雷达实测数据传统多目标跟踪Kalman滤波

雷达实测数据卡尔曼滤波(KF)的调参，主要包括一下几个内容：

1.过程噪声矩阵Q，观测噪声矩阵R；

2.初始圆形大波门尺寸Γ，稳定跟踪过程中的椭圆波门γ；

3.目标初始（超大）协方差P₀；

 

 

此外，跟踪效果还与凝聚算法，滤波器算法，数据关联方法，航迹起始算法，运动模型……密切相关；

凝聚算法：这里使用凝聚层次分析；

滤波器：传统KF滤波器；

数据关联：最近邻关联；

航迹起始算法：n/m逻辑法（当然也可使用Hough变换）；

运动模型：匀速直线运动模型；

 

注意：精确的采样时间T在这里对于算法的理解非常重要。

调参的难度主要在于，在交通场景车辆是扩展目标，因此点云可能是来自于车身，车头，车位，车侧……任何其中的1个或多个部位的量测。为了避免高度复杂的数据关联，因此必须执行凝聚算法。

这里，由于目标量测的部位不同，如果雷达的扫描频率很高，凝聚之后的点目标可能是一个高度机动的目标，因此CV模型不能很好地跟踪，最好使用多模。

 

调参方法：

1.根据凝聚后的点目标简单做一个跟踪，指导点量测跳变的最大范围（也可根据目标自身的长宽高估计凝聚点误差范围）；

2.根据跟踪的目标外推目标的状态序列，查看目标的速度跳变范围；

3.根据凝聚点误差/速度跳变范围，反推加速度，加速度是过程噪声协方差矩阵Q的系数的重要依据；

　　a.类比粒子滤波器，过程噪声应该保证在预测步的椭圆波门能够覆盖下一帧的量测；（也应该用3σ原则判定凝聚点误差是否会跳出带随机游走Q预测步的椭圆范围）

　　b.打开Q矩阵看看对角线元素大小是否合适；

　　c.过程噪声Q矩阵主要依赖于算机动目标加速度（速度变化率：a=Δv/T，如果扫描频率很高，那么加速度a可能更大）；

4.根据凝聚点跳变范围（或目标车身的长宽高），使用±3σ原则设计观测器协方差矩阵R；（这个不用做太大改变，如果想瘦脸效果好，反而可以把R适当改小）

5.初始协方差P₀和初始圆形大波门γ协调更改，根据波门门限Γ，新息v，新息协方差S，需要进行比较记为<=>，定义为：γ<=>v'*S*v；

6.初始协方差应该设置的尽量大，初始波门可以适当改小，用于包容更多的航迹起始，而跟踪波门则交给椭圆波门，可以根据跟跟踪波门大小γ/两侧空间维度n_z的概率关系查表获得（n_z=2，通常可以将γ设置为：1,4,16）

7.核心还是要多跑程序，多终止，然后看目标状态序列和量测序列，查它们之间的关系，用于修改Q,R,P₀,Γ,γ；

8.根据稳定被检/被跟踪目标的协方差序列，更改初始协方差P₀,Q,R；

 

感谢 https://www.cnblogs.com/sunny99/ sumoier对本文的帮助！