車載雷達(dá)作為ADAS系統(tǒng)重要的傳感器,在無(wú)人駕駛汽車中扮演著關(guān)鍵角色,而目標(biāo)跟蹤作為雷達(dá)信息處理領(lǐng)域的主要技術(shù)問(wèn)題之一,是實(shí)現(xiàn)ADAS系統(tǒng)各項(xiàng)功能的基礎(chǔ)與前提。77GHz毫米波雷達(dá)與24GHz毫米波雷達(dá)相比具有更高的探測(cè)精度、更低的工作功耗,在提升了性能的同時(shí)也對(duì)77GHz毫米波雷達(dá)數(shù)據(jù)處理工作提出了更高的要求。本文以77GHz車載毫米波雷達(dá)為基礎(chǔ),對(duì)雷達(dá)目標(biāo)跟蹤技術(shù)進(jìn)行研究,研究?jī)?nèi)容包括:(1)分析基于AWR1642的77GHz毫米波雷達(dá)系統(tǒng)結(jié)構(gòu),研究車載毫米波雷達(dá)對(duì)目標(biāo)的位置、速度與角度信息的獲取方式。(2)針對(duì)77GHz毫米波雷達(dá)能夠獲取目標(biāo)點(diǎn)云數(shù)據(jù)的特點(diǎn),對(duì)77GHz毫米波雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行聚類研究,為后續(xù)目標(biāo)跟蹤做準(zhǔn)備工作。主要包括基于點(diǎn)云位置信息的K-means算法、AGNES層次聚類算法與DBSCAN密度聚類算法的研究與實(shí)驗(yàn),分析傳統(tǒng)聚類算法的缺陷,并根據(jù)傳統(tǒng)算法的不足給出一種基于多普勒頻率的77GHz車載毫米波雷達(dá)快速聚類算法,經(jīng)過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該改進(jìn)算法可提升點(diǎn)云聚類準(zhǔn)確性的同時(shí)降低因計(jì)算維度增加所帶來(lái)的時(shí)間消耗。(3)針對(duì)一般道路環(huán)境,對(duì)基于數(shù)據(jù)關(guān)聯(lián)方式的車載雷達(dá)目標(biāo)...

【文章頁(yè)數(shù)】：100 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文主要工作及章節(jié)安排
第二章 車載雷達(dá)系統(tǒng)與數(shù)據(jù)獲取
    2.1 雷達(dá)傳感器AWR1642介紹
    2.2 77GHz車載毫米波雷達(dá)數(shù)據(jù)獲取原理
        2.2.1 位置信息獲取
        2.2.2 速度信息獲取
        2.2.3 角度信息獲取
    2.3 本章小結(jié)
第三章 雷達(dá)數(shù)據(jù)聚類算法研究
    3.1 基于位置信息的目標(biāo)聚類算法
        3.1.1 聚類相似性測(cè)度
        3.1 2 K-means聚類算法
        3.1.3 AGNES層次聚類算法
        3.1.4 DBSCAN密度聚類算法
        3.1.5 基于位置信息聚類算法對(duì)比分析
    3.2 基于多普勒頻率的77GHz毫米波雷達(dá)快速聚類算法
        3.2.1 算法原理
        3.2.2 多條件算法仿真對(duì)比分析
        3.2.3 實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)
    3.3 本章小結(jié)
第四章 一般道路環(huán)境下目標(biāo)跟蹤研究
    4.1 道路目標(biāo)運(yùn)動(dòng)模型
        4.1.1 CV與CA模型
        4.1.2 一階時(shí)間相關(guān)模型
        4.1.3 “當(dāng)前”統(tǒng)計(jì)模型
        4.1.4 CT模型
    4.2 航跡起始
        4.2.1 航跡起始波門
        4.2.2 直觀法
        4.2.3 邏輯法
        4.2.4 Hough變換法
        4.2.5 修正的Hough變換法
        4.2.6 算法仿真對(duì)比分析
    4.3 目標(biāo)跟蹤濾波算法
        4.3.1 卡爾曼濾波
        4.3.2 線性卡爾曼濾波仿真
        4.3.3 擴(kuò)展卡爾曼濾波
        4.3.4 無(wú)跡卡爾曼濾波
        4.3.5 非線性擴(kuò)展卡爾曼與無(wú)跡卡爾曼濾波仿真
    4.4 數(shù)據(jù)關(guān)聯(lián)
        4.4.1 最鄰近數(shù)據(jù)關(guān)聯(lián)算法
        4.4.2 概率數(shù)據(jù)關(guān)聯(lián)算法
        4.4.3 聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法
        4.4.4 算法仿真對(duì)比分析
    4.5 本章小結(jié)
第五章 復(fù)雜道路環(huán)境下目標(biāo)跟蹤研究
    5.1 隨機(jī)集多目標(biāo)跟蹤理論
        5.1.1 隨機(jī)有限集理論
        5.1.2 基于隨機(jī)有限集的多目標(biāo)跟蹤算法
    5.2 多目標(biāo)基于PHD的隨機(jī)集跟蹤
        5.2.1 線性高斯混合概率假設(shè)密度濾波GM-PHD
        5.2.2 非線性擴(kuò)展卡爾曼-高斯混合概率假設(shè)密度濾波EK-GMPHD
        5.2.3 非線性無(wú)跡卡爾曼-高斯混合概率假設(shè)密度濾波UK-GMPHD
    5.3 算法仿真對(duì)比分析
        5.3.1 性能評(píng)估指標(biāo)
        5.3.2 線性GM-PHD仿真
        5.3.3 非線性EK-GMPHD與UK-GMPHD仿真
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3852269