通过精确了解前车的运动状态,智能互联车辆可以实现更有效的决策和路径规划[1],[2],同时还能提升高级驾驶辅助系统(ADAS)功能的性能,如自适应巡航控制、碰撞避免和紧急干预[3],[4],[5]。然而,使用车载传感器准确估计前车的运动状态仍然是一个重大挑战。基于多传感器融合的方法可以提供高精度,但往往成本高昂且实现复杂[6]。相比之下,单传感器解决方案更具成本效益,但通常无法满足各种驾驶场景下的精度要求[7],[8]。在可用传感器中,激光雷达因其稳定和高效的性能而得到了广泛采用。它在提供高精度位置和航向角测量方面表现出色。然而,在估计速度和偏航率方面,其性能明显受限[9]。因此,仅使用激光雷达测量数据来提高前车速度和偏航率的估计精度具有重要意义。这能够以成本效益的方式实现精确的运动感知,并避免了多传感器融合架构的复杂性和高昂成本。
一些研究探索了估计前车状态的算法。例如,参考文献[10]提出了一种改进的扩展卡尔曼滤波器(EKF),该滤波器结合了主机-目标车辆动力学和道路约束来估计目标车辆的横向状态。为了解决车辆运动非线性问题,参考文献[11]采用了移动视界估计(MHE)方法来进行纵向和横向状态的联合估计。为了进一步提高估计的鲁棒性,参考文献[12]引入了一种基于前车动态模型的事件触发立方体卡尔曼滤波器(ETCKF)。该方法通过利用车辆间通信来获取前车的轮角、纵向速度和加速度,从而在数据包丢失的情景中提高精度。尽管这些基于动力学模型的方法有所不同,但它们通常依赖于无法直接测量的内在车辆参数(例如质量和轴距),并且通常需要识别或制造商数据[13]。
由于这一限制,参数独立的运动学模型为无法获得前车信息的场景提供了一种更灵活和实用的解决方案。参考文献[14]采用了一种基于单一运动学模型的观测器来跟踪车辆运动,旨在降低计算复杂性。然而,这种模型基于一些简化假设,这些假设会影响模型的精度,并降低其在高度交互和动态复杂环境中的适用性。在这方面,采用了交互式多模型(IMM)算法来解决模型不确定性并提高估计精度。它通过根据观测数据自适应选择和混合不同的模型配置来实现这一点[15]。参考文献[16]将IMM算法与立方体卡尔曼滤波器(CKF)结合,以解决目标跟踪系统中的非线性问题,展示了良好的估计性能。参考文献[17]在IMM框架内提出了二阶EKF,能够实现目标位置和速度的实时准确估计。然而,上述多模型估计方法通常假设固定和预定义的过程噪声协方差矩阵(PNCM)和测量噪声协方差矩阵(MNCM),这可能无法充分捕捉驾驶行为和前车状态估计场景中的实时变化。
一些研究在动态和不确定的驾驶条件下展示了强大的估计和控制能力。参考文献[18]提出了一种基于混合动态预测方法的预稳定性控制策略,其中开发了模型-数据融合预测方案和预稳定性准则,以评估车辆不稳定风险并实现稳定性控制器的早期干预。尽管这项工作主要关注车辆控制,但它也展示了高精度的偏航率和侧滑角估计。在参考文献[19]中,引入了一种基于多维信息融合的参数估计方法。通过整合车轮动态信息,构建了一个车轮速度可信度指数,从而可以实时准确估计车辆速度、质量和道路坡度。这些方法具有创新性,并展示了强大的实际潜力。然而,这些研究中采用的估计策略仍然依赖于固定和先验的噪声协方差矩阵,而实际车辆系统的噪声特性通常是未知且随时间变化的。
为了解决未知和缓慢变化的噪声问题,引入了具有自适应模型和滤波器参数的自适应卡尔曼滤波器(AKF)技术[20],[21],[22]。变分贝叶斯自适应卡尔曼滤波器(VBAKF)作为一种贝叶斯近似方法,非常适合估计不确定和缓慢变化的MNCM[23],[24]。参考文献[25]提出了一种改进的VBAKF,该方法采用变分贝叶斯方法实时更新一步预测误差协方差矩阵(PECM)和MNCM,从而提高了估计性能。在此基础上,参考文献[26]提出了滑动窗口变分自适应卡尔曼滤波器(SWVAKF),它可以自适应地估计PNCM和MNCM。通过有效利用历史视界数据,SWVAKF减少了对名义PNCM值的依赖,并进一步提高了估计精度。然而,这些方法仅限于单一模型,难以满足车辆运行过程中复杂现实世界场景的需求。
为此,提出了几种具有NCM自适应功能的自适应多模型估计方法。在参考文献[27]中,基于状态估计误差与创新之间的正交性开发了一种鲁棒的IMM(RIMM)滤波器。参考文献[28]引入了一种基于学生t分布的IMM方法,该方法使用变分贝叶斯推断联合估计系统状态和NCMs,提高了对异常值的鲁棒性。为了解决测量丢失问题,参考文献[29]提出了一种自适应IMM卡尔曼滤波器,该方法通过变分推断估计状态和伯努利测量丢失指标。在参考文献[30]中,为具有不准确噪声协方差和缺失测量的跳跃马尔可夫系统设计了一种基于Kullback–Leibler平均(KLA)的自适应IMM滤波器。参考文献[31]提出了一种针对广义非平稳噪声的Pearson型VII IMM滤波器(IMM-PVIIKF),通过建模重尾不确定性并通过变分贝叶斯更新来适应NCMs。尽管这些方法能够实现NCM的自适应更新,但大多数方法仅依赖于一步历史信息,未能充分利用历史视界数据。此外,它们主要在理论或简化情况下进行了验证,其在复杂现实世界交互式驾驶场景中的适用性尚未得到充分探索。
考虑到上述研究现状和挑战,本文提出了一种基于IMM的变分贝叶斯移动视界滤波器框架,用于前车状态估计。该框架基于参数独立的运动学模型,并结合了NCMs的自适应更新。主要贡献有三个方面:
(1) 提出了一种新的估计算法IMM-VBMHF,用于自适应估计目标状态。基于IMM框架,可以通过模型概率有效识别与当前系统最匹配的模型。利用移动视界内的历史数据和变分贝叶斯方法自适应更新NCMs,从而进一步减轻模型误差和传感器噪声的负面影响。此外,还提出了一种敏感性分析方法来检查IMM-VBMHF框架中的关键参数。
(2) 在IMM-VBMHF框架内,开发了一种自适应估计方案,以准确捕获前车的速度和偏航率。该方案采用了恒速(CV)和近似协调转弯(NCT)模型,从而无需前车的精确几何参数。为了减少对多个昂贵传感器的依赖,结合了基于激光雷达的位置和航向角测量进行校正,而IMM-VBMHF框架进一步减少了模型不匹配和激光雷达噪声引起的估计误差。
(3) 在FPGA平台上使用INTERACTION和nuScenes数据集对提出的前车状态估计方案进行了多种场景的验证。实验结果表明,该估计方法在典型的场景(如环岛、直线交互和合并)以及各种天气条件(包括白天和雨天)下均表现出出色的精度和强大的鲁棒性,证明了其在复杂现实世界交通环境中的可靠性和适用性。
本文的其余部分结构如下:第2节介绍了用于前车状态估计的相关模型。第3节详细介绍了所提出的IMM-VBMHF的设计过程和参数敏感性分析。第4节使用INTERACTION和nuScenes数据集进行了FPGA实验,以验证所设计估计方法的有效性。最后,第5节总结了结论。