用道路地图追踪多辆汽车和汽车跟踪模型外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

用道路地图追踪多辆汽车和汽车跟踪模型

摘要:多车跟踪在许多应用中都是至关重要的，如交通监控、智能交通系统和高级驾驶辅助系统。大多数传统的多目标跟踪算法对于多车辆跟踪来说并不理想，因为它们假定目标是相互独立移动的。 然而，由于交通量和有限的车道资源，车辆必须与它们的邻居互动，从而导致高度依赖性的运动。为了解决这一局限性，本文提出了一种新型的单车道多车辆跟踪算法，该算法通过将汽车跟踪模型(CFM)整合到具有道路约束的跟踪过程中，考虑了车辆间的运动依赖性。提出了一个新的基于CFM的运动模型，描述了单车道情况下车辆的依赖性运动，并定义了汽车跟踪集群的概念。为了利用传感器测量中的所有可用信息，提议的算法通过利用叠加更新策略来更新汽车跟踪集群的状态估计。此外，可变结构的交互式多模型估计器被修改并集成到拟议的算法中，以处理可能违反CFM的机动性。仿真结果表明，拟议的多车跟踪算法比其他最先进的多车跟踪算法更有优势。

关键词:多车跟踪、车辆跟踪模型(CFM)、运动依赖性、路线图辅助跟踪、智能交通系统。

1.引言

EHICLE跟踪在许多不同的应用中都很重要，如地面监控[1]、交通监控[2]。智能交通系统(ITS)[3]和高级驾驶辅助系统(ADAS)[4]。本文提出的工作目标是在交通监控和智能交通监测等应用中通过安装在基础设施上的传感器跟踪多辆车，以支持轨迹规划[3]和交通管理。由于区别于标准的多目标跟踪(MTT)问题的特点[5]，近年来在这一领域进行了大量研究[1]-[3], [6]-[18]。

车辆跟踪的一个突出特点是，当车辆沿着道路移动时，其运动受到这些道路的各种约束。然后，道路图可以作为先验信息加以利用，在减少目标不确定性和误报的同时，显著提高跟踪性能[6]，[13]。利用粒子滤波器，道路约束可以通过丢弃非道路粒子来调整道路沿线的状态概率密度[6]-[8]。然而，由于计算成本高，大多数基于粒子滤波的方法只考虑单目标问题，特别是对间隔较近的物体，这是车辆跟踪场景中的一个常见挑战。在[9]和[10]中引入了方向过程噪声的概念，以 '软 '的方式对状态估计施加道路约束，因此产生的状态估计不保证位于道路上。为了克服这一缺陷，在[11]中，有道路约束的车辆跟踪被确定为有平等约束的状态估计，通过将道路建模为线性段的序列，就像大多数地理信息系统(GIS)那样。此外，还证明了这个问题的解决方案是卡尔曼滤波估计值在道路上的投影。另一种方法是将道路约束视为来自虚拟传感器的伪测量，与其他测量一起送入标准的无约束滤波器[12]。然而，由于使用无噪声的伪测量，这种方法可能导致数值问题。与上述方法不同的是，在地面坐标中描述车辆运动，并有额外的方法来约束它们在道路上的运动，在道路坐标中建模更方便[1], [13]-[15]，以便直接整合道路约束。在[1]中，使用车辆运动学的一维表示法在道路坐标中跟踪车辆。在[13]中，跟踪过程中考虑了几何图的误差。该方法在[14]中得到了扩展，考虑了车辆的横向运动作为道路坐标的另一个维度。在[15]中提出了二维道路模型的曲线版本。

由于交通量和有限的车道资源[5]，车辆在道路上行驶时通常会与相邻的车辆发生互动。这就导致了车辆之间高度的运动依赖性，这是车辆跟踪中的一个特殊困难。运动依赖性可以被看作是另一个先验信息，类似于路线图，以进一步提高跟踪性能。在[19]和[20]中考虑了行人运动中的运动依赖性，在[21]中提出了社会力模型(SFM)来模拟人与人之间的相互作用。

在[18]中提出了修改后的SFM来模拟车辆动力学并用于车辆跟踪。 然而，SFM是一个经验模型，其中的相互作用被建模为虚拟力，没有任何直接的物理意义，因此SFM不能用来准确描述车辆动力学。 相比之下，汽车跟随模型(CFM)，将车辆动力学描述为交通流中一辆车跟随另一辆车的过程，已经研究了近半个世纪[22]。最著名的CFM是Gazis-Herman-Rothery(GHR)模型[23]，该模型通过将跟随车辆的加速度作为其相对于领先车辆运动的函数来描述运动依赖性。 与GHR模型类似的其他模型包括线性Helly模型[24]和智能驱动模型(IDM)[25]。吉普斯模型[26]，与上述定义后续车辆加速度的模型不同，旨在定义避免碰撞的安全距离。由于Gipps模型能够描述干扰的传播，因此在许多交通模拟器中被广泛使用。其他CFM包括行动点(AP)模型、细胞自动化模型和基于模糊逻辑的模型[22]。

追踪算法比其他最先进的算法[1], [14], [18]。第六节中给出了结论意见。虽然文献中已经详细探讨了道路信息的使用，但关于从属运动的信息在车辆之间的运动依赖性还没有得到很好的解决。据我们所知，车辆之间的运动相关性仅在[17]中被用于多车辆跟踪，其中GHR模型被考虑用于评估多假设跟踪(MHT)框架内的候选跟踪概率，以及在[18]中，修改后的SFM，尽管如上所述，不准确的数据被用作目标的动态模型。

因此，本文的动机是提出一种基于路线图和运动依赖信息的多车辆跟踪算法。在所提出的跟踪算法中，将汽车跟踪簇定义为基本单元，其中存在完全的运动依赖性，并由CFM在道路坐标中进行描述。一种堆叠向量策略，通常用于相关测量和目标运动[27]，[28]，应用于每个汽车跟踪集群来更新估计。鉴于一些车辆可能不遵循他们的领先车辆加速当他们达到期望的速度，变量结构交互多个模型(VS-IMM)，一个适应性的版本固定IMM估计器[29]，[30]，主动模型集根据当前条件调整，提出的跟踪算法。本文还推导出了相应的后验Cramer-Rao下界(PCRLB)来量化所提出的跟踪算法的性能。

本文的其余部分组织如下：第二节介绍了多车跟踪问题所需的基本模型。第三节提出了基于cfm的多车跟踪算法，并结合了集成的路线图。PCRLB导见第四节。在第五节中，数值结果证明了所提出的基于cfm的多辆车辆的优点跟踪算法超过其他最先进的算法[1]，[14]，[18]。结论性意见见第六节。

2.研究背景

2.1一维道路表示法

大多数GIS工作将道路表示为线性段的序列[31]。 这种模式也被用于车辆跟踪[1], [14]。 忽略高度信息和地图不匹配，每个路段i由以下三个属性定义。

• • 1. 起始点s_i
    2. 单位方向向量d_i
    3. 段长lambda;_i

这些属性之间的关系表示为:

弧长l可以被唯一地定义，对应于道路上的每个点为:

第k段是该点所在的段，circ;lambda;k是该点到sk的距离。因此，对应于每个段的起点的弧长为:

一旦弧长被给定，一旦给出了弧长，就可以得到其在地面坐标中的对应位置:

2.2汽车跟踪模型

本文采用线性Helly模型[24]来描述通过跟随领先车辆沿单车道行驶的车辆的纵向动力学。它不仅用于简单，而且用于线性赫利模型中每个项的实际意义。在扩展卡尔曼滤波(EKF)[29]的框架下，也可以纳入本文提出的依赖跟踪算法中。Helly模型给出了以下车辆a_F的加速度公式为[24]:

式中，vF为后续车辆的速度，v和x分别为领先车辆和后续车辆之间的相对距离和速度。其中，T为驱动器的反应时间，c1、c2、c3、c、T为实验确定的参数。Helly[24]给出的值分别为C1=0.5、C2=0.125、C3=minus;0.125、c=minus;2.5和T=0.5s。罗克韦尔等人[32]、Bekey等人[33]和Aron等人[34]已经对这些参数进行了校准。请注意，本文的目的是开发一种将运动依赖信息集成到跟踪过程中的方法，而不是为了确定这些参数的最优解。因此，我们仍然使用Helly的结果，本文不考虑参数不匹配。(3)中的参数c表示驾驶行为的攻击性，它决定了两辆车在达到稳态平衡时之间的距离。比如说，具有攻击性的驾驶员可以用一个较低的绝对值来建模，这意味着他们会非常密切地跟踪领先的车辆。考虑到不同的驾驶行为，本文假设每辆车的c为正态分布，平均为c=minus;2.5。

2.3道路坐标中的车辆运动模型

假设车辆只在单车道的道路上行驶，则只需要考虑车辆的纵向运动，它可以在道路坐标[1]中进行描述。在这种情况下，车辆在tk 时刻的运动学状态可以被定义为:

其中，l(t_k)和ĺ(t_k)分别为车辆在t_k时刻的位置和速度，用第2.1节中定义的弧长表示。车辆运动有两种不同的模式，这取决于前面是否有一个领先的车辆。引入以弧长表示的有效跟车距离l_e来区分这两种情况：在有效跟车距离范围内没有其他目标时，采用自由驾驶模式，否则采用以下驾驶模式。对于自由驾驶模式下的车辆，其状态的演化可以用离散的近恒速模型[29]来描述：

其中，delta;_k=t_k-t_k-1为采样区间，v(t_k-1)为高斯白度过程噪声序列，标准差sigma;_v(delta;_k)被认为是一个噪声加速度分量来建模驾驶行为的干扰。状态转移矩阵F和噪声增益Gamma;分别为:

得出车辆在后续驾驶模式下的动力学可以是类似的描述:

其中，a(t_k-1)是由CFM确定的附加加速度项。基于(3)，我们有：

其中，Fl=[C2 C1]、Ff=[-C2-C1 C3]和xl(tk-1)表示领先车辆的状态。

我们首先将汽车跟踪对的概念定义为两个相邻的车辆，使它们之间的距离小于le。汽车跟踪集群被定义为汽车跟踪对的序列，这样相邻的对共享一个公共的车辆。例如，三辆车一起驾驶形成一个跟车集群，由共享第二辆的两个跟车对组成。由于共享车辆，同一跟车群中所有车辆的运动都是相互依赖的。因此，同一汽车跟踪集群中所有车辆的状态被堆叠并传播在一起。

假设在tk时刻一个车辆跟踪集群中存在N(t_k)车辆，设X(t_k)表示叠加这些车辆的状态xn(t_k)得到的堆叠车辆状态，n=1，hellip;hellip;，从前面到N(t_k)。请注意，跟车集群中的第一辆车处于自由驾驶模式，而其他车辆则根据跟车模式进行演变。基于(5)和(7)，X(t_k)的演化可以表示为

其中，Fs(delta;_k)和(delta;_k)分别是(5)和(7)中的F(delta;_k)和(delta;_k)的堆叠形式。也就是说

用diag(.)表示(块)对角矩阵构造运算符。此外，a(t_kminus;1)=[ a₂(t_kminus;1)hellip;a_n(t_k)(t_kminus;1)]`和v(t_kminus;1)=[v₁(t_kminus;1)....v_N(tk)(t_kminus;1)]和a_n(t_k-1)、v_n(t_kminus;1)分别代表第n辆车的附加加速项和处理噪声。与(8)相比，a(t_kminus;1)也可以写成

其中c=[0 C₂hellip;C_N(t_k)]和

然后，(9)可以进一步简化为

请注意，由于(7)等同于带有N(t_k)=1的(14)，因此不在任何汽车跟踪对中的车辆也可以被视为汽车跟踪集群

2.4测量模型

有许多不同的传感器可用于定位和跟踪。在非合作应用中，雷达和摄像机是主要的传感器，而全球定位系统(GPS)和惯性导航系统(INS)通常用于合作应用。然而，大多数这些传感器在其局部坐标中报告测量值。为了不失通用性，为了简单，我们假设传感器只提供位置数据[5]，该数据在进入跟踪系统之前已被转换为地面坐标。时刻t_k时地面坐标中的目标位置，用p(t_k)表示，可以用(1)从道路坐标转换为

图1。所提出的依赖运动多车跟踪算法的方框图。其中，i(t_k)是目标所在的线段，这是由(2)用l(t_k)替换l所决定的。重写(16)为

在

由于传感器的能力在恶劣环境中受到噪声、多路径和杂波的限制，接收到的测量结果不准确，存在目标误检测和误报[35]、[36]。因此，在时间t_k，z(t_k)接收到的目标发起的测量值被建模为

到时间t_k之前可用的累积测量值集记为

3.基于cfm的多车跟踪道路坐标

基于第二节所述的模型，提出了基于cfm的集成路线图的多车跟踪算法，方框图如图1所示

3.1基于cfm的卡尔曼滤波器

提出了基于CFM的卡尔曼滤波(CFM-KF)，在标准卡尔曼滤波[38]框架下，更新每个车的堆叠车辆状态。为了简单起见，我们使用时间步长k来表示实时t_k。由于(3)中的参数c从跟踪器的角度来看是未知的，因此需要与目标运动状态一起进行估计。因此，在时间步长k处的增广状态由(k)[x(k)c]给出，其在时间步长k处的相应估计值记为(k|k)。下面，轨道状态为(k|k)。CFM-KF的步骤如下：

3.1.1状态预测： 假设在给定Z_k的处理扫描结束时，在一个汽车跟踪集群中有N(kminus;1)活动轨

迹。根据(14)中所示的堆叠状态方程，给

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591043]，资料为PDF文档或Word文档，PDF文档可免费转换为Word