基于GM-PHD滤波器的V2V协同感知（ 多目标跟踪）

论文标题：A Collaborative Sensor Fusion Algorithm for Multi-Object Tracking Using a Gaussian Mixture Probability Hypothesis Density Filter
发表期刊/会议：2015 IEEE 18th International Conference on Intelligent Transportation Systems

问题：后期融合策略通过分享经过处理/过滤的估计结果（如目标边界框/轨迹），可以避免数据量和通信信道的限制，但仍然存在时间和空间对齐问题：
1.时间对齐：由于无线通信链路的可变延迟，通过通信传输收到的变量可能不能代表物体在收到时的真实状态。如果传递的是原始测量数据而不是轨迹，这通信延迟问题更严重。
2.空间对齐：发送车辆和接收车辆的局部坐标系存在差异；另外，发送车辆和接收车辆位置的不确定性使空间对齐更具挑战。

1 协同GM-PHD滤波器

为了解决协同多目标跟踪的问题，提出了一个协同GM-PHD（Gaussian Mixture Probability Hypothesis Density）滤波器（C-GM-PHD），主要利用一个融合模块来扩展GM-PHD滤波器，能够将来自其他车辆的GM-PHD滤波器的PHD强度与自车的PHD强度相融合，以此扩展Ego车FOV进而提高估计的可信度。

C-GM-PHD滤波器的流程方框图：

假设在第$k-1$个时间步的后验强度是一个由$J_{k-1}$个权重为$w_{k-1}$，均值为$m_{k-1}$，协方差为$P_{k-1}$的分量组成的高斯混合物：

那么，C-GM-PHD滤波器计算后验强度$v_k$(x)的步骤如下：
1） 预测
在第k个时间步的预测强度也是一个高斯混合物：


其中，${\gamma }_k$(x)是具有$J_{\gamma ,k}$个分量的 birth 强度；而$p_{S,k}(m_{k|k-1}^{(j)})$是第$j$个高斯分量在第$k$个时间步的生存概率。（为了简单起见，所提出的滤波器实现中不包括生成目标。）
然后，使用无迹卡尔曼滤波（UKF）来计算估计的GM分量的预测平均值和协方差：

其中${\chi }_{k|k-1}^{(i)}$是通过unscented transform (UT)计算得到的sigma点，${{\rm Y}}^{(i)}$是相对应的权值。$\Lambda$表示状态的维度，UKF使用的sigma点的总数为2Λ+1。
2） 更新
对于一组测量值$Z_k$，更新步骤产生了一个后验强度：

其中，
更新步骤中使用的参数是干扰水平${\kappa }_k$(z)，检测概率$p_{D,k}(m_{k|k-1}^{(i)})$取决于第$i$个高斯分量的平均值、观测模型$H_k$和观测噪声协方差$R_k$。
3） 裁剪和合并
在更新步骤之后，高斯分量的数量会随着测量次数的增加而呈二次方增长。为了限制高斯的数量，通过截断具有弱权重的高斯分量，即保留权重高于某个阈值的高斯分量，得到高斯混合的近似后验强度。然后，从保留的高斯分量中找到所有平均值在马氏距离U内的高斯分量$L=${$i\in I|(m_k^{(i)}-m_k^{(j)}{)}^T(P_k^{(i)}{)}^{-1}(m_k^{(i)}-m_k^{(j)})\le U$}，将它们合并在一起：

形成一个具有最高权重的高斯分量，用它来近似所有相互接近的高斯分量。
4） 融合
ego车辆在通过无线通信接收到其他协作车辆发送的信息（GM-PHD强度）后，再与自车的GM-PHD强度融合。

空间对齐（坐标转换）:

将强度从发送车辆的坐标系转换到以自车坐标系中。由于两辆车的位置姿态不确定，两个坐标系之间的转换并不是已知的。因此，采用近似变换

近似变换：${\mathbf{x}}_{\mathcal{C}}^W$表示从全局坐标系 $W$ 到协作车辆坐标系 $\mathcal{C}$ 的变换。协作车在自己的坐标系下跟踪一个目标$\mathcal{N}\mathcal{C}$；变换${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{C}}$表示目标的位置。跟踪到的目标的位置可以用变换${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W={\mathbf{x}}_{\mathcal{C}}^W+{\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{C}}$在全局坐标系中表示。变换${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{E}}$可以得到${\mathbf{x}}_W^{\mathcal{E}}+{\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W$，其中${\mathbf{x}}_W^{\mathcal{E}}=-{\mathbf{x}}_{\mathcal{E}}^W$。

首先，通过进行从W到协作车辆坐标系$\mathcal{C}({\mathbf{x}}_{\mathcal{C}}^W)$和从$\mathcal{C}$到目标坐标系$({\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{C}})$的变换，获得了非协作车辆$\mathcal{N}\mathcal{C}$（目标）在全局坐标系W下的坐标${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W$：

通过关于变量均值的一阶泰勒级数展开来近似${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W$，通过将${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W$应用于变量均值得到近似变换的均值，即${\hat{\mathbf{x}}}_{\mathcal{N}\mathcal{C}}^W=f({\hat{\mathbf{x}}}_{\mathcal{C}}^W,{\hat{\mathbf{x}}}_{\mathcal{N}\mathcal{C}}^{\mathcal{C}})$，该变换的协方差矩阵为：

其中，P1和P2分别为变换${\mathbf{x}}_{\mathcal{C}}^W$和${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{C}}$的协方差，J为变换的雅克比系数：

变换${\mathbf{x}}_W^{\mathcal{E}}$是通过从W到$\mathcal{E}$的反向变换$({\mathbf{x}}_{\mathcal{E}}^W)$得到的，反向变换的协方差矩阵（如P′）是由给定的变换${\mathbf{x}}_{\mathcal{E}}^W$的协方差矩阵（如矩阵P）估计的，即:

其中，R是反向变换方程的雅克比系数。最后，使用变换${\mathbf{x}}_W^{\mathcal{E}}$和${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W$得到从$\mathcal{E}$到目标的变换$({\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{E}})$及其协方差矩阵，与从变换${\mathbf{x}}_{\mathcal{C}}^W$和${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^{\mathcal{C}}$得到变换${\mathbf{x}}_{\mathcal{N}\mathcal{C}}^W$的情况类似。

一旦所有高斯的均值和协方差在ego车辆的坐标系中表示出来，它们就可以与自车本地C-GM-PHD强度融合。

鉴于后验强度是高斯混合模型，为了保留位置PDF的GM形式，使用指数高斯混合模型的近似。

GCI（Generalized Covariance Intersection）融合简化为依次对v1和v2的每一对高斯分量应用CI融合，从而得到融合强度中Jk(v1)×Jk(v2)分量的总数。
上述方法是为FOV完全重叠的传感器的融合而开发的，在一般情况下，当定义GM的领域不一样时（即不同传感器的FOV不完全重叠时），它的效果并不好。GCI只对位于多个传感器的共同FOV中的组件分配重要的权重。

融合算法：

只对相互接近的高斯分量应用CI（第5-17行），而对其余的高斯分量保持不变（第19-23行）。高斯分量的紧密性通过马氏距离和阈值UF来表示（第7行）。融合后的集合的cardinality被计算为两个初始集合的加权cardinality（第18行）。在融合之后，将相互接近的部分合并。这种方法使得能够在两个传感器的共同FOV中获得与使用GCI时相同的融合经验，同时又能跟踪仅在一个传感器FOV中的所有目标。
5) 提取
从RFS强度的GM表示中直接提取多目标状态的估计。权重大于某个阈值Te（例如，Te>0.5）的高斯分类被提取出来，代表最可能的估计值。

2 协同车辆跟踪

2.1 运动学状态和运动模型

使用一个矩形代表跟踪目标，其状态空间是运动学和形状参数变量的组合：

其中x和y是矩形中心的欧几里得坐标，ν是速度，θ表示航向角，ω是转弯率。矩形的长度和宽度分别用L和W来表示。对于状态传播，选择了恒定转弯率和速度（CTRV）运动模型，用物体的尺寸对其进行了增广，假定为常数。

2.2 测量模型

在每个时间步，激光雷达返回一组测量点（点云）。每个点在二维的极坐标中被定义（使用范围r和方位β），不确定性通过协方差矩阵R = [σr 0 0 σβ]表示。假设距离和方位的测量是相互独立的。使用目标检测算法（算法二）对点云进行预处理，以获得z = [x,y,θ]>形式的测量值，其中一个测量值对应于被认为是一个物体（x和y代表物体矩形的中心，而θ代表其方向）。PHD强度使用UKF和物体测量值z进行更新。

目标检测：

(i) 将测量点从极坐标转换为笛卡尔坐标，
(ii) 使用DBSCAN算法进行聚类，同时忽略少于两点的聚类，
(iii) 对每个聚类进行线和角拟合，
(iv) 矩形拟合和特征点提取。
一个经过处理的测量包含一个矩形的中心和方向。

矩形中心的测量直接用于更新（21）中的状态向量$\mathbf{x}$的$x$和$y$变量。矩形方向有π rad的模糊性（从静态激光雷达扫描中不能确定物体的方向，只能确定其方向）。因此，在更新状态向量的航向θx之前，需要调整方向测量θz，使方向测量和状态航向之间的差异被包裹在区间[-π/2, π/2] 内:

2.3 遮挡和FOV模型

遮挡和FOV模型的目的是为了能够跟踪暂时被遮挡或位于传感FOV边界的物体。这是通过将不可能被传感器探测到的目标的探测概率pD,k(m(i) k|k-1)设置为一个低值来实现的。如果不这样做，C-GM-PHD滤波器会迅速降低这些目标的权重并将其丢弃。

调整了Granstrom等人提出的occlusion 模型，对两个矩形角（最小和最大的轴承角）的occlusions 进行验证，并通过FOV验证来增广它。对所有其他估计在传感器和感兴趣的物体之间的物体，对遮挡进行验证。检测概率的降低与估计的权重成正比。一个被遮挡的角落会使pD最大减少0.5。高斯kernels被用来平滑从可见区到遮挡区的过渡。为了跟踪传感器视野之外的目标（通过协作），将高斯kernels沿传感器视野的边界放置。对于处于边界或FOV之外的目标，会降低pD。

3 实验

实验是在一个亚微观的高保真机器人模拟器中进行。使用模拟的雪铁龙C-ZERO汽车，它是用真实的C-ZERO的CAD模型创建的，并使用真实的汽车进行校准。每辆用于传感的汽车都配备了一个正面的Ibeo LUX激光雷达，一个GNSS设备，一个罗盘和一个无线通信设备。分辨率、精度、范围和其他传感器的特性都是使用传感器的数据表进行校准的。数据集包含了在20次独特的模拟运行中收集的数据。在每次运行中，车辆按照预先确定的轨迹运行一个开环控制器。执行器和传感器（如激光雷达）的噪声有助于生成传感数据的随机性。

4 总结

提出了一种对多辆汽车进行协作跟踪的方法，该方法将高斯混合概率假设密度滤波器（GM-PHD）与协作融合算法进行扩展。以先检测后跟踪的方式进行预处理，并使用矩形形状模型对汽车进行跟踪。为了扩大单个车辆的视场，提高多辆车可观察到的目标区域的估计置信度，在车辆之间交换PHD强度，并使用一个基于广义协方差交叉融合的算法在协同GM-PHD滤波器中进行融合。

1. 提出了一种基于GM-PHD滤波器和考虑到车辆形状的车辆检测模型的车辆跟踪方法。当使用PHD滤波器进行目标跟踪时，轨迹传输被简化为PHD强度传输。
2. 提出了一种GM-PHD密度协同融合方法，其中车辆的视场不需要重叠，可以通过使用通信将单个车辆的FOV扩展到其传感器的极限之外，并在一个目标被多个车辆观察的情况下降低估计的不确定性。