
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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。
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。