本文關(guān)鍵詞： 目標(biāo)檢測(cè) 運(yùn)動(dòng)狀態(tài)估計(jì) 多傳感器 縮微車(chē) 行人識(shí)別 聯(lián)合自適應(yīng)卡爾曼濾波　出處：《吉林大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：車(chē)輛的目標(biāo)檢測(cè)主要是通過(guò)車(chē)載傳感器對(duì)局部環(huán)境感知來(lái)實(shí)現(xiàn),其中最重要的部分是估計(jì)車(chē)輛前方目標(biāo)的運(yùn)動(dòng)狀況。車(chē)輛行駛過(guò)程中對(duì)前方目標(biāo)運(yùn)動(dòng)狀態(tài)的估計(jì)是智能車(chē)輔助駕駛系統(tǒng)中的重要研究課題,其主要包括實(shí)時(shí)測(cè)量搭載傳感器的實(shí)驗(yàn)車(chē)與前方目標(biāo)的相對(duì)橫縱向速度、相對(duì)橫縱向加速度和相對(duì)位置等狀態(tài)變量。傳統(tǒng)的單傳感器目標(biāo)檢測(cè)只能根據(jù)傳感器的特性獲取某一方面的數(shù)據(jù),而多傳感器可以為縮微車(chē)提供更加完整的數(shù)據(jù)信息。因此可以將自適應(yīng)卡爾曼濾波模型和聯(lián)合卡爾曼濾波模型做出融合,達(dá)到了避免單傳感器信息采集盲區(qū)的問(wèn)題并且提高了濾波器系統(tǒng)穩(wěn)定性的目的,最終達(dá)到提高多數(shù)據(jù)源信息融合的質(zhì)量目的,為進(jìn)一步的判斷和決策提供了良好的基礎(chǔ)。另一方面采用縮微車(chē)技術(shù)可以降低實(shí)驗(yàn)成本、降低實(shí)驗(yàn)風(fēng)險(xiǎn)、提高系統(tǒng)維護(hù)性并且提供了模擬大規(guī)模車(chē)輛的功能,這些特點(diǎn)使得縮微車(chē)成為了智能交通實(shí)驗(yàn)的良好載體。本文以場(chǎng)景中的縮微車(chē)為基礎(chǔ),即每個(gè)車(chē)輛都可以獲得一定范圍內(nèi)的其他車(chē)輛和障礙物的狀態(tài)信息,通過(guò)以下兩個(gè)方面對(duì)該系統(tǒng)進(jìn)行設(shè)計(jì)與實(shí)現(xiàn):(1)實(shí)現(xiàn)對(duì)縮微車(chē)前方目標(biāo)檢測(cè):縮微車(chē)在行駛過(guò)程中通過(guò)攝像頭、雷達(dá)和車(chē)載光電編碼器不斷采集車(chē)輛前方的局部交通情況,然后通過(guò)mini2440處理器對(duì)來(lái)自不同傳感器的信息進(jìn)行集中處理。在mini2440中將進(jìn)行如下算法:采用基于HOG+SVM行人識(shí)別提取圖像數(shù)據(jù)的行人目標(biāo)、采用區(qū)域分割法提取雷達(dá)數(shù)據(jù)的目標(biāo)運(yùn)動(dòng)信息以及通過(guò)光電編碼器獲取車(chē)輛自身車(chē)速。最后經(jīng)過(guò)處理的信息將發(fā)送到服務(wù)器端并進(jìn)行數(shù)據(jù)融合完成局部交通環(huán)境的顯示。(2)實(shí)現(xiàn)多傳感器數(shù)據(jù)融合:基于新息自適應(yīng)卡爾曼濾波,提出了一種多傳感器聯(lián)合濾波的方法來(lái)提高估計(jì)前方行駛車(chē)輛的運(yùn)動(dòng)狀態(tài)的精度。該濾波方式以激光雷達(dá)和毫米波雷達(dá)作為局部濾波器,通過(guò)自適應(yīng)過(guò)程實(shí)時(shí)調(diào)整局部濾波器的測(cè)量噪聲協(xié)方差和系統(tǒng)噪聲協(xié)方差,并利用測(cè)量噪聲協(xié)方差計(jì)算出聯(lián)合濾波中各局部濾波器的信息分配因子,最后根據(jù)信息分配因子來(lái)完成最優(yōu)信息融合并將全局濾波結(jié)果反饋到各局部濾波器。聯(lián)合卡爾曼濾波可以結(jié)合多種傳感器的測(cè)量?jī)?yōu)勢(shì),使每次得到的濾波結(jié)果是各個(gè)局部濾波器中最優(yōu)的,并且利用反饋機(jī)制提高了測(cè)量精度。根據(jù)實(shí)驗(yàn)結(jié)果可知,本文提出的縮微車(chē)目標(biāo)檢測(cè)系統(tǒng)的功能正確完善,可以達(dá)到實(shí)時(shí)監(jiān)控局部交通環(huán)境的目的。同時(shí)聯(lián)合自適應(yīng)卡爾曼濾波方式有良好的環(huán)境適應(yīng)能力和系統(tǒng)容錯(cuò)率,當(dāng)一個(gè)傳感器的濾波性能出現(xiàn)異常時(shí),該系統(tǒng)的濾波結(jié)果并未產(chǎn)生異常。在整個(gè)實(shí)驗(yàn)過(guò)程中,該方法相較于標(biāo)準(zhǔn)卡爾曼濾波和單傳感器的新息自適應(yīng)濾波具有最高的測(cè)量精度。
[Abstract]:The target detection of vehicle is mainly realized by the local environment perception of the vehicle sensor. The most important part is to estimate the moving state of the vehicle in front of the vehicle. The estimation of the moving state of the forward target is an important research topic in the intelligent vehicle assisted driving system. It mainly includes the real-time measurement of the relative transverse and longitudinal velocities between the experimental vehicle and the target in front of the sensor. The traditional single sensor target detection can only obtain some data according to the characteristics of the sensor. The multi-sensor can provide more complete data information for the minibus, so the adaptive Kalman filter model and the United Kalman filter model can be fused. It can avoid the problem of single sensor information acquisition blind area and improve the stability of filter system. Finally, it can improve the quality of multi-data source information fusion. On the other hand, it can reduce the cost of experiment, reduce the risk of experiment, improve system maintainability and provide the function of simulating large-scale vehicle. These characteristics make the minibus a good carrier of intelligent traffic experiment. This paper is based on the scene of the minivan, that is, each vehicle can obtain a certain range of other vehicles and obstacles of the state information. Through the following two aspects of the design and implementation of the system: 1) to achieve the microcar forward target detection: the minibus in the process of driving through the camera. Radar and on-board photoelectric encoder continuously collect the local traffic information in front of the vehicle. Then the information from different sensors is processed centrally through the mini2440 processor. In mini2440, the following algorithm will be used: adopt HOG based on. The pedestrian target extracted from the image data is identified by SVM pedestrian recognition. The region segmentation method is used to extract the target motion information from radar data and the vehicle speed is obtained by photoelectric encoder. Finally, the processed information will be sent to the server and fused to complete the local traffic environment. Display of. 2) realize multi-sensor data fusion: adaptive Kalman filter based on innovation. A multi-sensor combined filtering method is proposed to improve the accuracy of estimating the moving state of the moving vehicle in front of the vehicle. The filtering method uses laser radar and millimeter wave radar as local filters. The measurement noise covariance and the system noise covariance of the local filter are adjusted in real time by the adaptive process, and the information allocation factor of each local filter in the joint filter is calculated by using the measurement noise covariance. Finally, according to the information allocation factor, the optimal information fusion is completed and the global filtering results are fed back to the local filters. The United Kalman filter can combine the measurement advantages of various sensors. The filter results obtained each time are the best in each local filter, and the measurement accuracy is improved by the feedback mechanism. According to the experimental results, the function of the microbus target detection system proposed in this paper is correct and perfect. At the same time, the combined adaptive Kalman filter has good environmental adaptability and system fault tolerance, when the filtering performance of a sensor is abnormal. In the whole experiment, this method has the highest measurement accuracy compared with the standard Kalman filter and the single sensor innovation adaptive filter.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U463.6;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于允平;智能車(chē)輛和高速公路方興未艾[J];世界產(chǎn)品與技術(shù);1996年02期

2 郭烈,王榮本,顧柏園,余天洪;世界智能車(chē)輛行人檢測(cè)技術(shù)綜述[J];公路交通科技;2005年11期

3 李旭;張為公;;智能車(chē)輛導(dǎo)航技術(shù)的研究進(jìn)展[J];機(jī)器人技術(shù)與應(yīng)用;2007年04期

4 程釗;萬(wàn)齊齊;唐旋來(lái);劉廣林;彭剛;黃心漢;王永驥;;智能車(chē)道路識(shí)別及控制研究[J];伺服控制;2007年06期

5 羅曉玲;;基于視覺(jué)的智能車(chē)導(dǎo)航技術(shù)[J];信息與電腦(理論版);2011年10期

6 熊升華;趙海良;;基于矩形安全鄰域的智能車(chē)移動(dòng)仿真研究[J];計(jì)算機(jī)應(yīng)用研究;2013年12期

7 潘明;汪鐳;康琦;吳啟迪;;基于電磁信號(hào)導(dǎo)航的智能車(chē)系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[J];中國(guó)科技論文;2014年04期

8 于少偉;;智能車(chē)輛自動(dòng)超車(chē)控制仿真研究[J];系統(tǒng)仿真學(xué)報(bào);2009年08期

9 孫輝;張參參;史久根;;競(jìng)賽用智能車(chē)的設(shè)計(jì)[J];安徽工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年03期

10 李宗;項(xiàng)羽升;蒲榮軍;張笑楠;;電磁智能車(chē)的設(shè)計(jì)與調(diào)試[J];硅谷;2012年13期

相關(guān)會(huì)議論文 前6條

1 張祖鋒;徐友春;張鵬;朱增輝;;縮微智能車(chē)的環(huán)境感知與控制決策算法研究[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

2 汪鐵民;;智能車(chē)輛的若干問(wèn)題[A];四川省第九屆（2009年）汽車(chē)學(xué)術(shù)交流年會(huì)論文集[C];2009年

3 黃鴻;呂曉華;任雪梅;;基于SPCE061A的智能車(chē)模語(yǔ)音控制系統(tǒng)[A];國(guó)產(chǎn)科學(xué)儀器應(yīng)用、創(chuàng)新和產(chǎn)業(yè)化學(xué)術(shù)研討會(huì)論文集（二）[C];2007年

4 張國(guó)伍;錢(qián)大琳;;中國(guó)智能交通發(fā)展戰(zhàn)略構(gòu)想[A];西部開(kāi)發(fā)與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第12屆年會(huì)論文集[C];2002年

5 王立琦;杜茂;;基于激光掃描儀的智能車(chē)前方障礙物檢測(cè)[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

6 孫懷江;;ALVINN及其擴(kuò)展[A];全面建設(shè)小康社會(huì)：中國(guó)科技工作者的歷史責(zé)任——中國(guó)科協(xié)2003年學(xué)術(shù)年會(huì)論文集（上）[C];2003年

相關(guān)重要報(bào)紙文章 前4條

1 記者 劉莉;“中國(guó)智能車(chē)未來(lái)挑戰(zhàn)賽”西安開(kāi)戰(zhàn)[N];科技日?qǐng)?bào);2010年

2 陳海霞　顏士秀 小莉;常州“智能車(chē)”全國(guó)奪冠[N];常州日?qǐng)?bào);2010年

3 記者張兆軍;兩種智能車(chē) 無(wú)人可駕駛[N];科技日?qǐng)?bào);2003年

4 記者 孫春艷;“科博會(huì)”在京開(kāi)幕[N];吉林日?qǐng)?bào);2003年

相關(guān)博士學(xué)位論文 前10條

1 蘭艷亭;基于免疫機(jī)制的智能車(chē)轉(zhuǎn)向控制系統(tǒng)研究[D];中北大學(xué);2017年

2 錢(qián)臻;基于組合定位技術(shù)的多智能車(chē)輛合作編隊(duì)仿真技術(shù)研究[D];東北林業(yè)大學(xué);2012年

3 汪明磊;智能車(chē)輛自主導(dǎo)航中避障路徑規(guī)劃與跟蹤控制研究[D];合肥工業(yè)大學(xué);2013年

4 劉華軍;面向智能車(chē)輛的道路環(huán)境理解技術(shù)研究[D];南京理工大學(xué);2007年

5 李進(jìn);視覺(jué)導(dǎo)航智能車(chē)輛的路徑識(shí)別和跟蹤控制[D];合肥工業(yè)大學(xué);2008年

6 沈志熙;基于視覺(jué)導(dǎo)航的智能車(chē)輛在城區(qū)復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)技術(shù)研究[D];重慶大學(xué);2008年

7 王鋒輝;面向區(qū)域智能運(yùn)輸?shù)亩嘀悄苘?chē)輛協(xié)作研究[D];上海交通大學(xué);2009年

8 焦俊;基于多Agent系統(tǒng)的智能車(chē)輛自主行駛控制研究[D];合肥工業(yè)大學(xué);2010年

9 郭景華;視覺(jué)導(dǎo)航式智能車(chē)輛橫向與縱向控制研究[D];大連理工大學(xué);2012年

10 李貽斌;ITS智能車(chē)輛關(guān)鍵技術(shù)研究[D];天津大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 馬育林;智能車(chē)自主駕駛控制系統(tǒng)研制與試驗(yàn)[D];武漢理工大學(xué);2010年

2 邱迎;道路自動(dòng)識(shí)別與控制的智能車(chē)系統(tǒng)的研究[D];重慶大學(xué);2010年

3 郭達(dá);智能車(chē)避障路徑動(dòng)態(tài)規(guī)劃和車(chē)體控制研究[D];長(zhǎng)安大學(xué);2015年

4 崔佳超;無(wú)人駕駛智能車(chē)在動(dòng)態(tài)環(huán)境中的避障方法[D];西安工業(yè)大學(xué);2015年

5 楊成;無(wú)人駕駛智能車(chē)障礙檢測(cè)方法研究[D];西安工業(yè)大學(xué);2015年

6 劉健全;基于高速移動(dòng)網(wǎng)絡(luò)的智能車(chē)視頻駕駛系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];浙江大學(xué);2015年

7 劉遠(yuǎn)源;校園環(huán)境下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的研究與實(shí)現(xiàn)[D];浙江大學(xué);2015年

8 逄偉;低速環(huán)境下的智能車(chē)無(wú)人駕駛技術(shù)研究[D];浙江大學(xué);2015年

9 孫濤;基于MC9S12DG128的智能車(chē)控制系統(tǒng)研究[D];南昌大學(xué);2015年

10 王廣瑋;智能車(chē)輛橫向運(yùn)動(dòng)控制系統(tǒng)設(shè)計(jì)與實(shí)驗(yàn)研究[D];貴州大學(xué);2015年

，

本文編號(hào)：1478775