联合自适应卡尔曼滤波的缩微车目标检测系统开发

摘要

　　车辆的目标检测主要是通过车载传感器对局部环境感知来实现，其中最重要的部分是估计车辆前方目标的运动状况。车辆行驶过程中对前方目标运动状态的估计是智能车辅助驾驶系统中的重要研究课题，其主要包括实时测量搭载传感器的实验车与前方目标的相对横纵向速度、相对横纵向加速度和相对位置等状态变量。传统的单传感器目标检测只能根据传感器的特性获取某一方面的数据，而多传感器可以为缩微车提供更加完整的数据信息。因此可以将自适应卡尔曼滤波模型和联合卡尔曼滤波模型做出融合，达到了避免单传感器信息采集盲区的问题并且提高了滤波器系统稳定性的目的，最终达到提高多数据源信息融合的质量目的，为进一步的判断和决策提供了良好的基础。另一方面采用缩微车技术可以降低实验成本、降低实验风险、提高系统维护性并且提供了模拟大规模车辆的功能，这些特点使得缩微车成为了智能交通实验的良好载体。

　　本文以场景中的缩微车为基础，即每个车辆都可以获得一定范围内的其他车辆和障碍物的状态信息，通过以下两个方面对该系统进行设计与实现：

　　（1）实现对缩微车前方目标检测：缩微车在行驶过程中通过摄像头、雷达和车载光电编码器不断采集车辆前方的局部交通情况，然后通过 mini2440 处理器对来自不同传感器的信息进行集中处理。在 mini2440 中将进行如下算法：采用基于 HOG+SVM 行人识别提取图像数据的行人目标、采用区域分割法提取雷达数据的目标运动信息以及通过光电编码器获取车辆自身车速。最后经过处理的信息将发送到服务器端并进行数据融合完成局部交通环境的显示。

　　（2）实现多传感器数据融合：基于新息自适应卡尔曼滤波，提出了一种多传感器联合滤波的方法来提高估计前方行驶车辆的运动状态的精度。该滤波方式以激光雷达和毫米波雷达作为局部滤波器，通过自适应过程实时调整局部滤波器的测量噪声协方差和系统噪声协方差，并利用测量噪声协方差计算出联合滤波中各局部滤波器的信息分配因子，最后根据信息分配因子来完成最优信息融合并将全局滤波结果反馈到各局部滤波器。联合卡尔曼滤波可以结合多种传感器的测量优势，使每次得到的滤波结果是各个局部滤波器中最优的，并且利用反馈机制提高了测量精度。

　　根据实验结果可知，本文提出的缩微车目标检测系统的功能正确完善，可以达到实时监控局部交通环境的目的。同时联合自适应卡尔曼滤波方式有良好的环境适应能力和系统容错率，当一个传感器的滤波性能出现异常时，该系统的滤波结果并未产生异常。

　　在整个实验过程中，该方法相较于标准卡尔曼滤波和单传感器的新息自适应滤波具有最高的测量精度。

　　关键词：目标检测，运动状态估计，多传感器，缩微车，行人识别，联合自适应卡尔曼滤波

Abstract

　　Target detection for vehicles based on local environment perception by vehicle-sensors, then estimating the motion state information of the forwards target. The estimation for driving vehicles is an important research topic in intelligent vehicle auxiliary driving system,it mainly includes the Real-time measurement experimental car carrying sensor and relative horizontal longitudinal velocity, the relative target in front of the transverse longitudinal acceleration and the relative position of state variables.But the single sensor may be easily affected by the environmental change, so the the multi-sensor fusion will be introduced to the miniature intelligent vehicles, the paper proposed a multi-layer filter through extending Innovation-based Adaptive Estimation. Compared with traditional target detection in single sensor, this solution significantly improve accuracy and variety of target information.it adopts multi buffer pools to reduce time error and space error,thereby improving system efficiency. On the other hand, the miniature intelligent vehicles technology can reduce experiment costs and risks, make the experiment easy to maintain and realize simulation of mass vehicle motions, which provides good protection for the experiment.

　　The paper based on miniature intelligent vehicles in the scene. So every miniature vehicle can get the motion state information of other vehicles and obstacle. The design and implementment of target detection systemis as the following two aspects:

　　(1) Implementation of miniature car in front of the target detection: Miniature car use cameras,radar and in the process of driving vehicle photoelectric encoder to continually collect vehicle in front of local traffic conditions,then use the mini2440 processor of information from different sensors to centralized processing. In mini2440 the algorithm is as follows: Based on HOG + SVM pedestrian recognition to extract the image data of pedestrian targets, use the region segmentation method to extract the target movement information radar data and use the photoelectric encoder to obtain its own speed.In the end,the information which processing is completed will be sent to the server for data fusion display of local traffic environment.

　　(2) A multi-sensorial Federated Kalman Filter algorithm based on Innovation-based Adaptive Estimation (IAE) is proposed(JAKF), which is used to estimate motion state of the vehiclesahead. In this system, Lidar and Radar become local filter, local filters adjust measurement noise covariance Rand system noise covarianceQadaptively, then global filter uses the measurement noise covariance and system noise covariance to calculate information allocation factor for Federated Kalman Filtering, finally, according to the information distribution factor to complete the optimal information fusion and the global filtering results feedback to each local filter. Federated Kalman Filter combine advantage of multiple sensors, so the global filtering’s results is optimal than each local filtering’s results, in addition, the feedback mechanism can improve the filter measurement accuracy.

　　According to the result of experiment shows that the proposed miniature car function of target detection system is correct and can achieve the goal of real-time monitoring local traffic environment.Experiment results show that the algorithm has great adaptive capacity and error-tolerant capacity. When a sensor filtering performance is abnormal, the system of filtering result does not have exception.And the algorithm has the most accurate estimate than the standard one does and single sensor one does.

　　Keywords:Target detection, Estimation of the motion state, Multi-sensor fusion, Miniature intelligent vehicles, Pedestrian recognition,JAKF

　　近年来，物联网技术飞速发展，全球各发达国家对 ITS 智能交通系统的发展的重视程度不断提高。在 ITS 中人、车与环境形成一个紧密联系的整体，通过融合搭载在汽车上的多种传感器的信息来实现对汽车周围环境的感知。当汽车的周围存在潜在危险时，ITS 中的汽车还将收到危险警告，当情况紧急时，ITS 将采取有效措施控制汽车，来保证行车安全。而该系统的核心部分在于汽车主动安全的实现。

　　仿真技术的优势在于成本低廉、易于维护、可见性强、可控性优良以及安全稳定，因此将其运用在智能交通系统的搭建上有很大的实用价值。将仿真技术运用在智能车研究上一方面可以保证实验结果的真实性和正确性，另一方面还可以缩减实验成本，减少时间和精力的投入。智能车辆技术主要包括三大部分：感知层、决策层和执行层[1]。感知层的工作原理是通过搭载在车辆上的通信装置、电子设备、车载调度系统以及公路旁的基础设施中的传感器，无线识别等技术，达到在系统中采集所有车辆的运行信息并进行分析计算再加以利用。目前，感知层主要采用多种传感器融合技术，弥补了传统单传感器信息采集的局限性，采集的信息越全面，汽车的环境感知效果越好，决策层作出的判断越准确。采用多传感器感知技术的智能车充分发挥各个传感器的优势，结合不同传感器的特点进行更好的定位、特征估计以及全面和实时地对局部交通环境进行评估。例如：激光雷达传感器可探测智能车周围一定范围内的障碍物的状态信息和运动信息，但无法获得各个障碍物的视觉信息。视觉信息传感器可以识别车道线、识别车辆周围障碍物的类型(人、车、物)，但无法准确地获取距离信息以及识别目标的详细状态。车辆内部信息传感器提供了车辆内部环境中的自身属性，而前两种传感器往往无法获取该类信息。

　　车辆附近目标的运动状态的采集是车辆自主驾驶功能实现的基础，因此车辆目标运动状态估计的算法需要更加准确。目前在智能车辅助驾驶系统中常使用的测距传感器包括激光雷达和毫米波雷达[2]。DARPA 城市挑战赛中很多成功的案例表明，这两类传感器已广泛应用于车辆目标检测[3-5]。激光雷达具有更加精确的检测精度、更高的精测频率以及更大的检测范围等优点，并可以直接获取目标的距离，进而通过简单换算获取目标速度和加速度等参数。但由于激光在传播中容易衰减的特点，激光雷达对环境和天气变化的适应性较差，因此在阴天或是雨雪天气激光雷达的性能将大幅下降。毫米波雷达也是一种可以获取目标多种状态信息的传感器，毫米波雷达相较于激光雷达在检测精度上有所降低，但是毫米波具有更优秀的穿透能力，受环境和天气的影响更小。因此，利用这两种传感器具有不同频谱的特点，它们能够相互补偿对方的缺点。这一特性使它们成为传感器处理和数据融合系统的最佳研究对象[6]。

　　在局部交通环境感知的整体框架上，本文提出了一个客户端/服务器(C/S)架构的微缩仿真实验平台。在交通沙盘中，五辆缩微小车(Client)多种传感器不断获取车辆附近的局部交通环境，并在多传感器采集的数据基础上进行行人识别和目标运动状态信息一区，最后将多源数据和从中提取出的信息进行数据分包，以数据包的形式发送到服务器(Server)。服务器的主要功能是对多源进行分类和融合，并将融合后的数据可以作为局部环境感知的基础数据来实现为车辆行驶过程中四周目标运动状态的实时监控，同时还可以将融合数据存储在本地数据库中。以文献[7]的联合卡尔曼滤波的融合复位结构(FR)和文献[8]的新息自适应卡尔曼滤波(AKF)为基础，利用激光雷达和毫米波雷达的数据，提出了一种激光雷达与毫米波雷达组合进行目标运动状态估计的联合自适应卡尔曼滤波器(FAKF)。该方法将激光雷达与毫米波雷达作为局部滤波器，各局部传感器之间以并行的方式进行新息自适应滤波，然后通过坐标转换和时间统一对局部滤波器的数据进行预处理，最后进行联合自适应滤波，并将局部滤波器 LF 的测量噪声协方差 R 作为计算信息分配因子 β 的依据，β 用来控制 LF 的状态矢量 X 占最优融合状态的权重和调节 LF的状态矢量协方差 P。当激光雷达传感器受天气影响而性能降低时，其对应的 R 随之增大，相应的 β 也将随之改变，从而降低该传感器的数据对整体滤波结果的噪声污染。本文的滤波方式结合了激光雷达传感器与毫米波雷达传感器各自的性能特点，实现了一种更加稳定的环境适应能力更强的前车运动状态测量的方法。

　　联合自适应卡尔曼滤波的缩微车目标检测系统模型：

URG 和 ESR 的噪声强度

噪声协方差矩阵

URG 的滤波结果和误差分析

ESR 的滤波结果和误差分析

目 录

　　第 1 章 绪论
　　　　1.1 研究背景及意义
　　　　1.2 本文的主要工作
　　　　1.3 本文的组织结构
　　第 2 章 相关工作
　　　　2.1 国内外研究现状
　　　　　　2.1.1 智能交通系统
　　　　　　2.1.2 卡尔曼滤波器
　　　　2.2 亟需解决的问题
　　　　2.3 本文的优势
　　　　2.4 本章小结
　　第 3 章 缩微车目标检测系统设计
　　　　3.1 系统架构
　　　　3.2 客户端数据采集系统
　　　　　　3.2.1 视频模块与行人识别算法
　　　　　　3.2.2 激光雷达模块与目标信息提取算法
　　　　　　3.2.3 车辆内部信息模块
　　　　　　3.2.4 通信协议
　　　　3.3 服务器数据处理系统
　　　　　　3.3.1 时间统一与数据纠正
　　　　　　3.3.2 激光雷达数据与摄像头数据融合
　　　　　　3.3.3 车辆定位
　　　　3.4 仿真实验
　　　　3.5 本章小结
　　第 4 章 联合自适应卡尔曼滤波模型分析
　　　　4.1 联合自适应卡尔曼滤波模型
　　　　4.2 局部卡尔曼滤波器
　　　　4.3 全局卡尔曼滤波器
　　　　4.4 时间一致性与空间一致性
　　　　　　4.4.1 时间一致性
　　　　　　4.4.1 空间一致性
　　　　4.5 仿真实验
　　　　　　4.5.1 可行性验证
　　　　　　4.5.2 实验分析
　　　　4.6 本章小结
　　第 5 章 总结与展望
　　　　5.1 全文总结
　　　　5.2 未来工作
　　参考文献
　　作者简介及在学期间所取得的科研成果
　　致 谢

（如您需要查看本篇毕业设计全文，请您联系客服索取）