智能交通雷達融合跟蹤系統研究

摘 要：針對單一雷達的探測和跟蹤能力有限，無法全面滿足高速公路全路段車輛的全流程跟蹤需求問題，文章提出了一種智能交通雷達融合跟蹤系統設計方案。該方案的核心是利用道路側多個獨立探測的雷達數據，通過應用統計信號處理和機器學習等先進技術，對高速公路全路段車輛進行全流程融合跟蹤。其中，統計信號處理技術能夠有效處理雷達數據中的噪聲和干擾，提高數據的準確性；機器學習技術則能夠對數據進行深度挖掘，從而對車輛的行為進行準確預測。研究表明，該系統可以有效地實現車輛全流程軌跡跟蹤，可以為數字孿生、智慧高速云控平臺等上層信息系統提供可靠的感知數據基礎，推動智慧高速公路的建設和發展。

關鍵詞：智慧交通；雷達；數據融合

中圖分類號：U495

0 引言

雷達是一種利用無線電波進行距離、速度和方向測量的設備，具有全天時全天候的特性，無論是雨天、雪天，還是夜晚，雷達都可以正常工作，提供準確的數據。在智慧高速公路建設中，雷達技術可以實現對車輛的精確檢測和跟蹤，為智能交通管理系統提供可靠的數據支持。通過雷達技術，可以實時了解道路上的車輛情況，為交通指揮和調度提供依據，為交通應急事件處置提供更多參考［1］。

然而，單一雷達的探測和跟蹤能力有限，無法全面滿足高速公路全路段車輛的全流程跟蹤需求。為了解決這一問題，文章將多雷達融合跟蹤系統應用到智慧交通中。多雷達融合跟蹤系統通過整合多個雷達的數據，可以實現對高速公路全路段車輛進行全流程融合跟蹤，從而提高交通車輛監控的準確性和效率。

1 技術應用環境與主要技術難點分析

廣西地區以丘陵地形為主，地勢起伏多且復雜，地貌特點決定了在高速公路的建設中需大量采用隧道來穿越地勢復雜的區域。由于隧道具有一定的封閉性，當出現車輛碰撞、火災、煙霧等特殊情況時，極易產生重大交通安全事故，因此隧道的行車安全管控是高速公路日常管理的重中之重。本文研究的系統以廣西信梧高速公路爽沖隧道作為實驗場所，該隧道全長約1 500 m，雙向各一洞，每洞兩車道，于2022年11月通車以來車流量較多，是系統應用的重點場景和絕佳實驗場所。然而，在隧道環境中應用雷達技術時，存在一些技術難點。本節將討論這些難點，并探討如何解決這些問題。

（1）在隧道中，由于環境的封閉性，雷達的信號傳播環境與開闊空間相比發生了很大的變化。信號在傳播過程中會受到各種干擾，如反射、折射和散射等。這些干擾會導致雷達的測量結果出現偏離誤差。為了減小這種誤差，可以通過對雷達輸出的車輛點跡數據應用卡爾曼濾波信號處理技術來實現，這提升了雷達的抗干擾能力。

（2）在雷達檢測中，大型車輛可能會被分成多個目標。這是因為雷達的分辨率有限，無法準確地識別出大型車輛的整體形狀，從而將占據多個分辨單元的大目標識別為多個小目標。另外，由于隧道壁的鏡像反射效應，大型車輛的回波也很強，經過鏡像反射后也會形成分裂的假目標。

（3）在實際應用中，需要將來自多個雷達的數據進行配準，以便得到車輛的準確位置。在車輛即將駛出前一雷達的覆蓋范圍，同時駛入后一雷達的覆蓋范圍時，需要通過融合算法將屬于相同車輛的檢測結果關聯起來，形成類似“接力棒”式的探測方式。然而，由于雷達的定位精度有限，以及在隧道環境中可能存在的信號干擾等因素，同一時刻兩個雷達對同一目標的檢測定位結果存在系統誤差，如何將雷達輸出車輛坐標進行配準成為一個技術難點。

（4）經過坐標系校準后的雷達數據，不同雷達對同一車輛的檢測數據坐標可以集中到真實值附近。但是由于噪聲造成的隨機誤差、目標照射視角不同和雷達掃描時間不同步等原因，兩雷達輸出坐標仍然存在隨機誤差，在隨機誤差無法消除、車輛較多、車距較近，存在超車變道等復雜車況下，仍能進行正確關聯，是另一個技術難點。

2 系統方案

在隧道環境中應用雷達技術存在諸多技術難點。為解決這些問題，本文從提高雷達抗干擾能力、優化目標識別算法和提高數據配準精度等方面入手，通過深入研究和技術創新，研究設計了一種雷達融合跟蹤系統。

本系統具體技術方案為，隧道右側壁部署雷達樁點，樁點間距約250 m，所有設備通過高速公路以太網連接至邊緣端Ubuntu服務器上，由服務程序運行所有跟蹤融合算法，再將結果上傳到運控平臺。算法程序基于C++語言實現，主體程序采用gstreamer開源流媒體框架編寫，以gstreamer插件的形式實現各個功能組件。主要實現的功能組件包括：雷達數據源接收模塊、軌跡濾波模塊、坐標變換模塊，數據融合模塊構成。

2.1 數據源接收模塊

數據源接收模塊與雷達建立網絡連接，接收來自雷達輸出的檢測數據。雷達根據自身檢測時間間隔，定時向數據源發送數據包，典型的時間間隔為100 ms。數據包的類型既包含目標運動狀實時數據包，還有事件檢測數據包。事件檢測類型包括停車、逆行等。不同廠家雷達之間的數據輸出格式不同，數據源接收模塊可根據配置，適配多家雷達廠商，將數據格式轉換為系統內部統一格式。

2.2 軌跡濾波模塊

在軌跡濾波模塊，使用卡爾曼濾波算法對雷達輸出的各個目標軌跡數據進行優化。為了簡化協方差矩陣的計算，使用α-β濾波器——一種具有恒定增益矩陣的卡爾曼濾波器變種算法。為了適應不同的車況和道路形狀，建立了勻速直線運動、勻加速直線運動、曲線運動等多種運動模型，從而大大提升了原始雷達輸出軌跡的質量。為了處理目標分裂的問題，通過對各個雷達覆蓋路段的大量統計數據研究，總結了各路段大概率出現分裂目標的距離范圍，對高頻分裂區域采取更為嚴格的軌跡確認標準。

2.3 坐標變換模塊

坐標變換模塊主要完成各雷達輸出數據的局部坐標系到全局坐標系的轉換。每一個雷達數據點包含目標的x軸和y軸坐標，對該坐標矢量乘以旋轉矩陣和偏移量，完成局部坐標系到全局坐標系的轉換。對每一個雷達，需要確定旋轉角以及坐標偏移量三個參數。由于隧道的特殊環境，無法完成對每一個雷達相對位置的高精度定位，利用過往車量的記錄數據，通過機器學習的算法確定每個雷達的坐標變換系數［2］。通過學習算法，可以將坐標配準平均誤差減少到3 m。這一結果已經與普通車輛的尺寸相當，為軌跡關聯算法的執行提供了有效的數據支撐。

2.4 軌跡關聯模塊

軌跡關聯模塊需要將不同雷達對于同一輛車的檢測數據關聯在一起，實現全流程的跟蹤。為了能夠正確完成關聯，需要對比兩組屬于不同雷達的軌跡之間的相似程度。對于一對軌跡，使用時間最接近的數據點間的狀態的均方誤差作為相似程度度量，對軌跡進行兩兩配對計算相似度，再對配對結果進行排序，按照相似度的高低決定關聯結果。由于雷達測量原理的原因，對目標檢測點的不同狀態的量綱、誤差大小不同，這意味著不同的狀態分量的估計誤差應該對最終決策產生不一樣的影響。為了權衡不同分量的重要性，分析雷達的歷史記錄數據，統計出了各個狀態估計誤差的方差，利用方差的倒數作為權重，對不同分量的誤差進行加權，得到相似度［3］。

2.5 云控平臺系統

上述模塊均部署在雷達數據處理服務器上，軌跡數據融合后，將融合結果通過消息隊列發送到云控平臺服務器。云控平臺完成數據車輛跟蹤軌跡的可視化顯示，并完成停車、逆行等檢測事件的記錄、上報等功能。

3 應用效果

軌跡數據的最終融合效果可視化圖像如圖2所示，圖中為兩輛行駛在兩個獨立車道的車輛軌跡，分別由6個雷達的獨立軌跡融合關聯而成。圖3是未采用機器學習方法，僅采用粗略原始定位數據進行坐標變換的效果。由圖3可知，原矯正方法兩車道車輛軌跡混疊問題嚴重，融合段軌跡誤差較大，采用機器學習方法后，兩車軌跡可以清晰地區分開來。定量數據統計顯示，融合的軌跡的均方誤差可從11 m降低到3 m。

云控平臺上展示效果如圖4所示。圖中顯示兩輛正常行駛的貨車在隧道中的實時位置。

4 結語

本文研究了一種智慧雷達融合跟蹤系統，其由雷達數據源接收模塊、軌跡濾波模塊、坐標變換模塊、軌跡關

聯模塊等組成，該系統應用了機器學習方法優化系統參數，取得了更為優異的軌跡跟蹤效果。后續可針對結合視頻數據進一步優化車輛軌跡跟蹤效果作進一步研究。

參考文獻：

［1］梁 璐，梁 杏，楊玉琳.基于雷達與視頻的高速公路數字孿生系統研究［J］.西部交通科技，2023（10）：1-7.

［2］何 友，修建娟，劉 瑜，等.雷達數據處理及其應用［M］.北京：電子工業出版社，2022.

［3］梁文靜.交通雷達多目標跟蹤方法研究［D］.西安：西安電子科技大學，2021.20240403