本发明涉及目标跟踪。
雷达系统用于检测和跟踪来自各种平台的目标。示例性的平台包括车辆(例如，汽车、建筑设备、农场设备、自动化工厂)、飞机和船舶。一旦检测到目标，就可以使用一组算法来从一帧到下一帧跟踪该目标。在使用移动平台的情况下，平台上的目标和雷达系统都可以移动。该算法基于其运动学行为和测量值来估算下一雷达帧中目标的投射状态。卡尔曼滤波器通常用于目标跟踪，该目标跟踪既考虑目标运动模型又考虑测量值以提供目标状态的更新。经典的卡尔曼滤波器适用于线性模型，但当估计雷达返回参数时所必须考虑的空间是球形的。因此，期望提供一种考虑遵循非线性运动模型的目标的目标追踪模型。
技术实现要素：
在一个示例性实施例中，一种使用卡尔曼滤波器的雷达系统执行目标跟踪的方法，其包括：预测由雷达系统所检测到的目标在一帧内的预测目标位置。该帧是从雷达系统的每个发射元件依次发射并接收来自目标范围的反射的一段时间。确定雷达系统所检测到的目标的实际目标位置是基于雷达系统针对该帧所接收到的反射，并且紧接着该帧计算下一帧的过程噪声协方差矩阵q是基于预测目标位置和实际目标位置。基于过程噪声协方差矩阵q来预测下一帧中的目标的位置。
除了这里描述的一个或多个特征之外，计算过程噪声协方差矩阵q是作为两个协方差矩阵的加权线性组合。
除了这里描述的一个或多个特征之外，过程噪声协方差矩阵q由下式给出：
δx，δy，δvx和δvy分别为预测目标位置和实际目标位置之间的x位置、y位置、沿x轴速度、以及沿y轴速度上的误差。
除了本文描述的一个或多个特征之外，确定δx，δy，δvx和δvy中的每一个作为第一模型和第二模型的加权线性组合，第一模型假设沿着y轴的速度为零而第二模型假设沿x轴的速度为零。
除了本文描述的一个或多个特征之外，确定加权线性组合的每个分量的权重是作为预定义的值，或是基于第一模型相关分量和第二模型相关分量的比较。
在另一个示例性实施例中，用卡尔曼滤波器执行目标跟踪的系统包括用于检测帧中目标的雷达系统。该帧是从雷达系统的每个发射元件依次发射并接收来自目标范围的反射的一段时间。该系统还包括具有处理器的控制器，以预测帧中目标的预测目标位置，基于雷达系统针对该帧所接收到的反射来确定目标的实际位置，紧接着该帧基于预测目标位置和实际目标位置计算下一帧的过程噪声协方差矩阵q，并且基于过程噪声协方差矩阵q来预测下一帧中目标的位置。
除了本文描述的一个或多个特征之外，控制器将过程噪声协方差矩阵计算为两个协方差矩阵的加权线性组合。
除了本文描述的一个或多个特征之外，控制器计算过程噪声协方差矩阵q，如下式：
δx，δy，δvx和δvy分别为预测目标位置和实际目标位置之间的x位置、y位置、沿x轴速度、以及沿y轴速度上的误差。
除了本文描述的一个或多个特征之外，控制器确定δx，δy，δvx和δvy中的每一个作为第一模型和第二模型的加权线性组合，第一模型假设沿着y轴的速度为零而第二模型假设沿x轴的速度为零。
除了本文描述的一个或多个特征之外，控制器确定加权线性组合的每个分量的权重作为预定义的值，或基于第一模型相关分量和第二模型相关分量的比较。
在另一个示例性实施例中，汽车包括用于检测帧中目标的雷达系统。该帧是从雷达系统的每个发射元件依次发射并接收来自目标范围的反射的一段时间。该系统还包括具有处理器的控制器，以预测帧中目标的预测目标位置，基于雷达系统针对该帧所接收到的反射来确定目标的实际位置，紧接着该帧基于预测目标位置和实际目标位置计算下一帧的过程噪声协方差矩阵q，并且基于过程噪声协方差矩阵q来预测下一帧中目标的位置。
除了本文描述的一个或多个特征之外，控制器将过程噪声协方差矩阵计算为两个协方差矩阵的加权线性组合。
除了本文描述的一个或多个特征之外，控制器计算过程噪声协方差矩阵q，如下式：
δx，δy，δvx和δvy分别为预测目标位置和实际目标位置之间的x位置、y位置、沿x轴速度、以及沿y轴速度上的误差。
除了本文描述的一个或多个特征之外，控制器确定δx，δy，δvx和δvy中的每一个作为第一模型和第二模型的加权线性组合，第一模型假设沿着y轴的速度为零而第二模型假设沿x轴的速度为零。
除了本文描述的一个或多个特征之外，控制器确定加权线性组合的每个分量的权重作为预定义的值，或基于第一模型相关分量和第二模型相关分量的比较。
结合附图，根据以下详细描述，本发明的以上特征和优点以及其他特征和优点将变得显而易见。
附图说明
在下面的详细描述中，仅作为例子，其他特征，优点和细节出现，详细描述参考以下附图：
图1是根据一个或多个实施例的执行目标跟踪的雷达系统的框图；和
图2是根据一个或多个实施例的执行目标跟踪的方法的流程图。
具体实施方式
以下描述本质上仅仅是示例性的，并不意图限制本发明及其应用或用途。应该理解，在整个附图中，相应的附图标记表明类似或相应的部分及特征。
如前所述，通常使用卡尔曼滤波器来跟踪从一帧到下一帧的雷达反射的目标。帧是指从雷达系统的每个发射元件依次发射一次并从所跟踪目标范围中获得反射的持续时间。示例性雷达系统是具有多个发射元件和多个接收元件的多输入多输出(mimo)雷达系统，该多个发射元件和多个接收元件接收由每个发射元件的发射产生的反射。其他示例性雷达系统包括具有单个发射元件和多个接收元件的单输入多输出(simo)，具有多个发射元件和单个接收元件的多输入单输出(miso)，以及具有单个发射元件和单个接收元件的单输入单输出(siso)。例如，发射可以是线性调频信号或啁啾声。接收到的反射由发射元件对发射的每一轮(帧)进行处理，以跟踪被检测目标的移动。例如，当雷达系统的平台是汽车时，跟踪目标的运动可以有利于目标回避，自主驾驶和其他操作。
相对于其他已知方法，线性卡尔曼滤波器提供了具有低计算复杂度的精确目标跟踪模型。同样如前所述，目标运动模型和雷达测量值都被认为能更新目标状态。也就是说，目标跟踪是作为后处理技术而不是实时进行的。因此，在给定时间内，目标位置的预测和实际(测量)结果都是可用的，并且可以基于实际结果来校正基于卡尔曼滤波器的模型。通常，使用卡尔曼滤波器的二维目标运动模型提供了由以下式子给出的状态向量x：
xk＝fkxk-1+bkuk+wk[式1]
状态向量x在时间k处给出[xk，yk，vx，vy]'，其中xk和yk给出目标的二维位置，vx和vy分别表示沿x和y轴的速度。在式1中，fk是应用于先前状态xk-1的状态转移矩阵，bk是应用于控制向量uk的控制输入矩阵，而wk是假定为由零平均多元正态分布导出的过程噪声。也就是说，过程噪音wk由下式给出：
wk～n(0,qk)[式2]
在时间k处，根据下式得到目标的真实状态xk的观测值或测量值zk：
zk＝hkxk+vk[式3]
在式3中，hk是将真实状态空间映射到观测空间的观测模型，而vk是假定为具有协方差rk的零均值高斯白噪声的观测噪声。也就是说，观测噪声vk由下式给出：
vk～n(0,rk)[式4]
在下一帧的处理期间搜索目标的预测状态xk周围的区域或窗口以获取与目标相关的测量值。当目标不在预测窗口内时，目标跟踪失败并且预测轨迹消失。如果窗口大小增加以增加在窗口内获得目标测量值的可能性，则在相同窗口内捕获两个目标并因此不能跟踪任一目标的可能性将会增加。因此，在其中维持一个小窗口来搜索目标的测量值是有益的。
同样如前所述，经典卡尔曼滤波器的局限性在于它只适用于线性模型。当估计雷达返回参数时，空间在球面坐标(范围、方位角、仰角、多普勒频移)中所定义，而运动在笛卡尔坐标(x，y，z，vx，vy，vz)中所描述，其中vx，vy，vz分别是x，y和z维度上的速度。例如，不是遵循线性运动模型，而是可以沿径向朝着或远离雷达移动。因此，使用适用于线性目标运动模型的线性卡尔曼滤波器对雷达参数造成目标运动与线性模型预测之间较大的偏差。这又会导致卡尔曼滤波器在目标跟踪中的无效。
本文中详述的系统和方法的实施例涉及使用自适应方法来包括过程噪声，而不是使用用于过程噪声wk的固定协方差矩阵qk。根据实施例，根据预测的状态x的x，y，vx，vy中的误差与目标的方位角速度(高度上的角速度被认为可忽略)成比例。特别是使用两个协方差矩阵的加权线性组合。这两个协方差矩阵分别假设vx＝0和vy＝0。当目标运动与线性模型不匹配时，由于不确定性(即过程噪声)较高，目标模型的权重较小。根据本文详细描述的一个或多个实施例，经典卡尔曼滤波器可以与在保持窗口大小的同时在不同坐标(例如分别为球面和笛卡尔坐标)中表示的测量值和动态状态空间模型一起使用。
根据本发明的示例性实施例，图1是使用卡尔曼滤波器执行目标跟踪的雷达系统110的框图。根据示例性案例，雷达系统110在作为汽车120的平台100上。如前所述，其它平台100也可用于雷达系统110。雷达系统110可以是具有多个发射和接收元件的多输入多输出(mimo)系统。雷达系统110可以发射线性调频(lfm)信号或啁啾声。
汽车120可具有耦合到雷达系统110或以其他方式与雷达系统110通信的控制器130。根据一个或多个实施例，控制器130可以处理接收到的雷达系统110的反射以执行目标跟踪。目标跟踪可以替代地由雷达系统110内的处理器来执行。控制器130还可以执行或与其他系统通信，其执行目标避免，自动驾驶以及使用来自雷达系统110的信息的其他功能。控制器130可以包括处理电路，处理电路可以包括执行一个或多个软件或固件程序的专用集成电路(asic)，电子电路，处理器(共享的，专用的或者组)和存储器的处理电路，组合逻辑电路，和/或提供所描述的功能的其他合适的部件。
在给定的状态下显示目标140。连同实际位置150一起示出了根据卡尔曼滤波器的预测位置155。如图所示，在到预测位置155和实际位置150的路径之间形成角度θ。还指示了方位角速度ωaz。当方位角速度ωaz为零时，目标运动与基于动态线性卡尔曼滤波器的模型匹配。这被认为是使用卡尔曼滤波器的最佳情况。当目标140仅在x方向(vy＝0)或仅在y方向(vx＝0)上移动时，则在基于卡尔曼滤波器的状态预测中存在错误。最具挑战性的情况是当目标140以其多普勒速度(朝向雷达系统110的速度)总是为零的切线轨迹移动。根据一个或多个实施例，前一帧(k-1)的预测位置155和实际位置150用于自适应地确定下一帧的过程噪声协方差矩阵qk，而不是使用固定的协方差矩阵。
如式1所示，确定了根据式1的确定状态向量xk确定了根据式2的过程噪声wk。根据一个或多个实施例，用于根据式2所确定过程噪声wk的过程噪声协方差矩阵qk。不是固定的，相反，对于每个时间k，通过下式：
用于给定轨迹的模型状态投射与实际目标位置之间的误差被用来计算从一个雷达帧到下一个雷达帧的状态变量δx，δy，δvx和δvy中的误差，δt代表帧之间的时间。如前所述，根据一个或多个实施例的过程噪声协方差矩阵q是两个协方差矩阵的加权线性组合。特别是假定vx＝0(称为模型1)和vy＝0(称为模型2)开发两个协方差矩阵。因此，δx、δy、δvx和δvy的每个分别如下式：
δx＝w1x[δx]model1+w2x[δx]model2[式6]
δy＝w1y[δy]model1+w2y[δy]model2[式7]
如式6到9，每个w为对应不同分量的权重。每个w的值可以被预定义或者可以基于从每个模型得到的值的比较来确定。例如，w1x和w2x可以基于由模型1确定的δx与由模型2确定的δx的比率，差异或其他比较来确定。在替代实施例中，可以使用查找表，并且可以基于对应的分量值落入的范围来确定权重。例如，用模型1确定的δvy的值可以与查找表中的w1vy的特定值相匹配。
假定vy＝0的模型1中的δx，δy，δvx和δvy中的每一个由下式给出：
假定vx＝0的模型2中的δx，δy，δvx和δvy中的每一个由下式给出：
图2是根据一个或多个实施例的使用卡尔曼滤波器的雷达系统110执行目标跟踪的方法的流程图。在框210处，预测帧k的目标位置涉及根据式1获得状态向量xk。当帧为第一帧时，可以使用固定的过程噪声协方差矩阵qk来确定过程噪声。在框220处，基于针对相同帧的雷达测量值来确定目标的位置是指接收并处理在帧持续期间由发射所致的反射。在框230处，基于式5至式17，计算过程噪声协方差矩阵qk+1。在框240处，一旦计算出过程噪声协方差矩阵qk+1(在框230处)，则使用式1，以获得状态向量xk+1，并从而获得x和y轴上的位置和速度。从而，在框240处，便于预测目标位置。
尽管已经参照示例性实施例描述了以上发明，但是本领域技术人员将会理解，在不脱离其范围的情况下，可以做出各种改变并且可以用等同物替换其元件。此外，根据本发明的教导，可进行许多修改以适应特定的情况或者材料而不脱离本发明的范围。因此，其意图是描述不限于所公开的特定实施例，而是包括落入本申请范围内的所有实施例。