第45卷第1期2024年1月仪器仪表学报ChineseJournalofScientificInstrumentVol.45No.1Jan.2024DOI:10.19650/j.cnki.cjsi.J2311672收稿日期:2023-07-15ReceivedDate:2023-07-15∗基金项目:国家重点研发计划(2022YFE0101000)、重庆市教委科学技术研究项目(KJQN202200630,KJQN202100620)资助复杂交通流下基于卡尔曼滤波的多目标全生命周期状态估计∗刘明杰,陈俊虎,刘平,陈俊生,朴昌浩(重庆邮电大学自动化学院重庆400065)摘要:针对复杂行车环境下噪声干扰和车辆行车过程中状态变化导致交通场景中目标状态估计精度低的问题,以毫米波雷达为检测传感器,提出涵盖参数初始化和在线更新的基于卡尔曼滤波的多目标全生命周期状态估计方法。首先,建立交通流下多目标运动状态的卡尔曼滤波状态估计模型;基于此,一方面提出基于数据驱动的卡尔曼滤波观测噪声协方差矩阵初始化的新方法,另一方面采用变分贝叶斯方法对卡尔曼滤波参数进行在线更新,以此提高多目标状态估计精度;最后,在算法实现步骤的基础上,利用实车数据开展测试验证工作。实验结果表明,方法的目标状态估计均方误差为0.153,相较于传统卡尔曼滤波减小了36.2%,证明所提出方法对提升车辆感知精度的有效性。关键词:多目标状态估计;卡尔曼滤波;参数初始化;参数在线更新中图分类号:TH741TP273文献标识码:A国家标准学科分类代码:580.99Kalmanfilter-basedmulti-objectfulllifecyclestateestimationincomplextrafficflowscenarioLiuMingjie,ChenJunhu,LiuPing,ChenJunsheng,PiaoChanghao(SchoolofAutomation,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China)Abstract:Objectstateestimationalwayssufferslowaccuracyincomplextrafficflowscenarioduetonoiseinterferenceandvehicledrivingstatechanging.Tosolvetheseproblems,aKalmanfilter-basedmulti-objectfulllifecyclestateestimationmethodisproposedformillimeter-waveradar,whichincludesbothparameterinitializationandonlineupdating.Firstly,theKalmanfiltering-basedmodelisdesignedformulti-objectfulllifecyclestateestimationincomplextrafficflowscenario.Then,adata-drivenapproachisinnovativelyproposedfortheobservationnoisecovariancematrixinitializationinKalmanfilter.Furtherly,avariationalBayesianmethodisappliedtoupdatetheKalmanfilterparametersonlineforfurtherenhancingtheaccuracyofmulti-objectfullli...
