基于摄像机和毫米波雷达的目标跟踪:一种置信度信息融合方法

《IEEE/CAA Journal of Automatica Sinica》:Target Tracking by Cameras and Millimeter-Wave Radars: A Confidence Information Fusion Method

【字体: 大 中 小 】 时间:2026年01月05日 来源:IEEE/CAA Journal of Automatica Sinica 19.2

编辑推荐:

  多传感器信息融合的目标跟踪方法中,相机和毫米波雷达通过Kuhn-Munkers对齐采样时间,结合D-S证据理论的质量函数模型实现置信度融合,并基于先验定位精度设计加权最大似然估计器,实验表明该方法扩展检测范围并降低误检率。

  

摘要:

本文研究了智能驾驶系统中相机与毫米波(MMW)雷达在目标跟踪方面的置信融合问题。通过分析每种传感器的测量特性,分别实现相机和雷达的局部估计。雷达估计结果与相机采样时间对齐,并采用Kuhn-Munkers方法来建立相机与雷达估计结果之间的匹配关系,从而进行融合。接下来,为了利用相机低误报率和雷达低漏报率的优势,引入质量函数来模拟两种传感器的检测性能。基于质量函数和D-S(Dempster-Shafer)证据理论,依次进行置信融合以判断目标是否存在。然后,根据相机和雷达估计的先验定位精度,设计了一种加权最大似然融合估计器来处理匹配到的目标。最后,道路车辆跟踪实验结果表明,所提出的置信融合方法显著扩展了检测范围并减少了误报目标的数量。

引言

环境感知是确保智能驾驶系统安全性和稳定性的重要前提[1]。智能驾驶系统中常用的感知传感器包括相机[2]、毫米波雷达[3]和激光雷达[4]。为简洁起见,下文将毫米波雷达简称为“雷达”。通过多传感器信息融合,可以利用不同传感器的优势来提高感知性能[5]。相机图像通常包含丰富的信息,在多个领域有广泛的应用[6],[7],但其性能容易受到光照和天气条件的影响[8]-[11]。雷达具有较高的稳定性和较长的检测范围,受环境因素的影响较小,但无法识别目标的特征信息。一些研究探讨了相机与雷达的信息融合方法,以提高目标跟踪性能,因为这两种传感器在实际系统中同时被用于定位和成本考虑[12]。一种相机与雷达的融合方法是在数据层面进行的[13]:该方法在图像平面上关联雷达和相机的检测结果,并使用高斯混合概率假设密度算法来改进跟踪过程。另一种融合方案将雷达作为主要硬件,相机作为辅助模块[14]:通过马氏距离匹配目标序列,并在雷达模块上使用联合概率函数方法进行融合。这种融合方法可以扩展检测范围并提高目标检测率,但忽略了实际系统中不同传感器采样率不一致的问题。此外,数据层面的融合通常对传感器数据的不确定性和不稳定性较为敏感。随后,开发了一种在轨迹层面的异步相机与雷达融合方法[15]:该方法针对异步采样率设计了相机和雷达的融合估计器,分别基于相机和雷达的测量数据。接着,开发了一种在同步更新时刻进行相机与雷达矩阵加权融合的算法,以扩展检测范围并提高融合估计的准确性[16]。另一种基于卡尔曼滤波器的异步融合方法用于智能驾驶环境感知[16]:融合估计的权重是根据局部传感器感知匹配矩阵构建的。这种融合方法同样可以扩展检测范围,并且对传感器误差和噪声具有较强的鲁棒性。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号