基于毫米波雷達(dá)的電動(dòng)汽車(chē)無(wú)線充電運(yùn)動(dòng)異物檢測(cè)與跟蹤

田 勇 楊 昊 胡 超 田勁東

基于毫米波雷達(dá)的電動(dòng)汽車(chē)無(wú)線充電運(yùn)動(dòng)異物檢測(cè)與跟蹤

田 勇1楊 昊1胡 超2田勁東1

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

電動(dòng)汽車(chē)無(wú)線充電系統(tǒng)的一次線圈和二次線圈之間存在大空間氣隙以及高強(qiáng)度磁場(chǎng)，可能對(duì)進(jìn)入充電區(qū)域的生物體造成電磁傷害。因此，系統(tǒng)需要配備可靠、靈敏的生物體檢測(cè)裝置，以便在生物體侵入保護(hù)區(qū)域時(shí)及時(shí)降低或關(guān)閉充電功率。該文研究一種基于77GHz毫米波雷達(dá)并結(jié)合卡爾曼濾波和數(shù)據(jù)關(guān)聯(lián)算法的運(yùn)動(dòng)異物檢測(cè)方法，首先通過(guò)調(diào)頻連續(xù)波雷達(dá)測(cè)量運(yùn)動(dòng)異物的速度、距離和角度；其次融合卡爾曼濾波、目標(biāo)聚類(lèi)和數(shù)據(jù)關(guān)聯(lián)算法實(shí)現(xiàn)多目標(biāo)運(yùn)動(dòng)異物的軌跡跟蹤。仿真和實(shí)驗(yàn)結(jié)果表明，該方法能夠高精度地測(cè)量運(yùn)動(dòng)異物的位置和速度，并具備相鄰多目標(biāo)檢測(cè)和跟蹤能力。

電動(dòng)汽車(chē)無(wú)線充電 生物體檢測(cè) 毫米波雷達(dá) 卡爾曼濾波 軌跡跟蹤

0 引言

無(wú)線充電具有無(wú)需插拔、安全可靠、自動(dòng)化和智能化程度高等優(yōu)點(diǎn)，能夠有效提高充電的便捷性并提供優(yōu)越的用戶(hù)體驗(yàn)[1]，有望成為未來(lái)電動(dòng)汽車(chē)慢充應(yīng)用場(chǎng)景下的主要充電模式。電動(dòng)汽車(chē)無(wú)線充電系統(tǒng)（Electric Vehicle Wireless Charging System, EV-WCS）的功率一般為kW級(jí)，比如SAEJ2954標(biāo)準(zhǔn)定義了3.7kW、7.7kW、11kW和22kW四個(gè)功率等級(jí)[2]。在此功率等級(jí)下，無(wú)線充電系統(tǒng)的車(chē)載部件（Vehicle Assembly, VA）與地面部件（Ground Assembly, GA）之間的空間區(qū)域內(nèi)存在高強(qiáng)度、高頻率的磁場(chǎng)。該磁場(chǎng)強(qiáng)度通常會(huì)超過(guò)相關(guān)標(biāo)準(zhǔn)規(guī)定的磁場(chǎng)暴露限值，對(duì)偶然進(jìn)入無(wú)線充電區(qū)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(cè)（Living Object Detection, LOD）裝置來(lái)對(duì)進(jìn)入預(yù)設(shè)保護(hù)區(qū)域的人類(lèi)及動(dòng)物等生物體（活物）進(jìn)行有效檢測(cè)，以便系統(tǒng)在檢測(cè)到有活物進(jìn)入充電區(qū)域時(shí)，及時(shí)降低充電功率或停止充電，并在檢測(cè)到活物離開(kāi)保護(hù)區(qū)域后自動(dòng)恢復(fù)充電。

現(xiàn)有EV-WCS活物檢測(cè)方法主要可分為兩類(lèi)[4]：一類(lèi)是基于場(chǎng)的檢測(cè)方法，如文獻(xiàn)[5]通過(guò)檢測(cè)安裝于充電線圈上方的梳狀電容傳感器的容值變化來(lái)實(shí)現(xiàn)生物體檢測(cè)，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(cè)進(jìn)入充電線圈上方的生物體；另一類(lèi)是基于波的檢測(cè)方法，主要包括熱成像儀[6]、超聲波傳感器和雷達(dá)[7]等。熱成像儀的檢測(cè)效果受環(huán)境的影響大，在夜晚或者下雪、高溫炎熱等條件下檢測(cè)精度低甚至完全無(wú)法檢測(cè)。超聲波傳感器難以區(qū)分靜止物體和運(yùn)動(dòng)物體，并且要求探頭暴露在系統(tǒng)殼體外面，容易受粉塵、積雪等遮擋，導(dǎo)致無(wú)法實(shí)現(xiàn)全天候工作。相比而言，毫米波雷達(dá)具有全天候工作、受環(huán)境影響小和穿透能力強(qiáng)等優(yōu)點(diǎn)，已在活物檢測(cè)領(lǐng)域有著廣泛的應(yīng)用。例如，文獻(xiàn)[8]基于毫米波雷達(dá)開(kāi)發(fā)了一款能夠識(shí)別周?chē)腥说拿と耸终?，從而輔助盲人安全行走。文獻(xiàn)[9]通過(guò)安裝在車(chē)內(nèi)的毫米波雷達(dá)來(lái)監(jiān)測(cè)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(chē)輛上鎖后有孩童遺留在車(chē)內(nèi)。文獻(xiàn)[10]開(kāi)發(fā)了基于毫米波雷達(dá)的室內(nèi)人員檢測(cè)和跟蹤系統(tǒng)，可用于安全預(yù)警。目前已實(shí)現(xiàn)規(guī)?；逃玫拇硇院撩撞ɡ走_(dá)有24GHz和77GHz兩個(gè)波段。其中，77GHz雷達(dá)相比于24GHz雷達(dá)具有更小的體積和更高的精度，并且近年來(lái)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(cè)領(lǐng)域一種具有潛力的檢測(cè)技術(shù)。例如，文獻(xiàn)[11]研究了基于毫米波雷達(dá)的汽車(chē)無(wú)線充電系統(tǒng)活物檢測(cè)，但是該方法不能實(shí)現(xiàn)多目標(biāo)檢測(cè)與軌跡跟蹤。

對(duì)于運(yùn)動(dòng)目標(biāo)軌跡的跟蹤，有助于LOD系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)是否進(jìn)入或離開(kāi)充電區(qū)域進(jìn)行更加可靠的判斷，降低對(duì)運(yùn)動(dòng)目標(biāo)漏檢和誤檢的概率，提高檢測(cè)準(zhǔn)確性。另外，充電區(qū)域內(nèi)有可能同時(shí)出現(xiàn)多個(gè)生物體，因此有必要引入多目標(biāo)跟蹤技術(shù)。在當(dāng)前的多目標(biāo)跟蹤技術(shù)中，狀態(tài)估計(jì)和數(shù)據(jù)關(guān)聯(lián)是兩個(gè)關(guān)鍵問(wèn)題。狀態(tài)估計(jì)可以獲得目標(biāo)的狀態(tài)量并對(duì)其進(jìn)行濾波，形成目標(biāo)的運(yùn)動(dòng)軌跡[12]。數(shù)據(jù)關(guān)聯(lián)可以確定當(dāng)前量測(cè)點(diǎn)的來(lái)源，將當(dāng)前量測(cè)點(diǎn)與上一時(shí)刻的量測(cè)點(diǎn)進(jìn)行關(guān)聯(lián)[13]，與狀態(tài)估計(jì)結(jié)合即可生成多個(gè)目標(biāo)的運(yùn)動(dòng)軌跡。在電動(dòng)汽車(chē)無(wú)線充電系統(tǒng)中引入多目標(biāo)跟蹤機(jī)制可以獲得更多活物在充電區(qū)域內(nèi)部和附近區(qū)域的狀態(tài)信息，系統(tǒng)可以利用這些信息綜合判斷是否需要停止充電，以便及時(shí)、準(zhǔn)確地發(fā)出預(yù)警信號(hào)，從而更好地保護(hù)進(jìn)入充電區(qū)域的生物體。目前，關(guān)于汽車(chē)無(wú)線充電活物檢測(cè)方法的研究總體較少，標(biāo)準(zhǔn)尚不完善，檢測(cè)精度還沒(méi)有具體數(shù)值的界定[14]。另外，現(xiàn)有研究主要專(zhuān)注于無(wú)線充電區(qū)域內(nèi)有無(wú)活物的判斷，缺少活物多目標(biāo)檢測(cè)和運(yùn)動(dòng)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(dá)的多目標(biāo)運(yùn)動(dòng)異物檢測(cè)和軌跡跟蹤方法，以提高活物檢測(cè)的準(zhǔn)確性和可靠性，更好地滿(mǎn)足電動(dòng)汽車(chē)無(wú)線充電活物檢測(cè)中的應(yīng)用需求。首先，分析調(diào)頻連續(xù)波雷達(dá)實(shí)現(xiàn)距離、速度和角度測(cè)量的原理；其次，闡述多目標(biāo)運(yùn)動(dòng)物體檢測(cè)和軌跡跟蹤算法；最后，通過(guò)實(shí)驗(yàn)驗(yàn)證運(yùn)動(dòng)目標(biāo)檢測(cè)算法的正確性，并通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證多目標(biāo)軌跡跟蹤的有效性。

1 調(diào)頻連續(xù)波雷達(dá)測(cè)量原理

1.1 調(diào)頻連續(xù)波原理

調(diào)頻連續(xù)波（Frequency Modulated Continuous Wave, FMCW）雷達(dá)既可測(cè)距又可測(cè)速，在近距離測(cè)量方面具有顯著優(yōu)勢(shì)。因此，本文選擇的是FMCW雷達(dá)，其工作原理如圖1所示，包括發(fā)射天線和接收天線。FMCW雷達(dá)通過(guò)發(fā)射天線將調(diào)制后的信號(hào)發(fā)射出去，接收天線接收反射信號(hào)，再利用傅里葉變換解算出目標(biāo)物體的距離、速度和角度。其中，發(fā)射波是頻率隨時(shí)間以線性規(guī)律增加的正弦波，通過(guò)測(cè)量反射信號(hào)與發(fā)射信號(hào)之間的延時(shí)、頻率和相位差異來(lái)確定目標(biāo)的距離和速度。

圖1 調(diào)頻連續(xù)波雷達(dá)原理

1.2 距離測(cè)量原理

式中，為運(yùn)動(dòng)物體與雷達(dá)之間的距離；c為光速；為發(fā)射信號(hào)頻率隨時(shí)間變化的速率。利用傅里葉變換等數(shù)據(jù)處理方法計(jì)算出中頻信號(hào)的頻率后，就可以得到。

1.3 速度測(cè)量原理

對(duì)于運(yùn)動(dòng)物體，多個(gè)反射信號(hào)的頻率接近，但是相位差別較大，可推導(dǎo)出相位差為

式中，D為發(fā)射間隔c內(nèi)的目標(biāo)移動(dòng)距離；為發(fā)射信號(hào)起點(diǎn)處的波長(zhǎng)。通過(guò)計(jì)算得到相鄰反射信號(hào)對(duì)應(yīng)的中頻信號(hào)相位差，就可以得出D，進(jìn)而可計(jì)算出物體的運(yùn)動(dòng)速度=D/c。

1.4 角度測(cè)量原理

角度的計(jì)算需要配置多個(gè)等間距分布的接收天線。當(dāng)兩個(gè)接收天線之間的距離遠(yuǎn)小于物體與雷達(dá)的距離時(shí)，可以近似認(rèn)為反射信號(hào)是平行射向各個(gè)接收天線的。對(duì)于同一個(gè)發(fā)射信號(hào)，不同的接收天線所接收到的反射信號(hào)存在相位差，通過(guò)推導(dǎo)得出相位差與角度的關(guān)系為

式中，a為雷達(dá)接收信號(hào)和發(fā)射信號(hào)的相位差；為運(yùn)動(dòng)物體相對(duì)于雷達(dá)法線方向的角度。

與速度的計(jì)算原理類(lèi)似，通過(guò)計(jì)算相位差a，就可以得出運(yùn)動(dòng)物體相對(duì)于雷達(dá)法線方向的角度。

2 運(yùn)動(dòng)目標(biāo)檢測(cè)與多目標(biāo)跟蹤

2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)

本文采用的是2發(fā)4收毫米波雷達(dá)，數(shù)據(jù)處理流程如圖2所示。恒虛警率檢測(cè)（Constant False- Alarm Rate, CFAR）可以根據(jù)輸入信號(hào)大小自適應(yīng)地確定閾值。當(dāng)輸入信號(hào)大于閾值時(shí)，認(rèn)為有目標(biāo)；否則，認(rèn)為沒(méi)有目標(biāo)。毫米波雷達(dá)發(fā)射的是調(diào)頻連續(xù)波信號(hào)，也稱(chēng)為chirp信號(hào)，該信號(hào)的特點(diǎn)是頻率隨時(shí)間呈線性變化。對(duì)每個(gè)chirp對(duì)應(yīng)的中頻信號(hào)進(jìn)行采樣，然后進(jìn)行一維快速傅里葉變換（Fast Fourier Transform, FFT），并將結(jié)果按接收天線和chirp編號(hào)進(jìn)行排列，如圖3所示。最后得出一個(gè)4××的矩陣，矩陣中的每個(gè)元素都是一維FFT處理后的值。矩陣的峰值位置的橫坐標(biāo)可以通過(guò)式（2）轉(zhuǎn)換為檢測(cè)到的運(yùn)動(dòng)物體相對(duì)于雷達(dá)的距離值。

圖2 數(shù)據(jù)處理流程

圖3 距離數(shù)據(jù)矩陣的可視化表達(dá)

將每個(gè)接收天線對(duì)應(yīng)的數(shù)據(jù)提取出來(lái)，得到4個(gè)×的矩陣。對(duì)矩陣的每一列進(jìn)行二維FFT處理，并將四個(gè)接收天線處理結(jié)果的模相加，得到一個(gè)×的檢測(cè)矩陣。對(duì)檢測(cè)矩陣進(jìn)行二維CFAR處理，檢測(cè)出峰值位置并進(jìn)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(biāo)可以通過(guò)式（3）轉(zhuǎn)換為運(yùn)動(dòng)物體的速度值。

將四個(gè)接收天線中對(duì)應(yīng)的有效峰值位置坐標(biāo)提取出來(lái)，進(jìn)行三維FFT處理，峰值位置的橫坐標(biāo)可以通過(guò)式（4）轉(zhuǎn)換為運(yùn)動(dòng)物體相對(duì)于雷達(dá)發(fā)射天線中點(diǎn)法線的角度值。

需要指出的是，LOD的目標(biāo)是能夠及時(shí)檢測(cè)出進(jìn)入預(yù)設(shè)保護(hù)區(qū)域的生物體，并采取相應(yīng)的保護(hù)措施，以避免對(duì)生物體造成潛在的電磁傷害；但由于單個(gè)FMCW雷達(dá)的測(cè)量范圍有限，因此實(shí)際應(yīng)用中往往需要通過(guò)多個(gè)雷達(dá)的協(xié)同才能實(shí)現(xiàn)對(duì)預(yù)設(shè)保護(hù)區(qū)域的全覆蓋。通過(guò)設(shè)定每個(gè)雷達(dá)的檢測(cè)角度、距離等參數(shù)閾值，可以由多個(gè)雷達(dá)組合形成滿(mǎn)足應(yīng)用要求的特定形狀的檢測(cè)區(qū)域，如橢圓形、長(zhǎng)方形等。根據(jù)運(yùn)動(dòng)物體的速度方向判斷有運(yùn)動(dòng)物體進(jìn)入保護(hù)區(qū)域時(shí)，降低充電功率或停止充電；當(dāng)運(yùn)動(dòng)物體離開(kāi)保護(hù)區(qū)域時(shí)，則恢復(fù)充電功率。

2.2 多目標(biāo)運(yùn)動(dòng)軌跡跟蹤

2.2.1 運(yùn)動(dòng)模型

運(yùn)動(dòng)模型是一種用于描述目標(biāo)實(shí)際運(yùn)動(dòng)物理狀態(tài)的模型[15]?；谶\(yùn)動(dòng)模型，可以通過(guò)目標(biāo)上一時(shí)刻的運(yùn)動(dòng)狀態(tài)估計(jì)出當(dāng)前時(shí)刻的運(yùn)動(dòng)狀態(tài)，因此運(yùn)動(dòng)模型的建立是目標(biāo)跟蹤的基礎(chǔ)。由于實(shí)際中目標(biāo)運(yùn)動(dòng)具有不確定性，建立一個(gè)在任何條件下都能準(zhǔn)確且適用的運(yùn)動(dòng)模型十分困難，所以大部分現(xiàn)有的運(yùn)動(dòng)模型都是在一定的假設(shè)條件下建立的。如果在某種假設(shè)條件下建立的運(yùn)動(dòng)模型不能準(zhǔn)確地反映目標(biāo)的實(shí)際運(yùn)動(dòng)情況，則會(huì)使跟蹤的精度降低甚至無(wú)法跟蹤。常用的運(yùn)動(dòng)模型有勻速模型和勻加速模型。

勻速模型假設(shè)目標(biāo)處于勻速直線運(yùn)動(dòng)狀態(tài)。被跟蹤目標(biāo)的狀態(tài)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(shí)刻和-1時(shí)刻目標(biāo)的狀態(tài)量；為-1時(shí)刻到時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣；為過(guò)程噪聲；d為時(shí)間間隔。

在假設(shè)目標(biāo)為勻加速直線運(yùn)動(dòng)狀態(tài)時(shí)，被跟蹤目標(biāo)的狀態(tài)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(tài)下的模型方程可表示為

勻速運(yùn)動(dòng)模型和勻加速運(yùn)動(dòng)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(guò)程噪聲，速度和加速度本身隨著狀態(tài)的變化也在迭代更新，所以運(yùn)動(dòng)目標(biāo)不是嚴(yán)格的勻速運(yùn)動(dòng)或勻加速運(yùn)動(dòng)時(shí)依然可以采用這兩種運(yùn)動(dòng)模型。當(dāng)短時(shí)間內(nèi)目標(biāo)在軸和軸方向上的運(yùn)動(dòng)可以近似為勻速直線運(yùn)動(dòng)或勻加速直線運(yùn)動(dòng)時(shí)，采用上述兩種運(yùn)動(dòng)模型能夠在減少計(jì)算量的同時(shí)達(dá)到較高精度。汽車(chē)無(wú)線充電場(chǎng)景下活物檢測(cè)的對(duì)象主要是貓、狗等小動(dòng)物，以及人類(lèi)?？紤]到這些被檢測(cè)目標(biāo)進(jìn)出檢測(cè)區(qū)域具有明顯的隨意性，連續(xù)多個(gè)時(shí)刻內(nèi)保持勻速的可能性較低，因此本文采用勻加速模型來(lái)描述活物的運(yùn)動(dòng)特征。

2.2.2 卡爾曼濾波

無(wú)線充電過(guò)程中，高頻電流會(huì)對(duì)雷達(dá)產(chǎn)生一定的噪聲干擾；同時(shí)，雷達(dá)受分辨率的限制無(wú)法精確地表達(dá)活物的位置和速度，所以有必要采用濾波算法來(lái)提高檢測(cè)精度，以及軌跡跟蹤的可靠性?？柭鼮V波通過(guò)系統(tǒng)輸入輸出觀測(cè)數(shù)據(jù)對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)[16]，尤其適用于運(yùn)動(dòng)狀態(tài)頻繁變化的運(yùn)動(dòng)行為預(yù)測(cè)，是一種廣泛應(yīng)用的跟蹤濾波算法，具有優(yōu)異的綜合性能?？柭鼮V波主要分為預(yù)測(cè)和更新兩個(gè)階段，預(yù)測(cè)階段可以根據(jù)運(yùn)動(dòng)模型建立狀態(tài)方程和觀測(cè)方程，狀態(tài)方程可以根據(jù)上一時(shí)刻的最優(yōu)估計(jì)值得到當(dāng)前時(shí)刻的預(yù)測(cè)值。由于雷達(dá)的測(cè)量值與運(yùn)動(dòng)狀態(tài)量往往不一致，所以觀測(cè)方程可以將預(yù)測(cè)的狀態(tài)量轉(zhuǎn)換為傳感器的測(cè)量值。更新階段可以對(duì)狀態(tài)方程的預(yù)測(cè)值和觀測(cè)方程的觀測(cè)值進(jìn)行加權(quán)，得到一個(gè)綜合考慮預(yù)測(cè)值和測(cè)量值的當(dāng)前時(shí)刻的最優(yōu)估計(jì)值。本文引入卡爾曼濾波算法，以減少噪聲的影響，提高目標(biāo)軌跡跟蹤精度。

當(dāng)傳感器的測(cè)量值與目標(biāo)運(yùn)動(dòng)的狀態(tài)量為線性關(guān)系時(shí)，可以使用線性卡爾曼濾波。此時(shí)，預(yù)測(cè)階段狀態(tài)方程和誤差協(xié)方差矩陣分別為

觀測(cè)方程為

當(dāng)采用勻加速運(yùn)動(dòng)模型時(shí)，狀態(tài)轉(zhuǎn)移矩陣為

若傳感器可以直接觀測(cè)到目標(biāo)軸和軸方向上的距離，則觀測(cè)量=[RR]T，此時(shí)觀測(cè)矩陣為

更新階段的過(guò)程如下。

卡爾曼濾波通過(guò)對(duì)預(yù)測(cè)和更新兩個(gè)過(guò)程的反復(fù)迭代，可以實(shí)現(xiàn)實(shí)時(shí)濾波處理，提高跟蹤精度。在實(shí)際應(yīng)用中，雷達(dá)的測(cè)量值（距離、角度和速度）大多是在極坐標(biāo)下表示的，而跟蹤的過(guò)程在直角坐標(biāo)系下進(jìn)行，所以狀態(tài)量和測(cè)量值之間的關(guān)系往往是非線性的，這時(shí)觀測(cè)矩陣無(wú)法給出，需要采用擴(kuò)展卡爾曼濾波算法。

擴(kuò)展卡爾曼濾波通過(guò)泰勒級(jí)數(shù)展開(kāi)，忽略二階及以上的高階項(xiàng)，將非線性模型近似為線性模型，使用雅可比矩陣來(lái)代替觀測(cè)矩陣，再進(jìn)行線性卡爾曼濾波。

雅可比矩陣的定義為

當(dāng)采用勻加速運(yùn)動(dòng)模型時(shí)，若傳感器的觀測(cè)量為距離、角度和速度，即=[]T，則對(duì)應(yīng)的雅可比矩陣為

2.2.3 目標(biāo)聚類(lèi)

由于汽車(chē)無(wú)線充電的活物檢測(cè)區(qū)域較?。ㄍǔＴ?m以?xún)?nèi)），而77GHz毫米波雷達(dá)的分辨率較高，所以檢測(cè)到的目標(biāo)一般為擴(kuò)展目標(biāo)，即一個(gè)目標(biāo)會(huì)產(chǎn)生多個(gè)檢測(cè)點(diǎn)。同時(shí)，在實(shí)際的檢測(cè)中由于環(huán)境的原因可能會(huì)產(chǎn)生與目標(biāo)無(wú)關(guān)的檢測(cè)點(diǎn)，即雜波點(diǎn)。所以需要對(duì)多個(gè)檢測(cè)點(diǎn)進(jìn)行聚類(lèi)以減少后續(xù)的計(jì)算量，同時(shí)需要剔除雜波點(diǎn)。在進(jìn)行多目標(biāo)跟蹤時(shí)，由于目標(biāo)數(shù)量未知，并且考慮到不同目標(biāo)產(chǎn)生的多個(gè)檢測(cè)點(diǎn)密度大致相同，所以本文采用DBSCAN（density-based spatial clustering of applications with noise）算法進(jìn)行聚類(lèi)。DBSCAN[17]是一種基于密度的聚類(lèi)方法，它將點(diǎn)云分成密度大致相同的多個(gè)簇，其示意圖如圖4所示。這種方法不需要預(yù)先給定簇的數(shù)量，而且對(duì)于點(diǎn)云的形狀沒(méi)有嚴(yán)格要求。另外，由于雜波點(diǎn)的密度和檢測(cè)點(diǎn)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(diǎn)。

圖4 DBSCAN聚類(lèi)算法示意圖

DBSCAN算法需要事先確定參數(shù)和，其中表示每個(gè)簇中最少包含的點(diǎn)數(shù)，表示空間鄰域的范圍。假設(shè)在某個(gè)數(shù)據(jù)點(diǎn)的鄰域范圍內(nèi)存在至少個(gè)其他點(diǎn)，則認(rèn)為該點(diǎn)為核心點(diǎn)。若某個(gè)核心點(diǎn)的鄰域范圍內(nèi)存在其他核心點(diǎn)，則認(rèn)為兩個(gè)核心點(diǎn)及其鄰域范圍內(nèi)的點(diǎn)為同一類(lèi)。圖4中，紅色三角形的點(diǎn)為核心點(diǎn)，DBSCAN算法在點(diǎn)云中聚類(lèi)出兩個(gè)目標(biāo)，在兩個(gè)目標(biāo)鄰域范圍之外的點(diǎn)則為離散數(shù)據(jù)點(diǎn)。

2.2.4 數(shù)據(jù)關(guān)聯(lián)

為了保證活物檢測(cè)的準(zhǔn)確性和可靠性，無(wú)線充電系統(tǒng)需要考慮多個(gè)生物體同時(shí)存在或進(jìn)出檢測(cè)區(qū)域的情況。當(dāng)預(yù)設(shè)保護(hù)區(qū)域內(nèi)同時(shí)出現(xiàn)多個(gè)生物體時(shí)，系統(tǒng)需要對(duì)各個(gè)目標(biāo)的軌跡進(jìn)行跟蹤。數(shù)據(jù)關(guān)聯(lián)是多目標(biāo)跟蹤的一個(gè)重要環(huán)節(jié)。實(shí)現(xiàn)多目標(biāo)跟蹤的重點(diǎn)在于對(duì)當(dāng)前檢測(cè)點(diǎn)的來(lái)源進(jìn)行判斷，即當(dāng)前檢測(cè)點(diǎn)與已有的航跡進(jìn)行匹配[18]。單一的卡爾曼濾波只能實(shí)現(xiàn)對(duì)單個(gè)目標(biāo)的跟蹤，當(dāng)檢測(cè)范圍內(nèi)出現(xiàn)多個(gè)目標(biāo)時(shí)，若卡爾曼濾波的預(yù)測(cè)值和傳感器的測(cè)量值無(wú)法匹配，則在計(jì)算過(guò)程中會(huì)出現(xiàn)發(fā)散的情況，導(dǎo)致跟蹤錯(cuò)誤進(jìn)而影響活物檢測(cè)系統(tǒng)的判斷。進(jìn)行數(shù)據(jù)關(guān)聯(lián)后，可以將檢測(cè)到的目標(biāo)點(diǎn)進(jìn)行分類(lèi)，再分別對(duì)每一類(lèi)進(jìn)行跟蹤，從而實(shí)現(xiàn)多目標(biāo)跟蹤。

關(guān)聯(lián)波門(mén)是數(shù)據(jù)關(guān)聯(lián)的基礎(chǔ)。它是整體檢測(cè)區(qū)域中的子區(qū)域，其波門(mén)中心由預(yù)測(cè)值決定，波門(mén)大小由新息協(xié)方差決定。落入關(guān)聯(lián)波門(mén)內(nèi)的檢測(cè)點(diǎn)稱(chēng)為候選點(diǎn)。常用的波門(mén)形狀包括環(huán)形、矩形、橢圓形和極坐標(biāo)下的扇形，本文選擇橢圓形波門(mén)。

橢圓形波門(mén)是根據(jù)馬氏距離生成的一種波門(mén)。馬氏距離通過(guò)樣本的分布規(guī)律可以有效表示兩個(gè)樣本的相似程度，其定義為

若檢測(cè)點(diǎn)與預(yù)測(cè)點(diǎn)的馬氏距離小于閾值 （跟蹤門(mén)的門(mén)限），則該檢測(cè)點(diǎn)為候選點(diǎn)，即

式中，門(mén)限根據(jù)卡方分布獲得，卡方分布的自由度由測(cè)量值的維數(shù)決定。對(duì)于毫米波雷達(dá)，測(cè)量值是三維數(shù)據(jù)，則卡方分布的自由度為3。

在數(shù)據(jù)關(guān)聯(lián)中，直接選擇與預(yù)測(cè)值點(diǎn)的馬氏距離最小的候選點(diǎn)作為航跡關(guān)聯(lián)點(diǎn)的方法稱(chēng)為最近鄰域法。最近鄰域法簡(jiǎn)單、實(shí)時(shí)性好，在少雜波和目標(biāo)稀疏的情況下具有較好的性能，但是在多雜波或跟蹤目標(biāo)密集的時(shí)候關(guān)聯(lián)效果較差。

聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法（Joint Probabilistic Data Association, JPDA）是一種在概率數(shù)據(jù)關(guān)聯(lián)算法的基礎(chǔ)之上提出的數(shù)據(jù)關(guān)聯(lián)算法。它通過(guò)排列組合和窮舉的思想，計(jì)算出最高概率的關(guān)聯(lián)方式，能夠?qū)γ芗s波環(huán)境下的多目標(biāo)進(jìn)行有效跟蹤。JPDA認(rèn)為每個(gè)檢測(cè)點(diǎn)既有可能來(lái)源于已有航跡，也有可能來(lái)源于虛警，通過(guò)計(jì)算每個(gè)檢測(cè)點(diǎn)與已有航跡的關(guān)聯(lián)性，建立確認(rèn)矩陣。確認(rèn)矩陣中既包括了檢測(cè)點(diǎn)來(lái)源于已有航跡的可能，也包括了檢測(cè)點(diǎn)是虛警的可能性。將確認(rèn)矩陣進(jìn)行拆分，生成關(guān)聯(lián)矩陣，然后計(jì)算關(guān)聯(lián)矩陣的關(guān)聯(lián)概率，得到檢測(cè)點(diǎn)來(lái)源于已有航跡的概率和來(lái)源于虛警的概率，最后將每個(gè)檢測(cè)點(diǎn)的狀態(tài)量進(jìn)行加權(quán)平均，得到目標(biāo)狀態(tài)的最終估計(jì)值[19]。

假設(shè)有個(gè)已有航跡，當(dāng)前時(shí)刻有個(gè)檢測(cè)點(diǎn)，則確認(rèn)矩陣可以表示為

確認(rèn)矩陣的每個(gè)元素非0即1，為1表示第個(gè)檢測(cè)點(diǎn)與第個(gè)航跡關(guān)聯(lián)，反之，為0表示第個(gè)檢測(cè)與第個(gè)航跡不關(guān)聯(lián)，確認(rèn)矩陣的第一列都為1表示所有檢測(cè)點(diǎn)都有可能來(lái)源于虛警。

得到確認(rèn)矩陣后按照排列組合的方法進(jìn)行拆分，生成對(duì)應(yīng)每種可能的關(guān)聯(lián)矩陣。拆分的過(guò)程需要遵循以下兩個(gè)基本準(zhǔn)則：

（1）每個(gè)檢測(cè)點(diǎn)的來(lái)源是唯一的，即每一行有且僅有一個(gè)元素為1，其余為0。

（2）每個(gè)航跡最多關(guān)聯(lián)一個(gè)檢測(cè)點(diǎn)，即除第一列以外，其他列中最多有一個(gè)元素為1。

得到關(guān)聯(lián)矩陣后，計(jì)算每個(gè)關(guān)聯(lián)矩陣的關(guān)聯(lián)概率。假設(shè)與某個(gè)航跡關(guān)聯(lián)的概率服從高斯分布N(Z())，則關(guān)聯(lián)概率為

式中，p為泊松分布系數(shù)，表示虛警的空間密度，此時(shí)關(guān)聯(lián)概率為

式中，為常數(shù)。此時(shí)關(guān)聯(lián)概率為

計(jì)算得到關(guān)聯(lián)概率后，利用全概率公式對(duì)卡爾曼濾波中的狀態(tài)量和協(xié)方差矩陣進(jìn)行更新。

綜上所述，考慮到汽車(chē)無(wú)線充電的活物檢測(cè)區(qū)域較小，多目標(biāo)跟蹤時(shí)多個(gè)活物的運(yùn)動(dòng)軌跡靠近甚至交叉的可能性較大；另外，充電過(guò)程中由于高頻電流產(chǎn)生的雜波也可能較為密集，本文選擇JPDA數(shù)據(jù)關(guān)聯(lián)算法。JPDA的優(yōu)勢(shì)在于雜波和目標(biāo)密集時(shí)依然具有良好的性能。

3 仿真與實(shí)驗(yàn)驗(yàn)證

本節(jié)將通過(guò)實(shí)驗(yàn)和仿真，驗(yàn)證第1節(jié)和第2節(jié)所述多目標(biāo)運(yùn)動(dòng)物體檢測(cè)和軌跡跟蹤方法的有效性。搭建的實(shí)驗(yàn)系統(tǒng)如圖5所示，一次側(cè)和二次側(cè)均采用LCC諧振補(bǔ)償結(jié)構(gòu)[20]，接收線圈（外輪廓260×260mm2，共10匝）和發(fā)射線圈（外輪廓580× 420mm2，共20匝）尺寸根據(jù)SAEJ2954中的WPT1/Z1標(biāo)準(zhǔn)設(shè)計(jì)，線圈距離11cm，詳細(xì)參數(shù)配置見(jiàn)表1。CAN收發(fā)模塊用于將毫米波雷達(dá)的檢測(cè)結(jié)果上傳到上位機(jī)。實(shí)驗(yàn)中采用的77GHz毫米波雷達(dá)型號(hào)為T(mén)IIWR1642。該雷達(dá)集成了C674x DSP和ARM Cortex-R4F微控制器，具有4GHz的連續(xù)帶寬，水平視角為120°，垂直視角為30°，參數(shù)配置為：最大探測(cè)距離為9m，距離分辨率為0.044m，最快探測(cè)速度為2m/s，速度分辨率為0.13m/s。根據(jù)文獻(xiàn)[3]的研究結(jié)果，當(dāng)無(wú)線充電功率為7.7kW和22kW時(shí)，安全距離分別為0.6m和0.7m。因此，本文所采用的毫米雷達(dá)的距離測(cè)量范圍和分辨率能夠滿(mǎn)足汽車(chē)無(wú)線充電活物檢測(cè)應(yīng)用的要求。

表1 實(shí)驗(yàn)系統(tǒng)參數(shù)

3.1 運(yùn)動(dòng)物體檢測(cè)實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證圖2中所示距離、角度和速度測(cè)量算法的有效性，構(gòu)建了如圖5所示的實(shí)驗(yàn)場(chǎng)景，毫米波雷達(dá)置于線圈邊沿10cm處。扇形區(qū)域?yàn)樵O(shè)定的單個(gè)雷達(dá)檢測(cè)區(qū)域，整個(gè)大扇形區(qū)域的角度為120°，每個(gè)小扇形區(qū)域?yàn)?0°。分別在開(kāi)啟和關(guān)閉充電功率條件下（二次側(cè)輸出功率為1kW時(shí)的實(shí)驗(yàn)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(cè)線圈電流和負(fù)載電流），開(kāi)展了以下四組測(cè)試：

（1）測(cè)試一，單個(gè)運(yùn)動(dòng)物體位于雷達(dá)0°方向、60cm處。

圖5 實(shí)驗(yàn)系統(tǒng)實(shí)物照片

圖6 1kW功率輸出實(shí)驗(yàn)波形

（2）測(cè)試二，單個(gè)運(yùn)動(dòng)物體位于雷達(dá)60°方向、60cm處。

（3）測(cè)試三，兩個(gè)運(yùn)動(dòng)物體分別位于雷達(dá)30°和-30°方向、40cm處。

（4）測(cè)試四，兩個(gè)運(yùn)動(dòng)物體位于雷達(dá)0°方向、50cm處，運(yùn)動(dòng)方向相反。

實(shí)驗(yàn)中，采用成人的拳頭模擬運(yùn)動(dòng)物體。經(jīng)過(guò)靜態(tài)雜波濾除算法濾除周邊靜態(tài)物體后的運(yùn)動(dòng)物體檢測(cè)結(jié)果見(jiàn)表2。從實(shí)驗(yàn)結(jié)果可以看出，本文開(kāi)發(fā)的運(yùn)動(dòng)異物檢測(cè)方法能夠較為準(zhǔn)確地檢測(cè)出預(yù)設(shè)范圍內(nèi)的運(yùn)動(dòng)物體的距離、角度和數(shù)量，距離測(cè)量誤差在2cm以?xún)?nèi)；具有較高的距離分辨率，能夠區(qū)分距離較近的相鄰運(yùn)動(dòng)物體，滿(mǎn)足汽車(chē)無(wú)線充電實(shí)際應(yīng)用中對(duì)于多個(gè)目標(biāo)生物體檢測(cè)的需求；無(wú)線充電功率開(kāi)啟與否，對(duì)檢測(cè)精度沒(méi)有明顯影響。需要指出的是，在多次實(shí)驗(yàn)過(guò)程中，很難保持運(yùn)動(dòng)物體的位置一致，因此表2中給出的是通過(guò)多次測(cè)量取平均值的結(jié)果。

表2 運(yùn)動(dòng)物體檢測(cè)結(jié)果

3.2 多目標(biāo)跟蹤仿真及實(shí)驗(yàn)驗(yàn)證

仿真場(chǎng)景配置如圖7所示，檢測(cè)區(qū)域扇形角度為（-60°, 60°），半徑為1m；充電警戒區(qū)域的扇形角度為（-60°, 60°），半徑為0.7m。當(dāng)目標(biāo)進(jìn)入檢測(cè)區(qū)域時(shí)開(kāi)始對(duì)其進(jìn)行跟蹤，當(dāng)目標(biāo)進(jìn)入充電警戒區(qū)域時(shí)，系統(tǒng)應(yīng)降低充電功率或停止充電，直到充電警戒區(qū)域內(nèi)沒(méi)有活物才恢復(fù)正常充電。

圖7 仿真數(shù)據(jù)點(diǎn)分布

本節(jié)對(duì)5個(gè)勻加速目標(biāo)進(jìn)行仿真模擬，整個(gè)跟蹤過(guò)程共計(jì)120個(gè)時(shí)刻，時(shí)間間隔d=0.05s。目標(biāo)a和b從第一個(gè)時(shí)刻開(kāi)始運(yùn)動(dòng)，目標(biāo)c在第20個(gè)時(shí)刻開(kāi)始運(yùn)動(dòng)，目標(biāo)d在第40個(gè)時(shí)刻開(kāi)始運(yùn)動(dòng)，目標(biāo)e在第60個(gè)時(shí)刻開(kāi)始運(yùn)動(dòng)。目標(biāo)a的初始位置和狀態(tài)為[-0.8m, 1.1m, 0.25m/s,-0.5m/s,-0.055m/s2, 0.17m/s2]，目標(biāo)b的初始位置和狀態(tài)為[0.8m,1.1m,-0.25m/s,-0.5m/s, 0.055m/s2, 0.17m/s2]，目標(biāo)c的初始位置和狀態(tài)為[0.9m,0.75m,-0.35m/s,-0.45m/s, 0m/s2, 0.18m/s2]，目標(biāo)d的初始位置和狀態(tài)為[1m,0.75m,-0.38m/s, 0m/s,-0.04m/s2, 0m/s2]，目標(biāo)e的初始位置和狀態(tài)為[0.1m,1.1m,-0.05m/s,-0.4m/s, 0m/s2, 0m/s2]。第五個(gè)目標(biāo)在靠近無(wú)線充電裝置的過(guò)程中加入了速度方向的突變，即將沿軸的速度方向突然調(diào)轉(zhuǎn)180°。5個(gè)目標(biāo)均為擴(kuò)展目標(biāo)，在生成目標(biāo)點(diǎn)跡圖時(shí)加入了噪聲，噪聲的密度滿(mǎn)足泊松分布、坐標(biāo)滿(mǎn)足均勻分布。圖7給出了仿真中120個(gè)時(shí)刻內(nèi)所有目標(biāo)點(diǎn)及噪聲點(diǎn)的分布情況。

圖8 目標(biāo)聚類(lèi)結(jié)果及誤差

圖9a給出了對(duì)5個(gè)目標(biāo)的實(shí)際軌跡和跟蹤結(jié)果，圖9b給出了軌跡跟蹤的方均誤差?？梢钥闯?，本文算法能夠?qū)Χ鄠€(gè)目標(biāo)同時(shí)進(jìn)行跟蹤。每個(gè)目標(biāo)的跟蹤誤差最大值均出現(xiàn)在初期，并且跟蹤誤差隨時(shí)間整體呈下降趨勢(shì)，下降到一定程度后保持穩(wěn)定。當(dāng)有新的跟蹤目標(biāo)出現(xiàn)時(shí)，雷達(dá)依然可以對(duì)其進(jìn)行跟蹤，并且在經(jīng)過(guò)一段時(shí)間后，跟蹤誤差可以下降到較低水平。在各個(gè)目標(biāo)出現(xiàn)后的15個(gè)時(shí)刻內(nèi)的跟蹤誤差平均值分別為0.58cm、0.67cm、0.87cm、3.3cm和0.42cm。每個(gè)目標(biāo)在出現(xiàn)15個(gè)時(shí)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(gè)目標(biāo)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(gè)目標(biāo)軌跡跟蹤結(jié)果及誤差

另外，由圖9可知，目標(biāo)e在運(yùn)動(dòng)過(guò)程中加入了速度方向的突變，所以在突變瞬間出現(xiàn)了目標(biāo)丟失。這是因?yàn)閿?shù)據(jù)關(guān)聯(lián)的依據(jù)是相鄰時(shí)刻之間距離、角度和速度三個(gè)量的關(guān)系，速度方向如果突然發(fā)生明顯改變，則會(huì)造成關(guān)聯(lián)失敗，此時(shí)完全根據(jù)卡爾曼濾波的預(yù)測(cè)值生成軌跡。連續(xù)多個(gè)時(shí)刻關(guān)聯(lián)失敗則取消對(duì)當(dāng)前軌跡的跟蹤，利用檢測(cè)點(diǎn)重新生成目標(biāo)軌跡。同時(shí)，由于本文采用的是勻加速運(yùn)動(dòng)模型，生成軌跡的過(guò)程中會(huì)更傾向于目標(biāo)進(jìn)行曲線運(yùn)動(dòng)，因此在對(duì)目標(biāo)d跟蹤時(shí)前15個(gè)時(shí)刻的誤差較大，后續(xù)誤差逐漸降低。

為了進(jìn)一步驗(yàn)證本文運(yùn)動(dòng)物體軌跡跟蹤算法的有效性，在系統(tǒng)二次側(cè)輸出功率1kW的條件下，開(kāi)展了以下三組軌跡跟蹤實(shí)驗(yàn)測(cè)試：

（1）測(cè)試a：運(yùn)動(dòng)物體從雷達(dá)（0°, 80cm）處運(yùn)動(dòng)至（0°, 40cm）處，然后再返回起始點(diǎn)。

（2）測(cè)試b：運(yùn)動(dòng)物體從雷達(dá)（-30°, 80cm）處運(yùn)動(dòng)至（-30°, 20cm）處，然后再返回起始點(diǎn)。

（3）測(cè)試c：運(yùn)動(dòng)物體從雷達(dá)（30°, 80cm）處運(yùn)動(dòng)至（30°, 20cm）處，然后再返回起始點(diǎn)。

三組軌跡跟蹤實(shí)驗(yàn)結(jié)果如圖10所示?？梢钥闯?，雷達(dá)檢測(cè)點(diǎn)分布在參考軌跡5cm范圍以?xún)?nèi)，各個(gè)運(yùn)動(dòng)物體的跟蹤軌跡和參考軌跡的重合度較高，說(shuō)明本文算法對(duì)不同方向、不同距離的運(yùn)動(dòng)物體均能準(zhǔn)確地進(jìn)行軌跡跟蹤。需要說(shuō)明的是，由于實(shí)驗(yàn)中采取手動(dòng)移動(dòng)測(cè)試物體的方式，無(wú)法準(zhǔn)確獲取各個(gè)運(yùn)動(dòng)物體每個(gè)時(shí)刻的真實(shí)位置，也難以保證模擬運(yùn)動(dòng)物體始終嚴(yán)格按照參考軌跡運(yùn)動(dòng)，因此本文并未對(duì)軌跡跟蹤實(shí)驗(yàn)結(jié)果做定量誤差分析。

圖10 三組軌跡跟蹤實(shí)驗(yàn)結(jié)果

無(wú)線充電系統(tǒng)活物檢測(cè)應(yīng)用中，相比于僅采用雷達(dá)原始測(cè)量數(shù)據(jù)，使用濾波后的值作為判斷活物是否進(jìn)入充電區(qū)域的依據(jù)會(huì)更加準(zhǔn)確。引入軌跡跟蹤機(jī)制后，活物檢測(cè)系統(tǒng)可以根據(jù)目標(biāo)運(yùn)動(dòng)軌跡和趨勢(shì)采取更加精細(xì)化的保護(hù)措施。比如，當(dāng)檢測(cè)到運(yùn)動(dòng)目標(biāo)向充電區(qū)域靠近且有進(jìn)入充電保護(hù)區(qū)域的趨勢(shì)時(shí)，系統(tǒng)可以提前降低充電功率，當(dāng)活物進(jìn)入充電保護(hù)區(qū)域后再關(guān)閉充電功率；當(dāng)檢測(cè)到運(yùn)動(dòng)目標(biāo)從充電保護(hù)區(qū)域向外運(yùn)動(dòng)至一定距離時(shí)，則自動(dòng)恢復(fù)充電。這也將有助于提高活物檢測(cè)的準(zhǔn)確率和可靠性。

4 結(jié)論

為了避免電動(dòng)汽車(chē)無(wú)線充電區(qū)域內(nèi)的高頻高功率磁場(chǎng)對(duì)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(dá)的運(yùn)動(dòng)異物檢測(cè)和運(yùn)動(dòng)軌跡跟蹤方法。闡述了毫米波雷達(dá)實(shí)現(xiàn)距離、速度和角度測(cè)量的基本原理，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，該方法具有較高的距離測(cè)量精度，且能夠?qū)崿F(xiàn)多目標(biāo)檢測(cè)，滿(mǎn)足電動(dòng)汽車(chē)無(wú)線充電活物檢測(cè)的需求。在運(yùn)動(dòng)異物檢測(cè)的基礎(chǔ)上，引入了結(jié)合卡爾曼濾波和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法的運(yùn)動(dòng)軌跡跟蹤機(jī)制，以對(duì)充電區(qū)域外一定范圍內(nèi)和充電區(qū)域內(nèi)部的運(yùn)動(dòng)物體進(jìn)行跟蹤。仿真和實(shí)驗(yàn)結(jié)果表明，卡爾曼濾波算法可以平滑目標(biāo)運(yùn)動(dòng)軌跡，存在雜波和目標(biāo)軌跡交叉的情況下，聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法依然能夠完成數(shù)據(jù)關(guān)聯(lián)，實(shí)現(xiàn)多目標(biāo)跟蹤。

本文實(shí)現(xiàn)活物檢測(cè)的原理是多普勒效應(yīng)。從本質(zhì)上來(lái)講，任何與雷達(dá)之間存在相對(duì)運(yùn)動(dòng)的物體都將使雷達(dá)產(chǎn)生響應(yīng)。因此，從硬件層面并不能明確區(qū)分運(yùn)動(dòng)物體是生物體或非生物體，故本文并未嚴(yán)格區(qū)分運(yùn)動(dòng)物體和生物體。在未來(lái)的工作中，將嘗試通過(guò)目標(biāo)的運(yùn)動(dòng)特征、點(diǎn)云形狀和相同距離下的反射信號(hào)強(qiáng)度等差異從算法層面來(lái)實(shí)現(xiàn)生物體和非生物體的區(qū)分，以更好地滿(mǎn)足無(wú)線充電系統(tǒng)活物檢測(cè)的應(yīng)用需求。

[1] 薛明, 楊慶新, 章鵬程, 等. 無(wú)線電能傳輸技術(shù)應(yīng)用研究現(xiàn)狀與關(guān)鍵問(wèn)題[J]. 電工技術(shù)學(xué)報(bào), 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(dòng)汽車(chē)靜態(tài)無(wú)線充電技術(shù)研究綜述(上篇)[J]. 電工技術(shù)學(xué)報(bào), 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(wú)線電能傳輸系統(tǒng)異物檢測(cè)技術(shù)綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 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(shù)據(jù)關(guān)聯(lián)和改進(jìn)統(tǒng)計(jì)模型的激光雷達(dá)目標(biāo)跟蹤研究[J]. 汽車(chē)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(biāo), 李聰, 郭交, 等. 多普勒信息輔助的雜波環(huán)境下多目標(biāo)跟蹤算法[J]. 電子科技大學(xué)學(xué)報(bào), 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(xiàn), 邢子瑤, 薛明, 等. 無(wú)線電能傳輸系統(tǒng)異物檢測(cè)技術(shù)研究綜述[J]. 電工技術(shù)學(xué)報(bào), 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(gòu)時(shí)間相關(guān)模型的面對(duì)稱(chēng)飛行器機(jī)動(dòng)估計(jì)[J]. 宇航學(xué)報(bào), 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(dòng)態(tài)軌跡預(yù)測(cè)算法[J]. 電子學(xué)報(bào), 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(lài)俊駒, 黎陽(yáng)羊, 等. 基于自適應(yīng)DBSCAN算法的開(kāi)關(guān)柜絕緣狀態(tài)評(píng)價(jià)方法[J]. 電工技術(shù)學(xué)報(bào), 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(lè)孜純, 王慧, 等. 多目標(biāo)跟蹤中的數(shù)據(jù)關(guān)聯(lián)技術(shù)綜述[J]. 計(jì)算機(jī)科學(xué), 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(dá)多目標(biāo)跟蹤技術(shù)發(fā)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(diǎn)領(lǐng)域研發(fā)計(jì)劃資助項(xiàng)目（2020B0404030004）。

2021-10-07

2021-11-30

田 勇 男，1985年生，博士，副教授，研究方向?yàn)闊o(wú)線電能傳輸技術(shù)。

E-mail: ytian@szu.edu.cn

田勁東 男，1973年生，教授，研究方向?yàn)楣鈱W(xué)檢測(cè)技術(shù)及其應(yīng)用。

E-mail: jindt@szu.edu.cn（通信作者）

（編輯 郭麗軍）