![005badc4139310a9969cf69583d0f33f.png](https://i-blog.csdnimg.cn/blog_migrate/faa3656db4c171bf42291f09b6251b6b.jpeg)
毫米波雷达在目前的先进辅助驾驶(ADAS)中的应用主要体现在自适应巡航控制(Adaptive Cruise Control,ACC),预碰撞(PreCrash),泊车辅助(Parking Aid),变道辅助(Lane Change Assistant)等。 相比于其他的几种传感器,毫米波雷达在各种天气环境下具有突出的优势。
对于多目标的跟踪是毫米波雷达系统中的一个主要研究方向,不同的场景,场景中目标的出现和消失,以及目标在毫米波雷达FOV视野内被其他物体或目标遮挡的问题,都无疑是多目标跟踪中的一些问题和难点。另外的一个难点就是根据距离维和多普勒维的轮廓扩展实现目标的区分和衡量。通过实验可以发现一些有趣的现象,前方向前行驶的车辆在距离维上具有扩展的轮廓,而多普勒维上则为点状的速度轮廓。当行驶的前方出现正在横跨马路的行人,此时可以发现距离维上存在为点状的轮廓,而多普勒维度上则存在扩展的轮廓,这是由于行人在横跨马路的运动状态中,手臂和身体以及腿等部位存在不同的运动速度。这种特征的分析即为毫米波雷达的行人检测(pedestrian recognition)的基础。
目标跟踪主要是利用一些数据关联策略算法和Kalman滤波来估计运动物体的状态变化。由于数据关联策略的多样性,可以得到不同的跟踪算法。完成了数据关联的策略判断后,线性或者扩展Kalman滤波则进一步的提升目标的位置和速度状态估计。
下面给出了一个毫米波雷达数据处理的框架。
在信号处理后,此时已经得到了目标的距离
![equation?tex=r](https://i-blog.csdnimg.cn/blog_migrate/96cd0c66831377044bebc676cc938856.png)
![equation?tex=v_%7Br%7D](https://i-blog.csdnimg.cn/blog_migrate/cb5ef16fa5b1d01ab32051b8630556cb.png)