Title:
ADAPTIVE BESCHREIBUNG VON PROZESSRAUSCHEN FÜR VERBESSERTE KALMAN-FILTER-ZIELVERFOLGUNG
Document Type and Number:
Kind Code:
A1

Abstract:

Ein System und ein Verfahren zum Ausführen einer Zielverfolgung mit einem Radarsystem, das ein Kalman-Filter verwendet, beinhalten das Vorhersagen einer vorhergesagten Zielposition eines Ziels, das von dem Radarsystem in einem Rahmen erfasst wird. Der Rahmen ist eine Zeitperiode, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und die Reflexionen von einem Bereich des Ziels zu empfangen. Das Verfahren beinhaltet auch das Ermitteln einer tatsächlichen Zielposition des durch das Radarsystem erfassten Ziels basierend auf vom Radarsystem für den Rahmen empfangenen Reflexionen und das Berechnen einer Kovarianzmatrix Q des Prozessrauschens für einen nächsten Rahmen, der dem Rahmen unmittelbar folgt, basierend auf der vorhergesagten Zielposition und der tatsächlichen Zielposition. Die Vorhersage einer Position des Ziels im nächsten Rahmen basiert auf der Kovarianzmatrix Q des Prozessrauschens. embedded image





Inventors:
Eljarat, Ishai (Herzliya Pituach, IL)
Bilik, Igal (Herzliya Pituach, IL)
Villeval, Shahar (Herzliya Pituach, IL)
Application Number:
DE102018104090A
Publication Date:
09/06/2018
Filing Date:
02/22/2018
Assignee:
GM Global Technology Operations LLC (Mich., Detroit, US)
International Classes:
G01S13/66; G01S7/35; G01S13/48
Attorney, Agent or Firm:
Manitz Finsterwald Patentanwälte PartmbB, 80336, München, DE
Claims:
Verfahren zur Durchführung einer Zielverfolgung mit einem Radarsystem, das ein Kaiman-Filter verwendet, das Verfahren umfassend:
das Vorhersagen einer vorhergesagten Zielposition eines durch das Radarsystem in einem Rahmen erfassten Ziels, worin der Rahmen eine Zeitspanne ist, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und die Reflexionen von einem Bereich des Ziels zu empfangen;
das Ermitteln einer tatsächlichen Zielposition des durch das Radarsystem erfassten Ziels basierend auf Reflexionen, die von dem Radarsystem für den Rahmen empfangen werden;
das Berechnen einer Kovarianzmatrix Q des Prozessrauschens für einen nächsten Rahmen, der dem Rahmen unmittelbar folgt, basierend auf der vorhergesagten Zielposition und der tatsächlichen Zielposition; und
das Vorhersagen einer Position des Ziels im nächsten Rahmen basierend auf der Kovarianzmatrix Q des Prozessrauschens.

Verfahren nach Anspruch 1, worin das Berechnen der Kovarianzmatrix Q des Prozessrauschens als eine gewichtete lineare Kombination von zwei Kovarianzmatrizen erfolgt.

Verfahren nach Anspruch 1, worin die Kovarianzmatrix Q des Prozessrauschens durch Folgendes gegeben ist: Q=(Δx20000Δy20000Δvx20000Δvy2),embedded imagewobei Δx, Δy, Δvx und Δvy Fehler in der x-Position, y-Position, Geschwindigkeit entlang einer x-Achse und Geschwindigkeit entlang einer y-Achse, jeweils zwischen der vorausgesagten Zielposition und der aktuellen Zielposition, sind.

Verfahren nach Anspruch 3, ferner umfassend das Ermitteln jedes von Δx, Δy, Δvx und Δvy als eine gewichtete Linearkombination eines ersten Modells, das annimmt, dass die Geschwindigkeit entlang der y-Achse null ist, und eines zweiten Modells, wobei dieses eine Geschwindigkeit entlang der x-Achse von null annimmt.

Verfahren nach Anspruch 4, ferner umfassend das Ermitteln eines Gewichts jeder Komponente der gewichteten linearen Kombination als einen vordefinierten Wert oder basierend auf einem Vergleich der Komponenten, die mit dem ersten Modell assoziiert sind, und der Komponenten, die mit dem zweiten Modell assoziiert sind.

System zum Durchführen einer Zielverfolgung mit einem Kaiman-Filter, das System umfassend:
ein Radarsystem, das dazu konfiguriert ist, ein Ziel in einem Rahmen zu erfassen, worin der Rahmen eine Zeitperiode ist, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und die Reflexionen von einem Bereich des Ziels zu empfangen; und
eine Steuerung, umfassend einen Prozessor, wobei die Steuerung dazu konfiguriert ist, eine vorhergesagte Zielposition des Ziels in dem Rahmen vorherzusagen, eine tatsächliche Position des Ziels basierend auf den von dem Radarsystem für den Rahmen empfangenen Reflexionen zu ermitteln, eine Kovarianzmatrix Q des Prozessrauschens für einen nächsten Rahmen zu berechnen, der unmittelbar auf den Rahmen folgt, basierend auf der vorhergesagten Zielposition und der tatsächlichen Zielposition, und Vorhersage einer Position des Ziels in dem nächsten Rahmen basierend auf der Kovarianzmatrix Q des Prozessrauschens.

System nach Anspruch 6, worin die Steuerung die Kovarianzmatrix Q des Prozessrauschens als eine gewichtete lineare Kombination von zwei Kovarianzmatrizen berechnet.

System nach Anspruch 6, worin die Steuerung die Kovarianzmatrix Q des Prozessrauschens als Folgendes berechnet: Q=(Δx20000Δy20000Δvx20000Δvy2),embedded imagewobei Δx, Δy, Δvx und Δvy Fehler in der x-Position, y-Position, Geschwindigkeit entlang einer x-Achse und Geschwindigkeit entlang einer y-Achse, jeweils zwischen der vorausgesagten Zielposition und der aktuellen Zielposition, sind.

System nach Anspruch 8, worin die Steuerung jede von Δx, Δy, Δvx und Δvy als eine gewichtete Linearkombination eines ersten Modells, das annimmt, dass die Geschwindigkeit entlang der Y-Achse null ist, und eines zweiten Modells, das annimmt, dass die Geschwindigkeit entlang der x-Achse null ist, ermittelt.

System nach Anspruch 9, worin die Steuerung eine Gewichtung jeder Komponente der gewichteten linearen Kombination als einen vordefinierten Wert oder basierend auf einem Vergleich der Komponenten, die mit dem ersten Modell assoziiert sind, und der Komponenten, die mit dem zweiten Modell assoziiert sind, ermittelt.

Description:
EINLEITUNG

Die vorliegende Erfindung bezieht sich auf eine Zielverfolgung.

Radarsysteme werden verwendet, um Ziele von einer Vielzahl von Plattformen zu erfassen und zu verfolgen. Exemplarische Plattformen beinhalten Fahrzeuge (z. B. Automobile, Baumaschinen, landwirtschaftliche Maschinen, automatisierte Fabriken), Flugzeuge und Schiffe. Sobald ein Ziel erfasst wurde, kann eine Reihe von Algorithmen verwendet werden, um das Ziel von einem Rahmen zum nächsten zu verfolgen. Im Fall einer sich bewegenden Plattform können sich sowohl das Ziel als auch das Radarsystem auf der Plattform bewegen. Die Algorithmen erzeugen, basierend auf ihrem kinematischen Verhalten und auf Messungen, eine Schätzung des projizierten Zustandes des Ziels in dem nächsten Radarrahmen. Ein Kalman-Filter wird im Allgemeinen für die Zielverfolgung verwendet, wobei sowohl ein Zielbewegungsmodell als auch Messungen berücksichtigt wird, um eine Aktualisierung des Zielzustands bereitzustellen. Das klassische Kalman-Filter ist auf ein lineares Modell anwendbar, aber der Raum, der bei der Schätzung der Radarrückgabeparameter berücksichtigt werden muss, ist sphärisch. Dementsprechend ist es wünschenswert, ein Zielverfolgungsmodell bereitzustellen, das Ziele berücksichtigt, die einem nichtlinearen Bewegungsmodell folgen.

KURZDARSTELLUNG

In einer exemplarischen Ausführungsform beinhaltet ein Verfahren zum Durchführen einer Zielverfolgung mit einem Radarsystem, das ein Kalman-Filter verwendet, das Vorhersagen einer vorhergesagten Zielposition eines Ziels, das von dem Radarsystem in einem Rahmen erfasst wird. Der Rahmen ist eine Zeitperiode, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und die Reflexionen von einem Bereich des Ziels zu empfangen. Das Ermitteln einer tatsächlichen Zielposition des durch das Radarsystem erfassten Ziels basiert auf Reflexionen, die von dem Radarsystem für den Rahmen empfangen werden, und das Berechnen einer Kovarianzmatrix Q des Prozessrauschens für einen nächsten Rahmen, der dem Rahmen unmittelbar folgt, basierend auf der vorhergesagten Zielposition und der tatsächlichen Zielposition. Eine Position des Ziels in dem nächsten Rahmen wird basierend auf der Kovarianzmatrix Q des Prozessrauschens vorhergesagt.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ist das Berechnen der Kovarianzmatrix Q des Prozessrauschens als eine gewichtete lineare Kombination von zwei Kovarianzmatrizen.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ist die Kovarianzmatrix Q des Prozessrauschens gegeben durch: Q=(Δx20000Δy20000Δvx20000Δvy2).embedded imageΔx, Δy, Δvx, und Δvy sind Fehler in der x-Position, y-Position, Geschwindigkeit entlang einer x-Achse und Geschwindigkeit entlang einer y-Achse, jeweils zwischen der vorausgesagten Zielposition und der aktuellen Zielposition.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ist das Ermitteln jedes von Δx, Δy, Δvx und Δvy als eine gewichtete Linearkombination eines ersten Modells, das annimmt, dass die Geschwindigkeit entlang der Y-Achse null und einem zweiten Modell, das annimmt, dass die Geschwindigkeit entlang der x-Achse null ist.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale erfolgt das Ermitteln einer Gewichtung jeder Komponente der gewichteten linearen Kombination als ein vordefinierter Wert oder basiert auf einem Vergleich der Komponenten, die mit dem ersten Modell assoziiert sind, und den Komponenten, die mit dem zweiten Modell assoziiert sind.

In einer anderen exemplarischen Ausführungsform beinhaltet ein System zum Ausführen einer Zielverfolgung mit einem Kalman-Filter ein Radarsystem zum Erfassen eines Ziels in einem Rahmen. Der Rahmen ist eine Zeitperiode, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und die Reflexionen von einem Bereich des Ziels zu empfangen. Das System beinhaltet auch eine Steuerung mit einem Prozessor zum Vorhersagen einer vorhergesagten Zielposition des Ziels in dem Rahmen, das Ermitteln einer tatsächlichen Position des Ziels basierend auf den von dem Radarsystem für den Rahmen empfangenen Reflexionen, das Berechnen einer Kovarianzmatrix Q des Prozessrauschens für einen nächsten Rahmen, der unmittelbar auf den Rahmen folgt, basierend auf der vorhergesagten Zielposition und der tatsächlichen Zielposition, und Vorhersage einer Position des Ziels in dem nächsten Rahmen basierend auf der Kovarianzmatrix Q des Prozessrauschens.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale berechnet die Steuerung die Kovarianzmatrix Q des Prozessrauschens als eine gewichtete lineare Kombination von zwei Kovarianzmatrizen.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale berechnet die Steuerung die Kovarianzmatrix Q des Prozessrauschens als: Q=(Δx20000Δy20000Δvx20000Δvy2).embedded imageΔx, Δy, Δvx, und Δvy sind Fehler in der x-Position, y-Position, Geschwindigkeit entlang einer x-Achse und Geschwindigkeit entlang einer y-Achse, jeweils zwischen der vorausgesagten Zielposition und der aktuellen Zielposition.

Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale ermittelt die Steuerung jedes von Δx, Δy, Δvx, und Δvy als eine gewichtete lineare Kombination eines ersten Modells, das annimmt, dass die Geschwindigkeit entlang der y-Achse null ist und eines zweiten Modells, das annimmt, dass die Geschwindigkeit entlang der x-Achse null ist.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ermittelt die Steuerung ein Gewicht jeder Komponente der gewichteten linearen Kombination als einen vordefinierten Wert oder basierend auf einem Vergleich der Komponenten, die mit dem ersten Modell assoziiert sind, und der Komponenten, die mit dem zweiten Modell assoziiert sind.

In einer anderen exemplarischen Ausführungsform beinhaltet ein Automobil ein Radarsystem zum Erfassen eines Ziels in einem Rahmen. Der Rahmen ist eine Zeitperiode, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und die Reflexionen von einem Bereich des Ziels zu empfangen. Das System beinhaltet auch eine Steuerung mit einem Prozessor zum Vorhersagen einer vorhergesagten Zielposition des Ziels in dem Rahmen, das Ermitteln einer tatsächlichen Position des Ziels basierend auf den von dem Radarsystem für den Rahmen empfangenen Reflexionen, das Berechnen einer Kovarianzmatrix Q des Prozessrauschens für einen nächsten Rahmen, der unmittelbar auf den Rahmen folgt, basierend auf der vorhergesagten Zielposition und der tatsächlichen Zielposition, und Vorhersage einer Position des Ziels in dem nächsten Rahmen basierend auf der Kovarianzmatrix Q des Prozessrauschens.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale berechnet die Steuerung die Kovarianzmatrix Q des Prozessrauschens als eine gewichtete lineare Kombination von zwei Kovarianzmatrizen.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale berechnet die Steuerung die Kovarianzmatrix Q des Prozessrauschens als: Q=(Δx20000Δy20000Δvx20000Δvy2).embedded imageΔx, Δy, Δvx, und Δvy sind Fehler in der x-Position, y-Position, Geschwindigkeit entlang einer x-Achse und Geschwindigkeit entlang einer y-Achse, jeweils zwischen der vorausgesagten Zielposition und der aktuellen Zielposition.

Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale ermittelt die Steuerung jedes von Δx, Δy, Δ, und Δvy als eine gewichtete lineare Kombination eines ersten Modells, das annimmt, dass die Geschwindigkeit entlang der y-Achse null ist und eines zweiten Modells, das annimmt, dass die Geschwindigkeit entlang der x-Achse null ist.

Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ermittelt die Steuerung ein Gewicht jeder Komponente der gewichteten linearen Kombination als einen vordefinierten Wert oder basierend auf einem Vergleich der Komponenten, die mit dem ersten Modell assoziiert sind, und der Komponenten, die mit dem zweiten Modell assoziiert sind.

Die oben genannten Eigenschaften und Vorteile sowie anderen Eigenschaften und Funktionen der vorliegenden Offenbarung gehen aus der folgenden ausführlichen Beschreibung in Verbindung mit den zugehörigen Zeichnungen ohne Weiteres hervor.

Figurenliste

Andere Merkmale, Vorteile und Details erscheinen nur exemplarisch in der folgenden ausführlichen Beschreibung, wobei sich die ausführliche Beschreibung auf die Zeichnungen bezieht, wobei Folgendes gilt:

  • 1 ist ein Blockdiagramm eines Radarsystems, das eine Zielverfolgung gemäß einer oder mehreren Ausführungsformen ausführt, und
  • 2 ist ein Prozessablauf eines Verfahrens zum Durchführen einer Zielverfolgung gemäß einer oder mehreren Ausführungsformen.

AUSFÜHRLICHE BESCHREIBUNG

Die folgende Beschreibung ist lediglich exemplarischer Natur und nicht dazu gedacht, die vorliegende Offenbarung in ihren An- oder Verwendungen zu beschränken. Es wird darauf hingewiesen, dass in allen Zeichnungen die gleichen Bezugszeichen auf die gleichen oder entsprechenden Teile und Merkmale verweisen.

Wie zuvor erwähnt, wird im Allgemeinen ein Kalman-Filter verwendet, um ein Ziel zu verfolgen, das Radarreflexionen von einem Rahmen zum nächsten bereitstellt. Ein Rahmen bezieht sich auf die Zeitdauer, um von jedem Sendeelement des Radarsystems der Reihe nach zu senden und um die Reflexionen von einem Bereich des Ziels zu empfangen. Ein exemplarisches Radarsystem ist ein Multi-Input-Multi-Output(MIMO)-Radarsystem mit mehreren Sendeelementen und mehreren Empfangselementen, die Reflexionen empfangen, die aus den Übertragungen jedes der Sendeelemente resultieren. Andere exemplarische Radarsysteme beinhalten Single-Input-Multiple-Output (SIMO) mit einem einzelnen Sendeelement und mehreren Empfangselementen, Multiple-Input Single-Output (MISO) mit mehreren Sendeelementen und einem einzelnen Empfangselement sowie Single-Input Single-Output (SISO) mit einem einzelnen Sendeelement und einem einzelnen Empfangselement. Die Übertragung kann ein lineares frequenzmoduliertes Signal oder beispielsweise ein Chirp sein. Die empfangenen Reflexionen werden für jede Runde (Rahmen) der Übertragung durch die Sendeelemente verarbeitet, um die Bewegung eines Ziels, das erfasst wird, zu verfolgen. Wenn die Plattform des Radarsystems beispielsweise ein Automobil ist, kann das Verfolgen der Bewegung des Ziels die Zielvermeidung, das autonome Fahren und andere Vorgänge erleichtern.

Ein lineares Kaiman-Filter liefert ein genaues Zielverfolgungsmodell mit geringer Rechenkomplexität im Vergleich zu anderen bekannten Ansätzen. Wie ebenfalls bereits erwähnt, werden sowohl ein Zielbewegungsmodell als auch Radarmessungen in Betracht gezogen, um den Zielzustand zu aktualisieren. Das heißt, die Zielverfolgung wird eher als Nachbearbeitungstechnik als in Echtzeit durchgeführt. Somit sind für eine gegebene Zeit sowohl die vorhergesagten als auch die tatsächlichen (gemessenen) Ergebnisse für die Zielposition verfügbar, und das Kalman-Filter-basierte Modell kann basierend auf den tatsächlichen Ergebnissen korrigiert werden. Im Allgemeinen liefert ein zweidimensionales Zielbewegungsmodell unter Verwendung des Kaiman-Filters einen Zustandsvektor X, der durch Folgendes gegeben ist: Xk=FkXk1+Bkuk+wkembedded image

Der Zustandsvektor X gibt [xk, yk,vx, vy]' zum Zeitpunkt k, wobei xk und yk die zweidimensionale Position eines Ziels und vx- und vy-Geschwindigkeit entlang der anzeigen x- und y-Achsen jeweils sind. In GL. 1 ist Fk eine Zustandsübergangsmatrix, die auf den vorherigen Zustand Xk-l angewendet wird, Bk ist eine Steuereingangsmatrix, die an einen Steuervektor uk angelegt wird und wk ist das Prozessrauschen, von dem angenommen wird, dass dieses aus einer Null-Mittel-Multivarianz-Normalverteilung mit Kovarianz Qk bezogen wird. Das heißt, das Prozessrauschen wk ist gegeben durch: wkN(0,Qk)embedded image

Zum Zeitpunkt k wird eine Beobachtung oder Messung zk des wahren Zustands xk des Ziels gemäß folgenden Punkten durchgeführt: zk=HkXk+vkembedded image

In GL. 3, ist Hk das Beobachtungsmodell, das den wahren Zustandsraum in den beobachteten Raum abbildet, und vk ist das Beobachtungsrauschen, von dem angenommen wird, dass dieses ein mittleres Gaußsches weißes Rauschen mit der Kovarianz Rk ist. Das heißt, Beobachtungsrauschen vk wird gegeben durch: vkN(0,Rk)embedded image

Ein Bereich oder ein Fenster um den vorhergesagten Zustand Xk des Ziels wird während der Verarbeitung des nächsten Rahmens nach Messungen, die mit dem Ziel assoziiert sind, durchsucht. Wenn sich das Ziel nicht innerhalb des vorhergesagten Fensters befindet, schlägt die Zielverfolgung fehl und der Vorhersagekurs erlischt. Wenn die Fenstergröße erhöht wird, um die Möglichkeit zu erhöhen, Zielmessungen innerhalb des Fensters zu erhalten, erhöht sich die Möglichkeit, zwei Ziele innerhalb desselben Fensters zu erfassen und somit keines der Ziele verfolgen zu können. Daher ist es vorteilhaft, ein kleines Fenster zu behalten, in dem nach Zielmessungen gesucht werden kann.

Wie bereits erwähnt, ist eine Einschränkung des klassischen Kalman-Filters, dass dieses sich auf ein lineares Modell bezieht. Bei der Schätzung von Radarrückgabeparametern wird der Raum in sphärischen Koordinaten (Entfernung, Azimut, Elevation, Doppler-Verschiebung) definiert und die Bewegung wird in kartesischen Koordinaten (x, y, z, vx, vy, vz) beschrieben, wobei vx, vy, vz jeweils Geschwindigkeiten in den Dimensionen x, y und z sind. Anstatt einem linearen Bewegungsmodell zu folgen, kann sich das Ziel beispielsweise in einer radialen Richtung zum Radar hin oder von diesem wegbewegen. Somit kann die Verwendung des linearen Kalman-Filters, das auf ein lineares Zielbewegungsmodell anwendbar ist, bei Radarparametern zu einer großen Abweichung der Zielbewegung von der linearen Modellvorhersage führen. Dies kann wiederum dazu führen, dass das Kalman-Filter bei der Zielverfolgung unwirksam ist.

Ausführungsformen der hierin ausführlich beschriebenen Systeme und Verfahren beziehen sich auf die Verwendung eines adaptiven Ansatzes zum Einschließen von Prozessrauschen, anstatt eine feste Kovarianzmatrix Qk für das Prozessrauschen wk zu verwenden. Gemäß Ausführungsformen ist der Fehler in x, y, vx, vy gemäß dem vorhergesagten Zustand X proportional zu der Azimutwinkelgeschwindigkeit des Ziels (die Winkelgeschwindigkeit in der Elevation wird als vernachlässigbar angesehen). Insbesondere wird eine gewichtete lineare Kombination von zwei Kovarianzmatrizen verwendet. Diese zwei Kovarianzmatrizen werden unter der Annahme entwickelt, dass jeweils vx=0 und vy=0 ist. Wenn die Zielbewegung nicht mit dem linearen Modell übereinstimmt, wird dem Zielmodell weniger Gewicht gegeben, da die Unsicherheit (d. h., das Prozessrauschen) höher ist. Gemäß der einen oder den mehreren hierin beschriebenen Ausführungsformen kann das klassische Kalman-Filter mit Messungen und einem dynamischen Zustandsraummodell verwendet werden, die in verschiedenen Koordinaten (z. B. sphärischen bzw. kartesischen Koordinaten) dargestellt sind, während die Fenstergröße beibehalten wird.

Gemäß einem Ausführungsbeispiel der Erfindung zeigt 1 ein Blockdiagramm eines Radarsystems 110, das eine Zielverfolgung unter Verwendung eines Kaiman-Filters durchführt. Das Radarsystem 110 befindet sich auf einer Plattform 100, die gemäß dem exemplarischen Fall ein Automobil 120 ist. Wie zuvor erwähnt, sind andere Plattformen 100 ebenfalls für das Radarsystem 110 vorgesehen. Das Radarsystem 110 kann ein System mit mehreren Eingaben und mehreren Ausgaben (MIMO) mit mehreren Sende- und Empfangselementen sein. Das Radarsystem 110 kann ein linienfrequenzmoduliertes (LFM) Signal oder Chirp übertragen.

Das Automobil 120 kann eine Steuerung 130 aufweisen, die mit dem Radarsystem 110 oder anderweitig in Kommunikation mit dem Radarsystem 110 gekoppelt ist. Die Steuerung 130 kann die empfangenen Reflexionen des Radarsystems 110 verarbeiten, um eine Zielverfolgung gemäß einer oder mehreren Ausführungsformen durchzuführen. Die Zielverfolgung kann stattdessen durch einen Prozessor innerhalb des Radarsystems 110 durchgeführt werden. Die Steuerung 130 kann auch mit anderen Systemen, die eine Zielvermeidung, automatisiertes Fahren und andere Funktionen durchführen, die Informationen von dem Radarsystem 110 verwenden, arbeiten oder kommunizieren. Die Steuerung 130 kann eine Verarbeitungsschaltung beinhalten, die eine anwendungsspezifische integrierte Schaltung (ASIC), eine elektronische Schaltung, einen Prozessor (gemeinsam genutzt, zugeordnet oder Gruppe) und einen Speicher beinhaltet und die ein oder mehrere Software- oder Firmwareprogramme, eine kombinatorische Logikschaltung und/oder andere geeignete Komponenten ausführt, welche die beschriebene Funktionalität bereitstellen.

Ein Ziel 140 wird in einem gegebenen Zustand gezeigt. Die nach dem Kalman-Filter gezeigte vorausgesagte Position 155 wird mit der Istposition 150 gezeigt. Der Winkel 0 wird zwischen den Pfaden zu der vorhergesagten Position 155 und der tatsächlichen Position 150, wie gezeigt, gebildet. Die azimutale Winkelgeschwindigkeit ωaz ist ebenfalls angegeben. Wenn die azimutale Winkelgeschwindigkeit ωaz null ist, dann stimmt die Zielbewegung mit dem dynamischen linearen Kalman-Filter-basierten Modell überein. Dies kann als Best-Case-Szenario für die Verwendung des Kaiman-Filters angesehen werden. Wenn sich das Ziel 140 nur in der x-Richtung (vy=0) oder nur in der y-Richtung (vx=0) bewegt, führt dies zu einem Fehler bei der Zustandsprognose auf Grundlage des Kalman-Filters. Das schwierigste Szenario ist, wenn sich ein Ziel 140 entlang einer tangentialen Bahn bewegt, wobei seine Doppler-Geschwindigkeit (Geschwindigkeit zum Radarsystem 110) immer null ist. Gemäß einer oder mehreren Ausführungsformen werden die vorhergesagte Position 155 und die tatsächliche Position 150 für einen vorhergehenden Rahmen (k-1) verwendet, um adaptiv die Kovarianzmatrix Qk des Prozessrauschens für den nächsten Rahmen zu ermitteln, anstatt eine feste Kovarianzmatrix zu verwenden.

Wie GL. 1 zeigt, erfolgt die Bestimmung des Zustandsvektors Xk gemäß GL. 1 erfordert die Bestimmung des Prozessrauschens wk gemäß GL. 2. Gemäß einer oder mehreren Ausführungsformen ist die Kovarianzmatrix Qk, die zur Bestimmung des Prozessrauschens wk gemäß GL. 2 verwendet wird, nicht fest, sondern wird für jedes k gegeben durch: Q=(Δx20000Δy20000Δvx20000Δvy2)embedded image

Der Fehler zwischen der Modellzustandsprojektion und der realen Zielposition für eine gegebene Bahn wird verwendet, um Fehler in den Zustandsvariablen Δx, Δy, Δvx und Δvy von einem Radarrahmen zum nächsten zu berechnen, wobei Δt die Zeit zwischen den Rahmen repräsentiert. Wie zuvor angemerkt, ist die Kovarianzmatrix Q des Prozessrauschens gemäß einer oder mehreren Ausführungsformen eine gewichtete Linearkombination von zwei Kovarianzmatrizen. Insbesondere werden die zwei Kovarianzmatrizen unter der Annahme entwickelt, dass vx=0 (als Modell 1 bezeichnet) und vy=0 (als Modell 2 bezeichnet) sind. Somit ist jeder von Δx, Δy, Δvx und Δvy: Δx=w1x[Δx]model1+w2x[Δx]model2embedded imageΔy=w1y[Δy]model1+w2y[Δy]model2embedded imageΔvx=w1vx[Δvx]model1+w2vx[Δvx]model2embedded imageΔvy=w1vy[Δvy]model1+w2vy[Δvy]model2embedded image

In GL. 6 bis GL. 9 ist jedes w das Gewicht, das der jeweiligen Komponente entspricht. Der Wert jedes w kann vordefiniert werden oder kann basierend auf einem Vergleich der Werte, die sich aus jedem Modell ergeben, ermittelt werden. Zum Beispiel können wlx und w2x basierend auf einem Verhältnis, einer Differenz oder einem anderen Vergleich von Δx, ermittelt durch Modell 1, und Δx, ermittelt durch Modell 2, ermittelt werden. In alternativen Ausführungsformen kann eine Nachschlagetabelle verwendet werden, und die Gewichtungen können basierend auf einem Bereich ermittelt werden, innerhalb dessen der entsprechende Komponentenwert fällt. Zum Beispiel kann der Wert von Δvy der mit Modell 1 ermittelt wurde, mit einem ermittelten Wert von wlvy in der Nachschlagetabelle übereinstimmen.

Jede Δx, Δy, Δvx und Δvy für Modell 1, wobei vy = 0 angenommen wird, ist durch Folgende gegeben: Δvx=vx(vxcosθ)cosθ=vxsin2θωazRsin2θembedded imageΔvy=0(vxcosθ)sinθ=vxcosθsinθωazRcosθsinθembedded imageΔx=ΔvxΔtωazRΔtsin2θembedded imageΔx=ΔvyΔtωazRcosθsinθembedded image

Jede Δx, Δy, Δvx und Δvy für Modell 2, wobei vy = 0 angenommen wird, ist durch Folgende gegeben: Δvx=0(vxsinθ)cosθ=vycosθsinθωazRcosθsinθembedded imageΔvy=vy(vysinθ)sinθ=vycos2θωazRcos2θembedded imageΔx=ΔvxΔtωazRΔtcosθsinθembedded imageΔy=ΔvyΔtωazRΔtcos2θembedded image

2 ist ein Prozessablauf eines Verfahrens zum Durchführen einer Zielverfolgung mit einem Radarsystem 110, das ein Kalman-Filter gemäß einer oder mehreren Ausführungsformen verwendet. Bei Block 210 beinhaltet das Vorhersagen der Zielposition für einen Rahmen k das Erhalten des Zustandsvektors Xk gemäß GL. 1. Wenn der Rahmen der erste Rahmen ist, kann das Prozessrauschen unter Verwendung einer festen Kovarianzmatrix Qk des Prozessrauschens ermittelt werden. Bei Block 220 bezieht sich das Ermitteln der Zielposition, basierend auf Radarmessungen für den gleichen Rahmen, auf das Empfangen und Verarbeiten von Reflexionen, die aus Übertragungen während der Rahmendauer resultieren. Das Berechnen der Kovarianzmatrix Qk+l des Prozessrauschens bei Block 230 basiert auf GL. 5 bis GL. 17. Sobald die Kovarianzmatrix Qk+l des Prozessrauschens (bei Block 230) berechnet ist, wird GL. 1 im Block 240 verwendet, um den Zustandsvektor Xk+l und damit die Position und Geschwindigkeit in der x- und y-Achse zu erhalten. Somit wird in Block 240 die Vorhersage der Zielposition erleichtert.

Während die obige Offenbarung mit Bezug auf exemplarische Ausführungsformen beschrieben wurde, werden Fachleute verstehen, dass unterschiedliche Änderungen vorgenommen und die einzelnen Teile durch entsprechende andere Teile ausgetauscht werden können, ohne vom Umfang der Offenbarung abzuweichen. Darüber hinaus können viele Modifikationen vorgenommen werden, um eine bestimmte Materialsituation an die Lehren der Offenbarung anzupassen, ohne von deren wesentlichem Umfang abzuweichen. Daher ist vorgesehen, dass die Beschreibung nicht auf die offenbarten spezifischen Ausführungsformen beschränkt sein soll, sondern dass sie auch alle Ausführungsformen beinhaltet, die in den Umfang der Anmeldung fallen.