FMCW MIMO雷达对人的跟踪的定量评估
摘要：本文利用多输入多输出（MIMO）调频连续波（FMCW）雷达，制定并分析了室内环境中多人的跟踪问题。目的是评估FMCW MIMO雷达在相对有限带宽的情况下的性能，以便在各种场景下准确跟踪单个和多个个体。对三种不同的跟踪方法进行了单目标和多目标场景进行了比较和定量分析。由于角度分辨率对区分多个目标具有重要意义，因此比较了不同跟踪器之间使用的MIMO通道数量的影响。通过轨迹关联/分配中的距离误差和基数误差指标分析了性能。
引言
基于雷达的室内人体跟踪是一个非常活跃的研究领域，利用了使用雷达传感器的优势，该传感器进行非接触式操作，不需要用户附加或佩戴额外的设备。他们也比相机更尊重个人隐私，而且对环境光不敏感。该领域的研究活动始于单个或分布式单静态雷达，因为其低成本和易于制造。然而，随着电子和制造技术的进步，本研究领域的每个雷达传感器通常都是一个多输入多输出（MIMO）雷达。
MIMO雷达的发展通过在现有的距离和多普勒测量中增加方位和俯仰信息，扩大了能力，能够更准确地估计出在室内环境中移动的人的位置甚至姿态。用于人类监测的处理管道，如跟踪和分类，可以从距离-方位角（RA）或距离-多普勒（RD）地图开始运行。前者可以通过避免多普勒扩散效应，提供在帧上多人近距离的更稳定的特征，但受到雷达角度分辨率的严重影响。
在紧凑的设备中，实现精细的角度分辨率通常需要不太行的MIMO信道数量，再加上使用相对较低的带宽和载波频率，在杂乱和多路径的室内环境中，多目标跟踪成为一个重大挑战。本文提出了三种算法对跟踪结果的定量评估，不同数量的MIMO通道在不同的情况下用于更细/更粗的角度分辨率。所考虑的场景包括1人随机行走，2人并排行走，两人之间的间距为0.5米，3人随机行走。用于性能评估的定量度量包括距离误差和OSPA（最优子模式分配度量）度量，它也解释了在分配错误的轨迹编号时的基数误差。
本文的其余部分组织如下。在第二节中，给出了跟踪方法。实验设置见第三节，并给出了结果和性能分析。最后，本文在第四节中进行了总结。
跟踪方法
在我们之前的工作中，提出了一种使用MIMO FMCW雷达进行人类监测的通用数据处理pipeline。具体来说，有两种可能的变体，一种pipeline从图1所示的距离方位角（RA）地图中提取点云，另一种pipeline从距离多普勒（RD）地图中提取点云。对于追踪多个在非预定义方向上移动的人的问题，从RA地图中检测到的信息包含了更稳定的信息。检测完成后，采用基于密度的噪声应用空间聚类（DBSCAN）算法对属于目标的检测点进行分组。DBSCAN特别适合于扩展目标，因为它能够处理不规则形状的集群，并自动识别数据中的离群点。这个步骤可以帮助区分多个目标并减少错误警报，即使当多个目标在一个分辨率单元内彼此接近时，其性能可以降低。
在聚类之后，本文实现了不同的跟踪算法并进行了评估，以找到新检测与当前轨迹之间的最优匹配。更新和正确的过程步骤一般都是基于卡尔曼滤波器框架，并包含在跟踪步骤中。本文对这三种跟踪算法的讨论如下。
GNN
全球最近邻是最近邻（NN）算法的多目标版本。算法考虑新检测和当前轨迹之间的所有可能配对并根据距离成本函数选择最可能的关联。在考虑多目标场景时，跟踪器通常涉及新航迹初始化、更新当前航迹和处理航迹终止的策略。需要一个基于“m out of n”方法的历史逻辑的轨道管理系统。
JPDA
联合概率数据关联（JPDA）是概率数据关联（PDA）的扩展，它获得从测量到目标的概率。JPDA的关键特性是它评估以下联合关联事件的条件概率：
Ajt(k)是时刻k，跟踪目标t的测量结果j,j=1,...,m, t=0,1,...,NT;
tj是与测量j相关的目标；t从0开始，表示考虑了遗漏检测；NT是轨迹号。
MHT
多重假设跟踪器（MHT）在帧的多重扫描上做出艰难的关联决策。它创建了多个潜在的轨迹，并不断地评估假设，以确定最有可能的轨迹配置。MHT算法具有鲁棒性，但计算代价昂贵，特别是在杂乱密集的情况下。传统的数据关联方法考虑每个测量-轨迹关联的单一假设，MHT同时考虑多个可能的假设，并以概率的方式评估它们，以确定最有可能的轨迹集。
该算法允许关于检测分配的多个假设。对轨迹的检测分配将为指定的轨迹创建分支。没有指定检测的轨道被滑行（即预测）。所有的轨迹分支都有评分。为了管理计算复杂度，初始分数较低的分支会被修剪。这就减少了在后续步骤中需要考虑的假设的数量。然后，将生成在其历史记录中共享检测结果（不兼容的分支）的分支集群。制定了兼容分支的全球假设并进行了评分。根据分支在全局假设中的存在情况对其进行评分。得分较低的树枝被修剪。基于n-扫描的历史记录执行额外的剪枝。所有的轨迹都被修正和预测到输入的时间。此外，MHT还包括跟踪管理策略，如跟踪修剪、跟踪合并和跟踪终止，以随着时间的推移保持跟踪的一致性和可靠性。
实验结果及比较
为了评估和比较拟议管道中的不同跟踪算法，我们在代尔夫特理工大学MS3组的实验室房间内收集了一个专门的数据集。房间是一个杂乱的环境与家具，如桌子、椅子和金属橱柜。使用商用FMCW雷达（由Joby奥地利设计，前INRAS），带宽为250 MHz，评估性能，详细参数设置列于表1。由于带宽相对较窄，其范围分辨率被限制在60厘米以内。因此，目标可以在范围轮廓中占据大区域，这可能导致多个目标场景的重叠和合并。为了定量分析跟踪性能，使用辅助RGBD摄像机在进行雷达测量的同时采集地面真实数据。值得注意的是，由于最大范围被限制在6米，如果人们在测量过程中超过了这个范围，跟踪ID开关可能会在地面真相中发生。
对于单个目标场景，评估距离误差（例如，中值误差、平均绝对误差和均方根误差）就足够了。为了评估多目标跟踪系统的精度，还考虑了最优子模式分配（OSPA）度量。距离雷达1米。对于每个活动，数据都在“稳态”下进行专门分析，不包括从101号到500号样本的记录的开始和结束，即总共400个样本，相当于40秒。这避免了在开始和结束时的不确定数据，即参与者可能没有沿着期望的轨迹移动。
1人场景的跟踪结果
1人随机行走的数值结果列于表2。并给出了相应的跟踪结果在图2中，当使用6个通道进行角度估计时。首先，当使用较少的通道时，由于角度分辨率较粗，距离误差增大。中值误差约为23厘米，可在60厘米的范围分辨率（与250MHz带宽相关）的背景下进行考虑。GNN和JPDA跟踪算法的性能非常接近。MHT跟踪器具有较低的中值误差，因为它考虑了多个假设，从而给出了更准确的分配。然而，MHT方法显示了更多的错误轨迹，如图2d所示，未分配的轨迹也显示了类似的趋势。在图3中，显示了每个测量时间步长的OSPA。红色虚线是定位误差分量，而蓝色虚线是基数/分配误差。
2人场景的跟踪结果
图4显示了2人平行行走的轨迹，间距0.5m，12个通道用于角度估计。同一个人的轨迹历史颜色变化（即错过检测事件），但仍然是两个人正相对于雷达视线沿径向移动。2人的平均OSPA约为0.32。MHT跟踪器似乎比其他两种方法产生了更多的错误轨迹。如果两个人走得更随机，跟踪性能将会提高，这减少了粗角度分辨率的影响。
3人场景的跟踪结果
当使用12个通道进行角度估计时，3人随机行走的轨迹如图5所示。首先，这三个人的发展轨迹都是可以识别的。GNN和JPDA方法显示了一个在中间和左边的人之间的ID切换。MHT的结果比GNN和JDPA显示出更多的错误轨迹。跨不同指标的定量结果如表4所示。当GNN和JPDA使用12个通道时，平均OSPA约为0.3，但如果使用较少的通道时，则显著增加。
结论
本文利用一种相对较低带宽的FMCW MIMO雷达的实验数据，对三种不同算法的室内人员跟踪处理管道进行了评估。收集了多达3人在一个带家具的房间里行走的场景。对于每个跟踪器，还比较了用于角度估计的不同数量的MIMO信道的跟踪结果。结果表明，GNN和JPDA方法都取得了相当的性能，当使用6个通道时，定位MAE约为23cm，OSPA为0.23。对于两个平行行走的人，需要更精细的角度分辨率来区分这些人，当使用12个通道时，MAE约为21厘米，OSPA为0.32。对于随机行走的3人，当使用12个通道时，MAE约为24厘米，OSPA为0.3。