汽车行业自诞生之日起，就始终与“安全”二字紧密相连。而今自动驾驶技术蓬勃发展，让越来越多人关注行车安全。核心传感器之一——毫米波雷达，在自动驾驶技术中扮演着举足轻重的作用。毫米波雷达在实际应用中，当在对目标进行距离、角度测量时，往往会受到多因素影响，一旦处理不好，就会产生漏警或虚警等结果，其后果是相当严重的！所以，卡尔曼滤波在毫米波雷达的应用上，就扮演着至关重要的角色。

卡尔曼&卡尔曼滤波

什么是卡尔曼滤波？卡尔曼滤波和傅立叶变换、泰勒级数一样，都是以其发明人命名。稍微不同的是，卡尔曼是个现代人！卡尔曼是匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953和1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要了解的卡尔曼滤波器，正是源于他的论文《线性滤波与预测问题的新方法》。

讲完卡尔曼，再讲讲滤波。本质上，滤波就是一个信号处理与变换（去除或减弱不想要的成分，增强所需成分）的过程，这个过程既可以通过硬件来实现，也可以通过软件来实现。卡尔曼滤波属于一种软件滤波方法，其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。

卡尔曼滤波的作用，用上图可以效果直观体现。原本波动厉害的曲线，经过卡尔曼滤波后，我们可以得到一条平滑的曲线。卡尔曼滤波器可以估计信号的过去和当前状态，甚至能估计将来的状态，即使并不知道模型的确切性质。所以简单来说，卡尔曼滤波器是一个最优化自回归数据处理算法，而这种应用适用范围极广，从机器人导航、控制、各类传感器数据融合，乃至军事方面雷达系统及导弹追踪等。近年来更被应用于计算机图像处理，例如人脸识别、图像分割、图像边缘检测等等，是一种适用范围广、功能强大的软件算法！

卡尔曼滤波+车载毫米波雷达

简单点说，卡尔曼滤波可以用于提高车载毫米波雷达目标的位置跟踪准确性。雷达在探测到目标并记录目标位置数据后，对数据（我们称它为“点迹”）进行处理，将会自动形成一条航迹，并对目标下一时刻的位置进行预测。

但实际上，在对目标距离、角度进行测量时，由于地形、多径、漫反射等等因素导致了噪声扰动”，这种扰动就会导致点迹波动、断点、杂点较多等情况。一旦出现这样的情况，就会使得雷达无法准确判别目标的距离及车道信息，从而产生漏警或者虚警。这对于车载毫米波雷达来说是个严重的失误，如果用于自动驾驶上技术上，将导致灾难发生。

因此，卡尔曼滤波就是利用目标的动态信息，设法去掉这种扰动，得到一个关于目标位置比较准确的估计。而这个估计可以是对当前目标位置的估计（滤波），也可以是对将来位置的估计（预测），也可以是对过去位置的估计（插值或平滑）。

比如，车辆实际的运动轨迹是这样子：

而实际车载毫米波雷达不加卡尔曼滤波算法的话，得到的数据很有可能是这个样子：

而采用卡尔曼滤波后，将会出现如下效果：

绿色点为经过卡尔曼滤波处理后的点迹，相比较有很大改善。

结语：

看到这，是不是觉得卡尔曼滤波很神奇呢？其实，正如文章开头所讲，卡尔曼滤波应用的场景很多，车载毫米波雷达目标跟踪只是其中一项应用场景罢了。在采用卡尔曼滤波后，可以使得目标航迹得到良好的改善，在自动驾驶技术浪潮发展越来越猛的今天，这可算得上是大大的福音了。