基于毫米波雷達的電動汽車無線充電運動異物檢測與跟蹤

田 勇 楊 昊 胡 超 田勁東

基于毫米波雷達的電動汽車無線充電運動異物檢測與跟蹤

田 勇1楊 昊1胡 超2田勁東1

（1. 深圳大學物理與光電工程學院 深圳 518060 2. 中興新能源科技有限公司 深圳 518133）

電動汽車無線充電系統的一次線圈和二次線圈之間存在大空間氣隙以及高強度磁場，可能對進入充電區域的生物體造成電磁傷害。因此，系統需要配備可靠、靈敏的生物體檢測裝置，以便在生物體侵入保護區域時及時降低或關閉充電功率。該文研究一種基于77GHz毫米波雷達并結合卡爾曼濾波和數據關聯算法的運動異物檢測方法，首先通過調頻連續波雷達測量運動異物的速度、距離和角度；其次融合卡爾曼濾波、目標聚類和數據關聯算法實現多目標運動異物的軌跡跟蹤。仿真和實驗結果表明，該方法能夠高精度地測量運動異物的位置和速度，并具備相鄰多目標檢測和跟蹤能力。

電動汽車無線充電 生物體檢測 毫米波雷達 卡爾曼濾波 軌跡跟蹤

0 引言

無線充電具有無需插拔、安全可靠、自動化和智能化程度高等優點，能夠有效提高充電的便捷性并提供優越的用戶體驗[1]，有望成為未來電動汽車慢充應用場景下的主要充電模式。電動汽車無線充電系統（Electric Vehicle Wireless Charging System, EV-WCS）的功率一般為kW級，比如SAEJ2954標準定義了3.7kW、7.7kW、11kW和22kW四個功率等級[2]。在此功率等級下，無線充電系統的車載部件（Vehicle Assembly, VA）與地面部件（Ground Assembly, GA）之間的空間區域內存在高強度、高頻率的磁場。該磁場強度通常會超過相關標準規定的磁場暴露限值，對偶然進入無線充電區域的生物體造成潛在的電磁危害[3]。因此，需要配備生物體檢測（Living Object Detection, LOD）裝置來對進入預設保護區域的人類及動物等生物體（活物）進行有效檢測，以便系統在檢測到有活物進入充電區域時，及時降低充電功率或停止充電，并在檢測到活物離開保護區域后自動恢復充電。

現有EV-WCS活物檢測方法主要可分為兩類[4]：一類是基于場的檢測方法，如文獻[5]通過檢測安裝于充電線圈上方的梳狀電容傳感器的容值變化來實現生物體檢測，但是該方法易受充電線圈電流以及充電線圈與電容傳感器之間的電容耦合的影響，并且只能檢測進入充電線圈上方的生物體；另一類是基于波的檢測方法，主要包括熱成像儀[6]、超聲波傳感器和雷達[7]等。熱成像儀的檢測效果受環境的影響大，在夜晚或者下雪、高溫炎熱等條件下檢測精度低甚至完全無法檢測。超聲波傳感器難以區分靜止物體和運動物體，并且要求探頭暴露在系統殼體外面，容易受粉塵、積雪等遮擋，導致無法實現全天候工作。相比而言，毫米波雷達具有全天候工作、受環境影響小和穿透能力強等優點，已在活物檢測領域有著廣泛的應用。例如，文獻[8]基于毫米波雷達開發了一款能夠識別周圍行人的盲人手杖，從而輔助盲人安全行走。文獻[9]通過安裝在車內的毫米波雷達來監測駕駛員和乘客的心跳和呼吸等生命體征，從而提高駕駛安全性，避免車輛上鎖后有孩童遺留在車內。文獻[10]開發了基于毫米波雷達的室內人員檢測和跟蹤系統，可用于安全預警。目前已實現規模化商用的代表性毫米波雷達有24GHz和77GHz兩個波段。其中，77GHz雷達相比于24GHz雷達具有更小的體積和更高的精度，并且近年來隨著工藝的不斷成熟，成本也不斷下降，因此是EV-WCS活物檢測領域一種具有潛力的檢測技術。例如，文獻[11]研究了基于毫米波雷達的汽車無線充電系統活物檢測，但是該方法不能實現多目標檢測與軌跡跟蹤。

對于運動目標軌跡的跟蹤，有助于LOD系統對運動目標是否進入或離開充電區域進行更加可靠的判斷，降低對運動目標漏檢和誤檢的概率，提高檢測準確性。另外，充電區域內有可能同時出現多個生物體，因此有必要引入多目標跟蹤技術。在當前的多目標跟蹤技術中，狀態估計和數據關聯是兩個關鍵問題。狀態估計可以獲得目標的狀態量并對其進行濾波，形成目標的運動軌跡[12]。數據關聯可以確定當前量測點的來源，將當前量測點與上一時刻的量測點進行關聯[13]，與狀態估計結合即可生成多個目標的運動軌跡。在電動汽車無線充電系統中引入多目標跟蹤機制可以獲得更多活物在充電區域內部和附近區域的狀態信息，系統可以利用這些信息綜合判斷是否需要停止充電，以便及時、準確地發出預警信號，從而更好地保護進入充電區域的生物體。目前，關于汽車無線充電活物檢測方法的研究總體較少，標準尚不完善，檢測精度還沒有具體數值的界定[14]。另外，現有研究主要專注于無線充電區域內有無活物的判斷，缺少活物多目標檢測和運動軌跡跟蹤方面的研究。

綜上所述，本文研究基于77GHz毫米波雷達的多目標運動異物檢測和軌跡跟蹤方法，以提高活物檢測的準確性和可靠性，更好地滿足電動汽車無線充電活物檢測中的應用需求。首先，分析調頻連續波雷達實現距離、速度和角度測量的原理；其次，闡述多目標運動物體檢測和軌跡跟蹤算法；最后，通過實驗驗證運動目標檢測算法的正確性，并通過仿真和實驗驗證多目標軌跡跟蹤的有效性。

1 調頻連續波雷達測量原理

1.1 調頻連續波原理

調頻連續波（Frequency Modulated Continuous Wave, FMCW）雷達既可測距又可測速，在近距離測量方面具有顯著優勢。因此，本文選擇的是FMCW雷達，其工作原理如圖1所示，包括發射天線和接收天線。FMCW雷達通過發射天線將調制后的信號發射出去，接收天線接收反射信號，再利用傅里葉變換解算出目標物體的距離、速度和角度。其中，發射波是頻率隨時間以線性規律增加的正弦波，通過測量反射信號與發射信號之間的延時、頻率和相位差異來確定目標的距離和速度。

圖1 調頻連續波雷達原理

1.2 距離測量原理

式中，為運動物體與雷達之間的距離；c為光速；為發射信號頻率隨時間變化的速率。利用傅里葉變換等數據處理方法計算出中頻信號的頻率后，就可以得到。

1.3 速度測量原理

對于運動物體，多個反射信號的頻率接近，但是相位差別較大，可推導出相位差為

式中，D為發射間隔c內的目標移動距離；為發射信號起點處的波長。通過計算得到相鄰反射信號對應的中頻信號相位差，就可以得出D，進而可計算出物體的運動速度=D/c。

1.4 角度測量原理

角度的計算需要配置多個等間距分布的接收天線。當兩個接收天線之間的距離遠小于物體與雷達的距離時，可以近似認為反射信號是平行射向各個接收天線的。對于同一個發射信號，不同的接收天線所接收到的反射信號存在相位差，通過推導得出相位差與角度的關系為

式中，a為雷達接收信號和發射信號的相位差；為運動物體相對于雷達法線方向的角度。

與速度的計算原理類似，通過計算相位差a，就可以得出運動物體相對于雷達法線方向的角度。

2 運動目標檢測與多目標跟蹤

2.1 運動目標檢測

本文采用的是2發4收毫米波雷達，數據處理流程如圖2所示。恒虛警率檢測（Constant False- Alarm Rate, CFAR）可以根據輸入信號大小自適應地確定閾值。當輸入信號大于閾值時，認為有目標；否則，認為沒有目標。毫米波雷達發射的是調頻連續波信號，也稱為chirp信號，該信號的特點是頻率隨時間呈線性變化。對每個chirp對應的中頻信號進行采樣，然后進行一維快速傅里葉變換（Fast Fourier Transform, FFT），并將結果按接收天線和chirp編號進行排列，如圖3所示。最后得出一個4××的矩陣，矩陣中的每個元素都是一維FFT處理后的值。矩陣的峰值位置的橫坐標可以通過式（2）轉換為檢測到的運動物體相對于雷達的距離值。

圖2 數據處理流程

圖3 距離數據矩陣的可視化表達

將每個接收天線對應的數據提取出來，得到4個×的矩陣。對矩陣的每一列進行二維FFT處理，并將四個接收天線處理結果的模相加，得到一個×的檢測矩陣。對檢測矩陣進行二維CFAR處理，檢測出峰值位置并進行峰值分組，選擇每組中最大的峰值作為有效峰值。峰值位置的縱坐標可以通過式（3）轉換為運動物體的速度值。

將四個接收天線中對應的有效峰值位置坐標提取出來，進行三維FFT處理，峰值位置的橫坐標可以通過式（4）轉換為運動物體相對于雷達發射天線中點法線的角度值。

需要指出的是，LOD的目標是能夠及時檢測出進入預設保護區域的生物體，并采取相應的保護措施，以避免對生物體造成潛在的電磁傷害；但由于單個FMCW雷達的測量范圍有限，因此實際應用中往往需要通過多個雷達的協同才能實現對預設保護區域的全覆蓋。通過設定每個雷達的檢測角度、距離等參數閾值，可以由多個雷達組合形成滿足應用要求的特定形狀的檢測區域，如橢圓形、長方形等。根據運動物體的速度方向判斷有運動物體進入保護區域時，降低充電功率或停止充電；當運動物體離開保護區域時，則恢復充電功率。

2.2 多目標運動軌跡跟蹤

2.2.1 運動模型

運動模型是一種用于描述目標實際運動物理狀態的模型[15]。基于運動模型，可以通過目標上一時刻的運動狀態估計出當前時刻的運動狀態，因此運動模型的建立是目標跟蹤的基礎。由于實際中目標運動具有不確定性，建立一個在任何條件下都能準確且適用的運動模型十分困難，所以大部分現有的運動模型都是在一定的假設條件下建立的。如果在某種假設條件下建立的運動模型不能準確地反映目標的實際運動情況，則會使跟蹤的精度降低甚至無法跟蹤。常用的運動模型有勻速模型和勻加速模型。

勻速模型假設目標處于勻速直線運動狀態。被跟蹤目標的狀態量可以表示為=[LLvv]T，其中L和L為軸和軸方向上的距離，v和v為軸和軸方向上的速度，其模型方程可以描述為

式中，和-1分別為時刻和-1時刻目標的狀態量；為-1時刻到時刻的狀態轉移矩陣；為過程噪聲；d為時間間隔。

在假設目標為勻加速直線運動狀態時，被跟蹤目標的狀態量可以表示為=[LLvvaa]T，其中a和a為軸和軸方向上的加速度，其余量的含義和勻速模型相同。勻加速狀態下的模型方程可表示為

勻速運動模型和勻加速運動模型的速度或加速度總體上并非不變，從式（5）和式（6）可知，由于存在過程噪聲，速度和加速度本身隨著狀態的變化也在迭代更新，所以運動目標不是嚴格的勻速運動或勻加速運動時依然可以采用這兩種運動模型。當短時間內目標在軸和軸方向上的運動可以近似為勻速直線運動或勻加速直線運動時，采用上述兩種運動模型能夠在減少計算量的同時達到較高精度。汽車無線充電場景下活物檢測的對象主要是貓、狗等小動物，以及人類。考慮到這些被檢測目標進出檢測區域具有明顯的隨意性，連續多個時刻內保持勻速的可能性較低，因此本文采用勻加速模型來描述活物的運動特征。

2.2.2 卡爾曼濾波

無線充電過程中，高頻電流會對雷達產生一定的噪聲干擾；同時，雷達受分辨率的限制無法精確地表達活物的位置和速度，所以有必要采用濾波算法來提高檢測精度，以及軌跡跟蹤的可靠性。卡爾曼濾波通過系統輸入輸出觀測數據對系統狀態進行最優估計[16]，尤其適用于運動狀態頻繁變化的運動行為預測，是一種廣泛應用的跟蹤濾波算法，具有優異的綜合性能。卡爾曼濾波主要分為預測和更新兩個階段，預測階段可以根據運動模型建立狀態方程和觀測方程，狀態方程可以根據上一時刻的最優估計值得到當前時刻的預測值。由于雷達的測量值與運動狀態量往往不一致，所以觀測方程可以將預測的狀態量轉換為傳感器的測量值。更新階段可以對狀態方程的預測值和觀測方程的觀測值進行加權，得到一個綜合考慮預測值和測量值的當前時刻的最優估計值。本文引入卡爾曼濾波算法，以減少噪聲的影響，提高目標軌跡跟蹤精度。

當傳感器的測量值與目標運動的狀態量為線性關系時，可以使用線性卡爾曼濾波。此時，預測階段狀態方程和誤差協方差矩陣分別為

觀測方程為

當采用勻加速運動模型時，狀態轉移矩陣為

若傳感器可以直接觀測到目標軸和軸方向上的距離，則觀測量=[RR]T，此時觀測矩陣為

更新階段的過程如下。

卡爾曼濾波通過對預測和更新兩個過程的反復迭代，可以實現實時濾波處理，提高跟蹤精度。在實際應用中，雷達的測量值（距離、角度和速度）大多是在極坐標下表示的，而跟蹤的過程在直角坐標系下進行，所以狀態量和測量值之間的關系往往是非線性的，這時觀測矩陣無法給出，需要采用擴展卡爾曼濾波算法。

擴展卡爾曼濾波通過泰勒級數展開，忽略二階及以上的高階項，將非線性模型近似為線性模型，使用雅可比矩陣來代替觀測矩陣，再進行線性卡爾曼濾波。

雅可比矩陣的定義為

當采用勻加速運動模型時，若傳感器的觀測量為距離、角度和速度，即=[]T，則對應的雅可比矩陣為

2.2.3 目標聚類

由于汽車無線充電的活物檢測區域較小（通常在1m以內），而77GHz毫米波雷達的分辨率較高，所以檢測到的目標一般為擴展目標，即一個目標會產生多個檢測點。同時，在實際的檢測中由于環境的原因可能會產生與目標無關的檢測點，即雜波點。所以需要對多個檢測點進行聚類以減少后續的計算量，同時需要剔除雜波點。在進行多目標跟蹤時，由于目標數量未知，并且考慮到不同目標產生的多個檢測點密度大致相同，所以本文采用DBSCAN（density-based spatial clustering of applications with noise）算法進行聚類。DBSCAN[17]是一種基于密度的聚類方法，它將點云分成密度大致相同的多個簇，其示意圖如圖4所示。這種方法不需要預先給定簇的數量，而且對于點云的形狀沒有嚴格要求。另外，由于雜波點的密度和檢測點的密度往往存在明顯差異，所以該方法能夠有效剔除雜波點。

圖4 DBSCAN聚類算法示意圖

DBSCAN算法需要事先確定參數和，其中表示每個簇中最少包含的點數，表示空間鄰域的范圍。假設在某個數據點的鄰域范圍內存在至少個其他點，則認為該點為核心點。若某個核心點的鄰域范圍內存在其他核心點，則認為兩個核心點及其鄰域范圍內的點為同一類。圖4中，紅色三角形的點為核心點，DBSCAN算法在點云中聚類出兩個目標，在兩個目標鄰域范圍之外的點則為離散數據點。

2.2.4 數據關聯

為了保證活物檢測的準確性和可靠性，無線充電系統需要考慮多個生物體同時存在或進出檢測區域的情況。當預設保護區域內同時出現多個生物體時，系統需要對各個目標的軌跡進行跟蹤。數據關聯是多目標跟蹤的一個重要環節。實現多目標跟蹤的重點在于對當前檢測點的來源進行判斷，即當前檢測點與已有的航跡進行匹配[18]。單一的卡爾曼濾波只能實現對單個目標的跟蹤，當檢測范圍內出現多個目標時，若卡爾曼濾波的預測值和傳感器的測量值無法匹配，則在計算過程中會出現發散的情況，導致跟蹤錯誤進而影響活物檢測系統的判斷。進行數據關聯后，可以將檢測到的目標點進行分類，再分別對每一類進行跟蹤，從而實現多目標跟蹤。

關聯波門是數據關聯的基礎。它是整體檢測區域中的子區域，其波門中心由預測值決定，波門大小由新息協方差決定。落入關聯波門內的檢測點稱為候選點。常用的波門形狀包括環形、矩形、橢圓形和極坐標下的扇形，本文選擇橢圓形波門。

橢圓形波門是根據馬氏距離生成的一種波門。馬氏距離通過樣本的分布規律可以有效表示兩個樣本的相似程度，其定義為

若檢測點與預測點的馬氏距離小于閾值 （跟蹤門的門限），則該檢測點為候選點，即

式中，門限根據卡方分布獲得，卡方分布的自由度由測量值的維數決定。對于毫米波雷達，測量值是三維數據，則卡方分布的自由度為3。

在數據關聯中，直接選擇與預測值點的馬氏距離最小的候選點作為航跡關聯點的方法稱為最近鄰域法。最近鄰域法簡單、實時性好，在少雜波和目標稀疏的情況下具有較好的性能，但是在多雜波或跟蹤目標密集的時候關聯效果較差。

聯合概率數據關聯算法（Joint Probabilistic Data Association, JPDA）是一種在概率數據關聯算法的基礎之上提出的數據關聯算法。它通過排列組合和窮舉的思想，計算出最高概率的關聯方式，能夠對密集雜波環境下的多目標進行有效跟蹤。JPDA認為每個檢測點既有可能來源于已有航跡，也有可能來源于虛警，通過計算每個檢測點與已有航跡的關聯性，建立確認矩陣。確認矩陣中既包括了檢測點來源于已有航跡的可能，也包括了檢測點是虛警的可能性。將確認矩陣進行拆分，生成關聯矩陣，然后計算關聯矩陣的關聯概率，得到檢測點來源于已有航跡的概率和來源于虛警的概率，最后將每個檢測點的狀態量進行加權平均，得到目標狀態的最終估計值[19]。

假設有個已有航跡，當前時刻有個檢測點，則確認矩陣可以表示為

確認矩陣的每個元素非0即1，為1表示第個檢測點與第個航跡關聯，反之，為0表示第個檢測與第個航跡不關聯，確認矩陣的第一列都為1表示所有檢測點都有可能來源于虛警。

得到確認矩陣后按照排列組合的方法進行拆分，生成對應每種可能的關聯矩陣。拆分的過程需要遵循以下兩個基本準則：

（1）每個檢測點的來源是唯一的，即每一行有且僅有一個元素為1，其余為0。

（2）每個航跡最多關聯一個檢測點，即除第一列以外，其他列中最多有一個元素為1。

得到關聯矩陣后，計算每個關聯矩陣的關聯概率。假設與某個航跡關聯的概率服從高斯分布N(Z())，則關聯概率為

式中，p為泊松分布系數，表示虛警的空間密度，此時關聯概率為

式中，為常數。此時關聯概率為

計算得到關聯概率后，利用全概率公式對卡爾曼濾波中的狀態量和協方差矩陣進行更新。

綜上所述，考慮到汽車無線充電的活物檢測區域較小，多目標跟蹤時多個活物的運動軌跡靠近甚至交叉的可能性較大；另外，充電過程中由于高頻電流產生的雜波也可能較為密集，本文選擇JPDA數據關聯算法。JPDA的優勢在于雜波和目標密集時依然具有良好的性能。

3 仿真與實驗驗證

本節將通過實驗和仿真，驗證第1節和第2節所述多目標運動物體檢測和軌跡跟蹤方法的有效性。搭建的實驗系統如圖5所示，一次側和二次側均采用LCC諧振補償結構[20]，接收線圈（外輪廓260×260mm2，共10匝）和發射線圈（外輪廓580× 420mm2，共20匝）尺寸根據SAEJ2954中的WPT1/Z1標準設計，線圈距離11cm，詳細參數配置見表1。CAN收發模塊用于將毫米波雷達的檢測結果上傳到上位機。實驗中采用的77GHz毫米波雷達型號為TIIWR1642。該雷達集成了C674x DSP和ARM Cortex-R4F微控制器，具有4GHz的連續帶寬，水平視角為120°，垂直視角為30°，參數配置為：最大探測距離為9m，距離分辨率為0.044m，最快探測速度為2m/s，速度分辨率為0.13m/s。根據文獻[3]的研究結果，當無線充電功率為7.7kW和22kW時，安全距離分別為0.6m和0.7m。因此，本文所采用的毫米雷達的距離測量范圍和分辨率能夠滿足汽車無線充電活物檢測應用的要求。

表1 實驗系統參數

3.1 運動物體檢測實驗驗證

為了驗證圖2中所示距離、角度和速度測量算法的有效性，構建了如圖5所示的實驗場景，毫米波雷達置于線圈邊沿10cm處。扇形區域為設定的單個雷達檢測區域，整個大扇形區域的角度為120°，每個小扇形區域為30°。分別在開啟和關閉充電功率條件下（二次側輸出功率為1kW時的實驗波形如圖6所示，其中1～4通道分別為逆變器輸出電壓、逆變器輸出電流、一次側線圈電流和負載電流），開展了以下四組測試：

（1）測試一，單個運動物體位于雷達0°方向、60cm處。

圖5 實驗系統實物照片

圖6 1kW功率輸出實驗波形

（2）測試二，單個運動物體位于雷達60°方向、60cm處。

（3）測試三，兩個運動物體分別位于雷達30°和-30°方向、40cm處。

（4）測試四，兩個運動物體位于雷達0°方向、50cm處，運動方向相反。

實驗中，采用成人的拳頭模擬運動物體。經過靜態雜波濾除算法濾除周邊靜態物體后的運動物體檢測結果見表2。從實驗結果可以看出，本文開發的運動異物檢測方法能夠較為準確地檢測出預設范圍內的運動物體的距離、角度和數量，距離測量誤差在2cm以內；具有較高的距離分辨率，能夠區分距離較近的相鄰運動物體，滿足汽車無線充電實際應用中對于多個目標生物體檢測的需求；無線充電功率開啟與否，對檢測精度沒有明顯影響。需要指出的是，在多次實驗過程中，很難保持運動物體的位置一致，因此表2中給出的是通過多次測量取平均值的結果。

表2 運動物體檢測結果

3.2 多目標跟蹤仿真及實驗驗證

仿真場景配置如圖7所示，檢測區域扇形角度為（-60°, 60°），半徑為1m；充電警戒區域的扇形角度為（-60°, 60°），半徑為0.7m。當目標進入檢測區域時開始對其進行跟蹤，當目標進入充電警戒區域時，系統應降低充電功率或停止充電，直到充電警戒區域內沒有活物才恢復正常充電。

圖7 仿真數據點分布

本節對5個勻加速目標進行仿真模擬，整個跟蹤過程共計120個時刻，時間間隔d=0.05s。目標a和b從第一個時刻開始運動，目標c在第20個時刻開始運動，目標d在第40個時刻開始運動，目標e在第60個時刻開始運動。目標a的初始位置和狀態為[-0.8m, 1.1m, 0.25m/s,-0.5m/s,-0.055m/s2, 0.17m/s2]，目標b的初始位置和狀態為[0.8m,1.1m,-0.25m/s,-0.5m/s, 0.055m/s2, 0.17m/s2]，目標c的初始位置和狀態為[0.9m,0.75m,-0.35m/s,-0.45m/s, 0m/s2, 0.18m/s2]，目標d的初始位置和狀態為[1m,0.75m,-0.38m/s, 0m/s,-0.04m/s2, 0m/s2]，目標e的初始位置和狀態為[0.1m,1.1m,-0.05m/s,-0.4m/s, 0m/s2, 0m/s2]。第五個目標在靠近無線充電裝置的過程中加入了速度方向的突變，即將沿軸的速度方向突然調轉180°。5個目標均為擴展目標，在生成目標點跡圖時加入了噪聲，噪聲的密度滿足泊松分布、坐標滿足均勻分布。圖7給出了仿真中120個時刻內所有目標點及噪聲點的分布情況。

圖8 目標聚類結果及誤差

圖9a給出了對5個目標的實際軌跡和跟蹤結果，圖9b給出了軌跡跟蹤的方均誤差。可以看出，本文算法能夠對多個目標同時進行跟蹤。每個目標的跟蹤誤差最大值均出現在初期，并且跟蹤誤差隨時間整體呈下降趨勢，下降到一定程度后保持穩定。當有新的跟蹤目標出現時，雷達依然可以對其進行跟蹤，并且在經過一段時間后，跟蹤誤差可以下降到較低水平。在各個目標出現后的15個時刻內的跟蹤誤差平均值分別為0.58cm、0.67cm、0.87cm、3.3cm和0.42cm。每個目標在出現15個時刻以后的跟蹤誤差平均值分別為0.35cm、0.39cm、0.39cm、1.2cm和0.92cm。每個目標整體的跟蹤誤差平均值分別為0.39cm、0.43cm、0.47cm、1.8cm和0.78cm。

圖9 5個目標軌跡跟蹤結果及誤差

另外，由圖9可知，目標e在運動過程中加入了速度方向的突變，所以在突變瞬間出現了目標丟失。這是因為數據關聯的依據是相鄰時刻之間距離、角度和速度三個量的關系，速度方向如果突然發生明顯改變，則會造成關聯失敗，此時完全根據卡爾曼濾波的預測值生成軌跡。連續多個時刻關聯失敗則取消對當前軌跡的跟蹤，利用檢測點重新生成目標軌跡。同時，由于本文采用的是勻加速運動模型，生成軌跡的過程中會更傾向于目標進行曲線運動，因此在對目標d跟蹤時前15個時刻的誤差較大，后續誤差逐漸降低。

為了進一步驗證本文運動物體軌跡跟蹤算法的有效性，在系統二次側輸出功率1kW的條件下，開展了以下三組軌跡跟蹤實驗測試：

（1）測試a：運動物體從雷達（0°, 80cm）處運動至（0°, 40cm）處，然后再返回起始點。

（2）測試b：運動物體從雷達（-30°, 80cm）處運動至（-30°, 20cm）處，然后再返回起始點。

（3）測試c：運動物體從雷達（30°, 80cm）處運動至（30°, 20cm）處，然后再返回起始點。

三組軌跡跟蹤實驗結果如圖10所示。可以看出，雷達檢測點分布在參考軌跡5cm范圍以內，各個運動物體的跟蹤軌跡和參考軌跡的重合度較高，說明本文算法對不同方向、不同距離的運動物體均能準確地進行軌跡跟蹤。需要說明的是，由于實驗中采取手動移動測試物體的方式，無法準確獲取各個運動物體每個時刻的真實位置，也難以保證模擬運動物體始終嚴格按照參考軌跡運動，因此本文并未對軌跡跟蹤實驗結果做定量誤差分析。

圖10 三組軌跡跟蹤實驗結果

無線充電系統活物檢測應用中，相比于僅采用雷達原始測量數據，使用濾波后的值作為判斷活物是否進入充電區域的依據會更加準確。引入軌跡跟蹤機制后，活物檢測系統可以根據目標運動軌跡和趨勢采取更加精細化的保護措施。比如，當檢測到運動目標向充電區域靠近且有進入充電保護區域的趨勢時，系統可以提前降低充電功率，當活物進入充電保護區域后再關閉充電功率；當檢測到運動目標從充電保護區域向外運動至一定距離時，則自動恢復充電。這也將有助于提高活物檢測的準確率和可靠性。

4 結論

為了避免電動汽車無線充電區域內的高頻高功率磁場對活物造成潛在的電磁傷害，本文研究了一種基于77GHz毫米波雷達的運動異物檢測和運動軌跡跟蹤方法。闡述了毫米波雷達實現距離、速度和角度測量的基本原理，并進行了實驗驗證。結果表明，該方法具有較高的距離測量精度，且能夠實現多目標檢測，滿足電動汽車無線充電活物檢測的需求。在運動異物檢測的基礎上，引入了結合卡爾曼濾波和聯合概率數據關聯算法的運動軌跡跟蹤機制，以對充電區域外一定范圍內和充電區域內部的運動物體進行跟蹤。仿真和實驗結果表明，卡爾曼濾波算法可以平滑目標運動軌跡，存在雜波和目標軌跡交叉的情況下，聯合概率數據關聯算法依然能夠完成數據關聯，實現多目標跟蹤。

本文實現活物檢測的原理是多普勒效應。從本質上來講，任何與雷達之間存在相對運動的物體都將使雷達產生響應。因此，從硬件層面并不能明確區分運動物體是生物體或非生物體，故本文并未嚴格區分運動物體和生物體。在未來的工作中，將嘗試通過目標的運動特征、點云形狀和相同距離下的反射信號強度等差異從算法層面來實現生物體和非生物體的區分，以更好地滿足無線充電系統活物檢測的應用需求。

[1] 薛明, 楊慶新, 章鵬程, 等. 無線電能傳輸技術應用研究現狀與關鍵問題[J]. 電工技術學報, 2021, 36(8): 1547-1568.

Xue Ming, Yang Qingxin, Zhang Pengcheng, et al. Application status and key issues of wireless power transmission technology[J]. Transactions of China Electrotechnical Society, 2021, 36(8): 1547-1568.

[2] 吳理豪, 張波. 電動汽車靜態無線充電技術研究綜述(上篇)[J]. 電工技術學報, 2020, 35(6): 1153-1165.

Wu Lihao, Zhang Bo. Overview of static wireless charging technology for electric vehicles: part Ⅰ[J]. Transactions of China Electrotechnical Society, 2020, 35(6): 1153-1165.

[3] Zhao Jun, Wu Zhijun, Li Nailiang, et al. Study on safe distance between human body and wireless charging system of electric vehicles with different power and frequencies[J]. Electrical Engineering, 2020, 102(4): 2281-2293.

[4] Zhang Yiming, Yan Zhengchao, Zhu Jiaqi, et al. A review of foreign object detection (FOD) for inductive power transfer systems[J]. eTransportation, 2019, 1: 100002.

[5] Jeong S Y, Kwak H G, Jang G C, et al. Living object detection system based on comb pattern capacitive sensor for wireless EV chargers[C]//2016 IEEE 2nd Annual Southern Power Electronics Conference, Auckland, New Zealand, 2016: 1-6.

[6] Sonnenberg T, Stevens A, Dayerizadeh A, et al. Combined foreign object detection and live object protection in wireless power transfer systems via real-time thermal camera analysis[C]//2019 IEEE Applied Power Electronics Conference and Expo- sition, Anaheim, CA, USA, 2019: 1547-1552.

[7] 蘇玉剛, 侯信宇, 戴欣. 磁耦合無線電能傳輸系統異物檢測技術綜述[J]. 中國電機工程學報, 2021, 41(2): 715-727.

Su Yugang, Hou Xinyu, Dai Xin. Review of foreign object detection technology in magnetic coupling wireless power transfer system[J]. Proceedings of the CSEE, 2021, 41(2): 715-727.

[8] Cardillo E, Li Changzhi, Caddemi A. Millimeter- wave radar cane: a blind people aid with moving human recognition capabilities[J]. IEEE Journal of Electromagnetics, RF and Microwaves in Medicine and Biology, 2022, 6(2): 204-211.

[9] Schwarz C, Zainab H, Dasgupta S, et al. Heartbeat measurement with millimeter wave radar in the driving environment[C]//2021 IEEE Radar Conference (RadarConf21), Atlanta, GA, USA, 2021: 1-6.

[10] Zhao Peijun, Lu C X, Wang Jianan, et al. Human tracking and identification through a millimeter wave radar[J]. Ad Hoc Networks, 2021, 116: 102475.

[11] Poguntke T, Schumann P, Ochs K. Radar-based living object protection for inductive charging of electric vehicles using two-dimensional signal processing[J]. Wireless Power Transfer, 2017, 4(2): 88-97.

[12] 黃晶, 李勇, 胡林. 基于數據關聯和改進統計模型的激光雷達目標跟蹤研究[J]. 汽車工程, 2018, 40(3): 356-362.

Huang Jing, Li Yong, Hu Lin. A research on target tracking by LIDAR based on data association and improved statistical model[J]. Automotive Engin- eering, 2018, 40(3): 356-362.

[13] 靳標, 李聰, 郭交, 等. 多普勒信息輔助的雜波環境下多目標跟蹤算法[J]. 電子科技大學學報, 2019, 48(4): 511-517.

Jin Biao, Li Cong, Guo Jiao, et al. Multi-target tracking in clutter aided by Doppler information[J]. Journal of University of Electronic Science and Technology of China, 2019, 48(4): 511-517.

[14] 張獻, 邢子瑤, 薛明, 等. 無線電能傳輸系統異物檢測技術研究綜述[J]. 電工技術學報, 2022, 37(4): 793-807.

Zhang Xian, Xing Ziyao, Xue Ming, et al. Overview of foreign object detection in wireless power transfer system[J]. Transactions of China Electrotechnical Society, 2022, 37(4): 793-807.

[15] 盧曉東, 辛佳寧, 顧嘉耀, 等. 析構時間相關模型的面對稱飛行器機動估計[J]. 宇航學報, 2021, 42(2): 167-174.

Lu Xiaodong, Xin Jianing, Gu Jiayao, et al. Maneuvering estimation for plane-symmetric aircraft based on destructive time-dependent model[J]. Journal of Astronautics, 2021, 42(2): 167-174.

[16] 喬少杰, 韓楠, 朱新文, 等. 基于卡爾曼濾波的動態軌跡預測算法[J]. 電子學報, 2018, 46(2): 418- 423.

Qiao Shaojie, Han Nan, Zhu Xinwen, et al. A dynamic trajectory prediction algorithm based on Kalman filter[J]. Acta Electronica Sinica, 2018, 46(2): 418- 423.

[17] 胡金磊, 賴俊駒, 黎陽羊, 等. 基于自適應DBSCAN算法的開關柜絕緣狀態評價方法[J]. 電工技術學報, 2021, 36(增刊1): 344-352.

Hu Jinlei, Lai Junju, Li Yangyang, et al. Evaluation method of switchgear insulation state based on adaptive density based spatial clustering of appli- cations with noise algorithm[J]. Transactions of China Electrotechnical Society, 2021, 36(S1): 344-352.

[18] 龔軒, 樂孜純, 王慧, 等. 多目標跟蹤中的數據關聯技術綜述[J]. 計算機科學, 2020, 47(10): 136- 144.

Gong Xuan, Le Zichun, Wang Hui, et al. Survey of data association technology in multi-target tracking[J]. Computer Science, 2020, 47(10): 136-144.

[19] 侯淋, 楊順華. 光電雷達多目標跟蹤技術發展分析[J]. 電光與控制, 2021, 28(8): 65-70.

Hou Lin, Yang Shunhua. Analysis on development of IRST multi-target tracking technologies[J]. Electronics Optics & Control, 2021, 28(8): 65-70.

[20] Li Siqi, Li Weihan, Deng Junjun, et al. A double- sided LCC compensation network and its tuning method for wireless power transfer[J]. IEEE Transa- ctions on Vehicular Technology, 2015, 64(6): 2261- 2273.

Moving Foreign Object Detection and Track for Electric Vehicle Wireless Charging Based on Millimeter-Wave Radar

1121

（1. College of Physics and Optoelectronic Engineering Shenzhen University Shenzhen 518060 China 2. ZTE New Energy Technology Co. Ltd Shenzhen 518133 China）

In recent years, the electric vehicle wireless charging system (EV-WCS) has been widely concerned because it is safe, reliable, automatic, and environment-friendly. The high-frequency and high-power electromagnetic field between the transmitting coil and receiving coil of an EV-WCS may be harmful to an intruded living object. Therefore, a reliable and sensitive living object detection device has to be equipped to reduce or close the charging power as living objects entering the wireless charging region. Existing studies mainly focused on the presence/absence detection of living objects, but lacked research on multiple object detection and moving trajectory track, which are both benefit for practical applications. This paper develops a 77GHz millimeter-wave radar-based moving foreign object detection method based on Kalman filter and data association algorithms. Simulation and experiments are both implemented to verify the effectiveness of the proposed method.

Firstly, principle of the frequency modulated continuous wave radar is introduced. Formulations for calculating distance, velocity, and angle, are deduced. Secondly, a method that combines a Kalman filter with target clustering and data association algorithms is developed to track the moving trajectories of multiple objects. In particular, the Kalman filter is employed to reduce the influence of measurement noises. The DBSCAN algorithm is used for target clustering. The joint probabilistic data association algorithm is utilized to track multiple object trajectories. Finally, the proposed method is evaluated with simulation and experiments on TI IWR1642 77GHz radar in terms of measurement accuracy and multiple objects track.

The results show that the proposed method can simultaneously measure the distance, velocity, angle, and number of moving objects with an average distance error of 2cm. Particularly, it can distinguish multiple objects that are very close to each other. With the DBSCAN algorithm, the proposed method can cluster five simulated objects with a maximum error of 3cm, and average errors of 0.63cm, 0.66cm, 0.48cm, 0.60cm, and 0.71cm, respectively. In addition, the proposed method is able to track the trajectories of the five objects within 15 calculating cycles, and the average errors are 0.35cm, 0.39cm, 0.39cm, 1.2cm, and 0.92cm, respectively. Also, experimental results indicate that the proposed method can track the moving object with a position error band of 5cm.

Conclusions of the paper can be summarized as follows: ① The proposed method is able to detect the position and velocity of moving foreign objects accurately, and the maximum error for distance measurement is within 2cm. ② The proposed method can realize presence detection and trajectory track of multiple adjacent moving objects. ③ With the capability of moving object track, the proposed method is valuable for improving reliability of living object detection, and realizing more reasonable protection. For instance, the wireless charging system can determine to lower or close the output power by considering the position range and moving trend of objects.

Electric vehicle wireless charging, living object detection, millimeter-wave radar, Kalman filter, trajectory tracking

TM724

10.19595/j.cnki.1000-6753.tces.211570

廣東省重點領域研發計劃資助項目（2020B0404030004）。

2021-10-07

2021-11-30

田 勇 男，1985年生，博士，副教授，研究方向為無線電能傳輸技術。

E-mail: ytian@szu.edu.cn

田勁東 男，1973年生，教授，研究方向為光學檢測技術及其應用。

E-mail: jindt@szu.edu.cn（通信作者）

（編輯 郭麗軍）