孫柱 趙強(qiáng) 張娜 朱寶全 王娜

摘 要：針對(duì)智能車輛在公路行駛過程中對(duì)其他運(yùn)動(dòng)車輛的實(shí)時(shí)跟蹤問題，提出基于離散二進(jìn)制粒子群算法的多目標(biāo)物體跟蹤方法。本文通過基于雷達(dá)數(shù)據(jù)建立跟蹤目標(biāo)的狀態(tài)方程和測(cè)量方程，將雷達(dá)多個(gè)掃描周期的測(cè)量數(shù)據(jù)進(jìn)行關(guān)聯(lián)，形成含有可能軌道的多種假設(shè)，利用似然率對(duì)軌道進(jìn)行評(píng)分，形成混合整數(shù)線性規(guī)劃問題，并采用離散二進(jìn)制粒子群算法進(jìn)行求解。解決各個(gè)時(shí)刻測(cè)量值和目標(biāo)的關(guān)聯(lián)問題，實(shí)現(xiàn)對(duì)跟蹤目標(biāo)的軌道判別。最后通過在MATLAB中進(jìn)行仿真，驗(yàn)證了算法的有效性。

關(guān)鍵詞：智能車輛;多目標(biāo)跟蹤;多假設(shè)跟蹤;卡爾曼濾波;粒子群算法

Abstract：Aiming at the problem of simultaneous tracking of other vehicles in the process of intelligent vehicles driving on the road， a multi-object tracking method based on binary particle swarm optimization is proposed. In this paper， the state equation and measurement equation of tracking target are established based on radar data， the measurement data of multiple scanning periods of radar are correlated to form a variety of assumptions with possible orbit， and the orbit is scored by likelihood ratio to form a mixed integer linear programming problem， which is solved by discrete binary particle swarm optimization algorithm. The problem of correlation between the measured value and the target at each time is solved， and the track discrimination of the tracking target is realized. Finally， through the simulation in MATLAB， the data results verify the effectiveness of the algorithm.

Keywords：Intelligent vehicle; multi-objective tracking; multi-hypothesis tracking; Kalman filtering; particle swarm optimization

0 引言

智能汽車在自動(dòng)駕駛時(shí)必須要具有的環(huán)境感知功能是智能車輛跟馳、超車及二次路徑規(guī)劃的前提。通過雷達(dá)在一定時(shí)間間隔內(nèi)掃描的數(shù)據(jù)判別出每個(gè)移動(dòng)車輛屬于多目標(biāo)跟蹤問題。多假設(shè)跟蹤是多目標(biāo)跟蹤領(lǐng)域中解決目標(biāo)與數(shù)據(jù)關(guān)聯(lián)問題比較有效的算法。尹文進(jìn)等[1]將MHT算法用于水下航行器對(duì)多個(gè)探測(cè)目標(biāo)點(diǎn)的航跡實(shí)現(xiàn)了有效分離。楊飛等[2]利用多假設(shè)跟蹤對(duì)三維激光雷達(dá)數(shù)據(jù)進(jìn)行關(guān)聯(lián)，并解決了漏檢及虛警的問題。邵潔[3]采用卡爾曼濾波算法實(shí)現(xiàn)跟蹤軌跡假設(shè)，并用LAP算法來實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。屠亞蘭[4]提出的改進(jìn)結(jié)構(gòu)化分支多假設(shè)跟蹤算法，在航跡置信度函數(shù)中引入了目標(biāo)徑向速度信息。

Symbol`@@

孫進(jìn)平等[5]提出一種基于超圖匹配的多假設(shè)群目標(biāo)跟蹤方法，通過延遲決策、超圖匹配等來實(shí)現(xiàn)群分離和融合判斷以及群內(nèi)個(gè)體的目標(biāo)數(shù)據(jù)關(guān)聯(lián)。費(fèi)自剛等[6]結(jié)合似然函數(shù)和多假設(shè)跟蹤算法，在主動(dòng)聲吶檢測(cè)中實(shí)現(xiàn)了主動(dòng)目標(biāo)斷續(xù)跟蹤問題。武文斌等[7]使用Lucas Kanada跟蹤方法來對(duì)圖像中標(biāo)定的特征點(diǎn)進(jìn)行跟蹤，并對(duì)所跟蹤誤差通過子圖像匹配法進(jìn)行矯正消除。本文以公路上運(yùn)行的智能車輛自動(dòng)駕駛工況為應(yīng)用場(chǎng)景，研究采用多假設(shè)跟蹤算法進(jìn)行移動(dòng)多目標(biāo)車輛的跟蹤?？紤]到多假設(shè)跟蹤算法對(duì)假設(shè)路徑的剪裁歸結(jié)為一個(gè)離散約束優(yōu)化問題，本文采用離散二進(jìn)制粒子群算法進(jìn)行求解，最后通過MATLAB進(jìn)行數(shù)值仿真來驗(yàn)證本文算法的有效性。

1 目標(biāo)跟蹤問題描述

在智能車輛行駛過程中，取車輛的位置x、y，車輛的速度vx、vy，車輛的橫擺角θ和橫擺角速度ω為系統(tǒng)狀態(tài)，寫成狀態(tài)向量形式為：X=[x，y，vx，vy，θ，ω]T，被其跟蹤的車輛運(yùn)動(dòng)方程為[8]：

2 基于多假設(shè)的多車輛跟蹤

3 數(shù)值仿真

本文模擬公路行駛的智能車輛在單向道路中，通過車載雷達(dá)進(jìn)行6次掃描，前2次與后4次共探測(cè)到7個(gè)移動(dòng)目標(biāo)，設(shè)定智能車掃描到的周圍移動(dòng)障礙物即視為移動(dòng)車輛。利用本文算法將測(cè)量值分配到對(duì)應(yīng)軌道，通過剪枝、評(píng)分，使系統(tǒng)能夠自主和可靠地追蹤4輛汽車。采用MATLAB編寫m文件并運(yùn)行，所有跟蹤假設(shè)軌道見表1。通過進(jìn)行軌道剪枝、評(píng)分得出5條待選軌道，見表2。并選取評(píng)分最高的前3條軌道，表3中為在仿真結(jié)束時(shí)預(yù)測(cè)顯示的3條軌道，與實(shí)驗(yàn)對(duì)比正是所期望的結(jié)果。

將MATLAB運(yùn)行仿真的多目標(biāo)跟蹤軌道樹圖顯示全部假設(shè)的軌道樹結(jié)果，并對(duì)各軌道樹進(jìn)行評(píng)分，以柱狀圖的形式表現(xiàn)出來。如圖3所示。對(duì)軌道樹進(jìn)行剪枝、評(píng)分后其具體形式如圖4所示。圖5則是經(jīng)過軌跡剪枝、濾波、預(yù)測(cè)，并最終輸出的多目標(biāo)跟蹤軌跡圖，其中車輛1為智能車，車輛2—車輛4為前后兩時(shí)刻跟蹤的3輛目標(biāo)車輛。

4 結(jié)論

本文針對(duì)智能車輛在公路運(yùn)行工況下提出基于二進(jìn)制粒子群算法的多目標(biāo)物體跟蹤，通過卡爾曼濾波算法對(duì)多目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行準(zhǔn)確的預(yù)測(cè)估計(jì)，采用的多假設(shè)跟蹤算法對(duì)雷達(dá)數(shù)據(jù)進(jìn)行關(guān)聯(lián)，從而得到軌道樹評(píng)分，其前3名軌道號(hào)分別為2號(hào)、26號(hào)、89號(hào)，且對(duì)應(yīng)的剪枝評(píng)分分別為：83.729 1、80.885 2、77.488 1，其分值滿足最低評(píng)分要求。則上述關(guān)聯(lián)的3個(gè)軌道即為跟蹤車輛的預(yù)測(cè)軌道。由此解決了各個(gè)時(shí)刻的測(cè)量值和目標(biāo)的關(guān)聯(lián)問題，實(shí)現(xiàn)了對(duì)多個(gè)車輛的有效跟蹤。

【參 考 文 獻(xiàn)】

[1] 尹文進(jìn)， 張靜遠(yuǎn)， 饒喆. MHT算法在航跡關(guān)聯(lián)中的應(yīng)用[J]. 兵工自動(dòng)化， 2016， 35（4）： 40-41.

YIN W J， ZHANG J Y， RAO Z. Application of multi hypothesis track algorithm in track association[J]. Ordnance Industry Automation， 2016， 35（4）： 40-41.

[2]楊飛， 朱株， 龔小謹(jǐn)， 等. 基于三維激光雷達(dá)的動(dòng)態(tài)障礙實(shí)時(shí)檢測(cè)與跟蹤[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）， 2012， 46（9）： 1565-1571.

YANG F， ZHU Z， GONG X J， et al. Real-time dynamic obstacle detection and tracking using 3D Lidar[J]. Journal of Zhejiang University （Engineering Science）， 2012， 46（9）： 1565-1571.

[3]邵潔. 基于MHT的多物體跟蹤算法[J]. 上海電力學(xué)院學(xué)報(bào)， 2010， 26（1）： 79-82.

SHAO J. Multiple target tracking based on MHT[J]. Journal of Shanghai University of Electric Power， 2010， 26（1）： 79-82.

[4]屠亞蘭. 一種改進(jìn)的結(jié)構(gòu)化分支多假設(shè)跟蹤算法[J]. 現(xiàn)代雷達(dá)， 2011， 33（12）： 28-32.

TU Y L. A modified structured branching multiple hypothesis tracking algorithm[J]. Modern Radar， 2011， 33（12）： 28-32.

[5]孫進(jìn)平， 付福其， 付錦斌， 等. 應(yīng)用超圖匹配的多假設(shè)群目標(biāo)跟蹤方法[J]. 信號(hào)處理， 2017， 33（11）： 1497-1504.

SUN J P， FU F Q， FU J B， et al. Multiple hypothesis group target tracking using hypergraph matching[J]. Journal of Signal Processing， 2017， 33（11）： 1497-1504.

[6]費(fèi)自剛， 任凱威. 主動(dòng)聲吶多假設(shè)跟蹤算法的一種改進(jìn)[J]. 聲學(xué)與電子工程， 2018，33（3）： 9-12.

FEI Z G， REN K W. An improvement of active sonar multi hypothesis tracking algorithm[J]. Acoustics and Electronics Engineering， 2018， 33（3）： 9-12.

[7]武文斌， 毋立芳， 王曉芳， 等. 一種點(diǎn)相關(guān)統(tǒng)計(jì)特性的目標(biāo)跟蹤方法[J]. 中國科技論文， 2012， 7（1）： 28-32.

WU W B， WU L F， WANG X F， et al. Robust object tracking approach using point correspondences[J]. China Sciencepaper， 2012， 7（1）： 28-32.

[8]邁克爾·帕拉斯?jié)煽耍?斯蒂芬妮·托馬斯著. MATLAB與機(jī)器學(xué)習(xí)[M]. 李三平， 陳建平，譯.北京： 機(jī)械工業(yè)出版社， 2018.

PALUSZEK M， THOMAS S. MATLAB machine learning[M]. Translated by LI S P， CHEN J P. Beijing： China Machine Press， 2018.

[9]黃小平 王巖. 卡爾曼濾波原理及應(yīng)用[M]. 北京：電子工業(yè)出版社，2015.

HUANG X P， WANG Y. Kalman filter principle and application[M]. Beijing： Electronic Industry Press， 2015.

[10]郭文忠 陳國龍. 離散粒子群優(yōu)化算法及其應(yīng)用[M]. 北京：清華大學(xué)出版社，2012.

GUO W Z， CHEN G L. Discrete particle swarm optimization algorithm and its application[M]. Beijing： Tsinghua University Press， 2012.