雷達實測資料卡爾曼濾波(KF)的調參，主要包括一下幾個內容：

1.過程噪聲矩陣Q，觀測噪聲矩陣R；

2.初始圓形大波門尺寸Γ，穩定跟蹤過程中的橢圓波門γ；

3.目標初始（超大）協方差P₀；

此外，跟蹤效果還與凝聚演算法，濾波器演算法，資料關聯方法，航跡起始演算法，運動模型……密切相關；

凝聚演算法：這裡使用凝聚層次分析；

濾波器：傳統KF濾波器；

資料關聯：最近鄰關聯；

航跡起始演算法：n/m邏輯法（當然也可使用Hough變換）；

運動模型：勻速直線運動模型；

注意：精確的取樣時間T在這裡對於演算法的理解非常重要。

調參的難度主要在於，在交通場景車輛是擴充套件目標，因此點雲可能是來自於車身，車頭，車位，車側……任何其中的1個或多個部位的量測。為了避免高度複雜的資料關聯，因此必須執行凝聚演算法。

這裡，由於目標量測的部位不同，如果雷達的掃描頻率很高，凝聚之後的點目標可能是一個高度機動的目標，因此CV模型不能很好地跟蹤，最好使用多模。

調參方法：

1.根據凝聚後的點目標簡單做一個跟蹤，指導點量測跳變的最大範圍（也可根據目標自身的長寬高估計凝聚點誤差範圍）；

2.根據跟蹤的目標外推目標的狀態序列，檢視目標的速度跳變範圍；

3.根據凝聚點誤差/速度跳變範圍，反推加速度，加速度是過程噪聲協方差矩陣Q的係數的重要依據；

　　a.類比粒子濾波器，過程噪聲應該保證在預測步的橢圓波門能夠覆蓋下一幀的量測；（也應該用3σ原則判定凝聚點誤差是否會跳出帶隨機遊走Q預測步的橢圓範圍）

　　b.開啟Q矩陣看看對角線元素大小是否合適；

　　c.過程噪聲Q矩陣主要依賴於算機動目標加速度（速度變化率：a=Δv/T，如果掃描頻率很高，那麼加速度a可能更大）；

4.根據凝聚點跳變範圍（或目標車身的長寬高），使用±3σ原則設計觀測器協方差矩陣R；（這個不用做太大改變，如果想瘦臉效果好，反而可以把R適當改小）

5.初始協方差P₀和初始圓形大波門γ協調更改，根據波門門限Γ，新息v，新息協方差S，需要進行比較記為<=>，定義為：γ<=>v'*S*v；

6.初始協方差應該設定的儘量大，初始波門可以適當改小，用於包容更多的航跡起始，而跟蹤波門則交給橢圓波門，可以根據跟跟蹤波門大小γ/兩側空間維度n_z的概率關係查表獲得（n_z=2，通常可以將γ設定為：1,4,16）

7.核心還是要多跑程式，多終止，然後看目標狀態序列和量測序列，查它們之間的關係，用於修改Q,R,P₀,Γ,γ

感謝 https://www.cnblogs.com/sunny99/ sumoier對本文的幫助！