的前方物体运动状态估计及分类方法，基于车载毫米波雷达所直接测量的有限前方物体运动的侧向速度信息，建立前方物体在大地坐标系下的运动方程，利用自适应卡尔曼滤波估计算法，实时准确地估计前方物体运动状态；而后根据前方物体运动信息，依据所指定的运动状态划分速度阈值和运动状态转换规则进行分类。本发明技术方案的实时，相对现有技术大大提高了运动状态估计的准确性，并指定严格的前方物体运动状态转换条件，保证了分类准确性。
【IPC分类】G01S13-93
【公开号】CN104635233
【申请号】CN201510085048
【发明人】郭健, 范达, 于泳
【申请人】苏州安智汽车零部件有限公司
【公开日】2015年5月20日
【申请日】2015年2月17日