隨著智能汽車(chē)的不斷發(fā)展，其對(duì)周?chē)h(huán)境的感知需求日益增加。在環(huán)境感知算法中，多目標(biāo)跟蹤算法是重要的組成部分之一，其為智能汽車(chē)的軌跡規(guī)劃與決策提供了必要的環(huán)境信息。相較于智能車(chē)輛上的攝像頭與毫米波雷達(dá)，激光雷達(dá)具有感知精度高、對(duì)光照和天氣適應(yīng)能力強(qiáng)等特點(diǎn)，受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。

跟蹤算法主要目的是將前后幀目標(biāo)檢測(cè)結(jié)果進(jìn)行匹配，進(jìn)而實(shí)現(xiàn)對(duì)目標(biāo)狀態(tài)的連續(xù)感知。現(xiàn)有3D多目標(biāo)跟蹤算法由數(shù)據(jù)關(guān)聯(lián)算法結(jié)合濾波算法組成。數(shù)據(jù)關(guān)聯(lián)算法主要解決目標(biāo)間的關(guān)聯(lián)問(wèn)題，濾波算法主要解決目標(biāo)的狀態(tài)估計(jì)和軌跡更新問(wèn)題。常見(jiàn)的數(shù)據(jù)關(guān)聯(lián)算法有聯(lián)合概率數(shù)據(jù)互聯(lián)（joint probabilistic data association，JPDA）、多假設(shè)跟蹤（multiple hypothesis tracking，MHT）、全局最近鄰關(guān)聯(lián)（global nearest neighbor，GNN）等。常見(jiàn)的濾波算法有卡爾曼濾波（Kalman filter，KF）系列、粒子濾波（particle filter，PF）以及適應(yīng)目標(biāo)機(jī)動(dòng)工況的交互多模型算法（interacting multiple model，IMM）等。

現(xiàn)有的3D多目標(biāo)跟蹤方法，例如文獻(xiàn)［8］~文獻(xiàn)［12］中基于檢測(cè)的跟蹤，將檢測(cè)算法與跟蹤算法耦合，整體精度較高。但由于跟蹤算法精度依賴(lài)于檢測(cè)算法的精度，將檢測(cè)算法與跟蹤算法耦合會(huì)掩蓋跟蹤算法本身的精度，無(wú)法確定是由于先進(jìn)的感知算法帶來(lái)的跟蹤性能提升還是由于跟蹤算法的改進(jìn)帶來(lái)的性能提升。同時(shí)這樣的耦合所帶來(lái)的性能提升是以整個(gè)系統(tǒng)的復(fù)雜性和計(jì)算成本為代價(jià)的，例如文獻(xiàn)［8］~文獻(xiàn)［13］中方法具有較好的性能精度，但其系統(tǒng)的整體復(fù)雜度較高，無(wú)法滿(mǎn)足高實(shí)時(shí)性的需求。

針對(duì)上述問(wèn)題，本文中提出了一種基于激光雷達(dá)的3D實(shí)時(shí)車(chē)輛跟蹤方法。使用GNN算法作為數(shù)據(jù)關(guān)聯(lián)算法，并通過(guò)雙波門(mén)設(shè)計(jì)，提升了算法精度與速度。同時(shí)為消除檢測(cè)與跟蹤算法的耦合關(guān)系，采用目標(biāo)位置信息與目標(biāo)體積信息作為關(guān)聯(lián)向量，并使用馬氏距離作為關(guān)聯(lián)距離以提升關(guān)聯(lián)的準(zhǔn)確性。最后使用3DIMM?KF算法，保證對(duì)機(jī)動(dòng)目標(biāo)的跟蹤，實(shí)現(xiàn)了一個(gè)魯棒性強(qiáng)、實(shí)時(shí)性好的跟蹤系統(tǒng)。

跟蹤系統(tǒng)設(shè)計(jì)

本文中提出的基于激光雷達(dá)的3D實(shí)時(shí)車(chē)輛跟蹤系統(tǒng)，由3個(gè)部分組成：（1）使用雙波門(mén)GNN的前后幀目標(biāo)關(guān)聯(lián)模塊；（2）使用3DKF實(shí)現(xiàn)的IMM跟蹤濾波器；（3）結(jié)合歷史軌跡信息的跟蹤軌跡生成和消亡管理器。其整體系統(tǒng)流程如圖1所示。

圖1 跟蹤系統(tǒng)流程圖

檢測(cè)結(jié)果獲取

隨著智能車(chē)輛檢測(cè)算法的不斷發(fā)展，不斷涌現(xiàn)出性能優(yōu)異的檢測(cè)算法，例如文獻(xiàn)［14］~文獻(xiàn)［16］。本文中采用文獻(xiàn)［16］中所提出的檢測(cè)算法，未進(jìn)行任何改動(dòng)。該檢測(cè)算法并不具有領(lǐng)先的性能，目前其精度在KITTI的基準(zhǔn)測(cè)試榜單中為75.64%，相較于主流檢測(cè)方法有5%以上的精度差距。采用該算法是因?yàn)槠渌惴ㄩ_(kāi)源且傳播廣泛，能更加體現(xiàn)出所提跟蹤算法的綜合優(yōu)勢(shì)。

同時(shí)為保證跟蹤算法的通用性，本文中不使用除3D檢測(cè)框結(jié)果以外的信息。對(duì)于k時(shí)刻的檢測(cè)結(jié)果z（k），有z（k）=（x，y，z，l，w，h，θ），其中（x，y，z）為3D檢測(cè)框中心點(diǎn)的三維坐標(biāo)，（l，w，h）為3D檢測(cè)框的長(zhǎng)寬高，θ為3D檢測(cè)框朝向角。

雙波門(mén)GNN關(guān)聯(lián)算法

在常用的數(shù)據(jù)關(guān)聯(lián)算法中，GNN算法是一種不考慮干擾的關(guān)聯(lián)算法，直接將濾波算法預(yù)測(cè)結(jié)果與最相似的檢測(cè)目標(biāo)關(guān)聯(lián)。而JPDA與MHT綜合考慮了環(huán)境中的雜波干擾，與GNN算法相比，優(yōu)勢(shì)是關(guān)聯(lián)精準(zhǔn)更高，劣勢(shì)是速度較慢。

激光雷達(dá)原始點(diǎn)云數(shù)據(jù)量龐大，每幀多達(dá)數(shù)萬(wàn)個(gè)檢測(cè)點(diǎn)，但經(jīng)過(guò)目標(biāo)檢測(cè)后，跟蹤算法的輸入僅有數(shù)十個(gè)檢測(cè)框。環(huán)境干擾對(duì)跟蹤算法的影響已降到較低水平，在這種情況下GNN算法結(jié)構(gòu)簡(jiǎn)單、速度較快的優(yōu)勢(shì)便體現(xiàn)出來(lái)，因此本文中選擇GNN關(guān)聯(lián)算法作為基礎(chǔ)的關(guān)聯(lián)算法。

關(guān)聯(lián)向量與關(guān)聯(lián)距離

在GNN關(guān)聯(lián)算法中，如何綜合評(píng)價(jià)前后幀目標(biāo)間的相似度對(duì)關(guān)聯(lián)算法十分重要，文獻(xiàn)［11］~文獻(xiàn)［17］中使用的關(guān)聯(lián)向量不包含物體的3D信息，文獻(xiàn)［18］中使用的關(guān)聯(lián)向量除物體3D信息外還包含目標(biāo)點(diǎn)云的反射強(qiáng)度信息。要提升相似度計(jì)算的全面性和綜合性，需盡可能增多關(guān)聯(lián)向量中包含的特征信息，但為保證跟蹤算法的通用性，一些特殊的關(guān)聯(lián)信息應(yīng)該予以排除。由上述兩點(diǎn)考慮，本文中選擇（x，y，z，l，w，h）作為關(guān)聯(lián)向量。對(duì)于朝向角θ，其滿(mǎn)足上述兩點(diǎn)的要求，但是由于3D檢測(cè)對(duì)于物體的朝向信息容易發(fā)生混亂，實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)關(guān)聯(lián)向量中加入朝向角θ，反而會(huì)導(dǎo)致跟蹤精度的下降，因此在關(guān)聯(lián)向量中去除朝向角θ。

對(duì)于關(guān)聯(lián)距離的計(jì)算方式，文獻(xiàn)［11］和文獻(xiàn)［12］中選用歐式距離進(jìn)行計(jì)算。歐氏距離計(jì)算方便，直接反映了兩個(gè)物體間的空間距離。然而歐式距離對(duì)關(guān)聯(lián)向量中的各個(gè)參數(shù)進(jìn)行等權(quán)重的計(jì)算，無(wú)法評(píng)判不同參數(shù)的不同重要性，因此本文中選用以協(xié)方差作為權(quán)重的馬氏距離進(jìn)行計(jì)算［19］，從而能更好區(qū)分目標(biāo)間的相似度。

雙波門(mén)算法

如圖1所示，檢測(cè)結(jié)果在進(jìn)行關(guān)聯(lián)匹配前，需要進(jìn)行波門(mén)的驗(yàn)證。波門(mén)是以預(yù)測(cè)狀態(tài)為中心的判定區(qū)域，只有落入波門(mén)內(nèi)的檢測(cè)，才會(huì)執(zhí)行后續(xù)關(guān)聯(lián)算 法。而GNN算法匹配邏輯簡(jiǎn)單，波門(mén)設(shè)置方式對(duì)算法精度影響較大。以往算法只設(shè)置一道波門(mén)進(jìn)行濾波，導(dǎo)致對(duì)目標(biāo)距離信息的判定不夠全面，同時(shí)在單波門(mén)的情況下對(duì)所有目標(biāo)進(jìn)行馬氏距離的計(jì)算判定會(huì)耗費(fèi)大量算力，導(dǎo)致算法實(shí)時(shí)性下降。針對(duì)以上問(wèn)題，提出雙波門(mén)濾波方法，其結(jié)構(gòu)如圖2所示。首先使用歐式距離γe作為閾值，進(jìn)行歐式波門(mén)的篩選。此次篩選僅對(duì)空間坐標(biāo)（x，y，z）進(jìn)行篩選，將在空間距離上大于閾值的觀測(cè)值進(jìn)行去除。

隨后使用馬氏距離作為馬氏波門(mén)的閾值 γm，對(duì)滿(mǎn)足歐式波門(mén)的檢測(cè)結(jié)果再進(jìn)行馬氏距離的計(jì)算，濾除符合歐式波門(mén)但不符合馬氏波門(mén)的檢測(cè)。

式中：v′′（k）為 v（k）去除朝向角 θ 的新息；S′′（k）為 S（k）去除朝向角θ對(duì)應(yīng)維度后的協(xié)方差。

圖2 雙波門(mén)示意圖

通過(guò)進(jìn)行雙波門(mén)設(shè)置可有效濾除雜波干擾，提升算法精度。在算法速度上，通過(guò)歐式波門(mén)設(shè)置減少了較為費(fèi)時(shí)的馬氏距離計(jì)算次數(shù)，同時(shí)雙波門(mén)設(shè)置的兩次濾波減少了最終馬氏波門(mén)內(nèi)需進(jìn)行關(guān)聯(lián)匹配的目標(biāo)數(shù)量，減少了關(guān)聯(lián)匹配的計(jì)算次數(shù)，從兩方面綜合提升了算法速度。

關(guān)聯(lián)匹配

在進(jìn)行雙波門(mén)濾波后，對(duì)滿(mǎn)足雙波門(mén)閾值的檢測(cè)進(jìn)行關(guān)聯(lián)匹配。若幾個(gè)較近的軌跡波門(mén)內(nèi)不存在相互干擾的檢測(cè)結(jié)果，則使用波門(mén)內(nèi)馬氏距離最近的檢測(cè)目標(biāo)作為匹配目標(biāo)。如存在如圖3所示的復(fù)雜情況，即預(yù)測(cè)位置P2其馬氏波門(mén)內(nèi)的檢測(cè)z2與預(yù)測(cè)位置P1的距離最近，檢測(cè)z3與預(yù)測(cè)位置P3距離最近的情況，則使用匈牙利算法作為匹配算法，將其代價(jià)矩陣定義為Cmn（m為已有軌跡數(shù)，n為所有檢測(cè)數(shù)），其中元素為cij。

圖 3 關(guān)聯(lián)示意圖

IMM跟蹤器設(shè)計(jì)

現(xiàn)實(shí)中，實(shí)際車(chē)輛的運(yùn)動(dòng)如換道、超車(chē)等為機(jī)動(dòng)狀態(tài)，是幾個(gè)運(yùn)動(dòng)模型的復(fù)合，因此只采用單一運(yùn)動(dòng)模型的KF濾波器無(wú)法適應(yīng)該種情況。針對(duì)此類(lèi)問(wèn)題，使用可以應(yīng)對(duì)機(jī)動(dòng)目標(biāo)情況的IMM算法，將多個(gè)濾波器結(jié)合起來(lái)進(jìn)行跟蹤。 

運(yùn)動(dòng)模型的選定

IMM算法是通過(guò)考慮多個(gè)模型的交互轉(zhuǎn)換來(lái)實(shí)現(xiàn)機(jī)動(dòng)目標(biāo)跟蹤，使用時(shí)需要選定多個(gè)模型。而常用模型如勻速模型（constant velocity，CV）、勻轉(zhuǎn)速模型（constant turn rate，CTR）、勻轉(zhuǎn)速與速度模型（constant turn rate and velocity，CTRV）等都是針對(duì)點(diǎn) 目標(biāo)的運(yùn)動(dòng)情況，其狀態(tài)向量中不包含3D信息，只針對(duì)2D信息進(jìn)行計(jì)算。由于沒(méi)有針對(duì)3D物體的跟蹤模型，本文中針對(duì)3D物體的運(yùn)動(dòng)特點(diǎn)提出使用3D CTR模型與3D CV模型的IMM?KF算法。

狀態(tài)交互

定義模型間轉(zhuǎn)移概率矩陣為P，其中元素pij為從第i個(gè)運(yùn)動(dòng)模型轉(zhuǎn)移到第j個(gè)模型的概率。

KF濾波狀態(tài)更新

最終估計(jì)

軌跡管理 

由于檢測(cè)算法會(huì)產(chǎn)生誤檢和漏檢，為消除其對(duì)跟蹤算法的影響，建立軌跡管理模塊對(duì)軌跡的生成和消亡進(jìn)行管理。本文中采用基于歷史軌跡信息的軌跡管理器，其依托于歷史軌跡的跟蹤信息對(duì)軌跡的生成和消亡進(jìn)行管理。對(duì)于軌跡的生成，由于檢測(cè)算法會(huì)出現(xiàn)誤檢，因此不能直接將新目標(biāo)當(dāng)作軌跡起始。設(shè)置閾值fs與fmin，當(dāng)在連續(xù)fs幀中，新目標(biāo)能夠成功關(guān)聯(lián)fmin幀，即判定新軌跡確認(rèn)。通過(guò)合適的fs與fmin閾值設(shè)定，即可有效消除檢測(cè)中誤檢的影響，準(zhǔn)確生成軌跡。對(duì)于軌跡消亡采取類(lèi)似的閾值fd與fmax，在連續(xù)的fd幀中，已有軌跡fmax幀沒(méi)有關(guān)聯(lián)到檢測(cè)，即將該軌跡刪除實(shí)現(xiàn)軌跡的消亡。

為了驗(yàn)證上述所提出的跟蹤方法在實(shí)際復(fù)雜環(huán)境中的跟蹤性能，在公開(kāi)數(shù)據(jù)集KITTI上對(duì)算法進(jìn)行評(píng)估，同時(shí)在無(wú)人車(chē)實(shí)驗(yàn)平臺(tái)上進(jìn)行真實(shí)道路環(huán)境中的算法驗(yàn)證。

離線(xiàn)實(shí)驗(yàn)

數(shù)據(jù)集

本文中采用KITTI的跟蹤數(shù)據(jù)集，其數(shù)據(jù)集分為包含真值數(shù)據(jù)的21個(gè)序列共8008幀訓(xùn)練數(shù)據(jù)和不包含真值數(shù)據(jù)的29個(gè)序列共11095幀測(cè)試數(shù)據(jù)。本文中對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了訓(xùn)練集和驗(yàn)證集的分割，并依據(jù)相關(guān)文獻(xiàn)，使用1、6、8、10、12、13、14、15、16、18、19序列進(jìn)行驗(yàn)證。

評(píng)價(jià)方法

在文獻(xiàn)［11］和文獻(xiàn)［12］中評(píng)價(jià)跟蹤精度所使用的速度誤差和航向角誤差，更適合單目標(biāo)跟蹤，無(wú)法綜合評(píng)價(jià)多目標(biāo)跟蹤的精度。因此本文中采用多目標(biāo)跟蹤指標(biāo)（multiple object tracking，MOT）、包含多目標(biāo)跟蹤準(zhǔn)確度（multiple object tracking accuracy，MOTA）、多目標(biāo)跟蹤精度（multiple object tracking precision，MOTP）、跟蹤ID切換數(shù)（ID switch，IDS）和跟蹤軌跡的中斷數(shù)（fragmentations，F(xiàn)RAG）等。

其中MOTA是綜合評(píng)價(jià)跟蹤軌跡精確性的指標(biāo)，其反映了誤檢、漏檢和軌跡切換數(shù)在整體跟蹤真值中的比例。

MOTA、MOTP值越大跟蹤結(jié)果越好，IDS、FRAG值越小跟蹤結(jié)果越好。KITTI數(shù)據(jù)集的官方評(píng)價(jià)是以2D的形式實(shí)現(xiàn)的，對(duì)于3D跟蹤則將其投影到2D圖像中再進(jìn)行評(píng)價(jià)。這種評(píng)價(jià)方式對(duì)于3D跟蹤是不合適的，在3D跟蹤結(jié)果中微小的差異可能會(huì)導(dǎo)致2D的結(jié)果發(fā)生巨大的變化，因此本文中將MOTA與MOTP的評(píng)價(jià)計(jì)算改為3D匹配的方式。

實(shí)驗(yàn)結(jié)果

使用在訓(xùn)練數(shù)據(jù)中劃分出來(lái)的驗(yàn)證集對(duì)算法性能進(jìn)行驗(yàn)證，其結(jié)果如表1所示。由表1可知，在主要的跟蹤指標(biāo)MOTA上對(duì)比算法mmMOT與FANTrack高了7%，而在MOTP與FRAG指標(biāo)上較最好的mmMOT算法差距并不大，僅在IDS指標(biāo)上效果較差。在這樣的結(jié)果下，本文中算法實(shí)時(shí)性達(dá)到266.1FPS，比FANTrack算法快了11.5倍，比mmMOT算法快55.4倍，所提出的跟蹤算法完全滿(mǎn)足智能駕駛實(shí)時(shí)性的需求。

選擇KITTI訓(xùn)練集序列9進(jìn)行跟蹤，可視化結(jié)果如圖4所示。圖4（a）為3D視角下的跟蹤結(jié)果，分別顯示了檢測(cè)結(jié)果與跟蹤結(jié)果，同時(shí)對(duì)每個(gè)跟蹤軌跡分配了編號(hào)。圖4（b）~圖4（e）驗(yàn)證了所提出的跟蹤算法對(duì)車(chē)輛目標(biāo)跟蹤效果。對(duì)照右側(cè)的場(chǎng)景圖片，可以看到在自車(chē)前方編號(hào)為T(mén)279和T217的兩輛車(chē)輛在整個(gè)跟蹤過(guò)程中都保持了跟蹤編號(hào)不變，驗(yàn)證了所提出的跟蹤算法具有穩(wěn)定跟蹤目標(biāo)的能力。

圖4 跟蹤結(jié)果

如圖4（b）右側(cè)的場(chǎng)景圖片所示，第170幀中有效的檢測(cè)目標(biāo)只有T279和T217兩輛車(chē)，但檢測(cè)算法輸出了多個(gè)誤檢目標(biāo)。此時(shí)，在圖4（b）左側(cè)的跟蹤結(jié)果視圖中所提出的跟蹤算法有效濾除了誤檢目標(biāo)，生成了正確的軌跡。此種情況在圖4（c）~圖4（e）中也有出現(xiàn)，綜合驗(yàn)證了所提出跟蹤算法所具有的優(yōu)秀關(guān)聯(lián)能力。

對(duì)比實(shí)驗(yàn)

為了驗(yàn)證論文所提方法的有效性，對(duì)關(guān)聯(lián)算法、關(guān)聯(lián)向量與關(guān)聯(lián)距離、軌跡管理和波門(mén)設(shè)置在KITTI數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)，從而驗(yàn)證提出方法的有效性。

不同的關(guān)聯(lián)算法

對(duì)比不同的關(guān)聯(lián)算法，其結(jié)果如表2所示。從中可以看出，使用GNN使得MOTA有了極大的提升，同時(shí)也實(shí)現(xiàn)了IDS與FRAG最小，僅在MOTP指標(biāo)上較差。正如在1.2節(jié)中所述，在獲得3D檢測(cè)結(jié)果后，干擾有了較大的衰減，因此不考慮干擾的GNN關(guān)聯(lián)算法反而更加適應(yīng)此種情況，可以獲得更好的關(guān)聯(lián)結(jié)果。

不同的關(guān)聯(lián)向量與關(guān)聯(lián)距離

對(duì)關(guān)聯(lián)向量與關(guān)聯(lián)距離的不同設(shè)置進(jìn)行對(duì)比，其結(jié)果如表3所示。從表3中第1組與第4組對(duì)比可以看出，馬氏距離可以實(shí)現(xiàn)更高的MOTA精度。馬氏距離可以更好地描述關(guān)聯(lián)向量不同信息間的重要程度，使得對(duì)目標(biāo)間距離的評(píng)價(jià)更加準(zhǔn)確。而后3組的實(shí)驗(yàn)對(duì)比顯示了單純的增大關(guān)聯(lián)向量維度并不能帶來(lái)MOTA精度的提高。第2組與第4組對(duì)比可以看出目標(biāo)3D體積信息的添加對(duì)關(guān)聯(lián)是有益的。而第3組與第4組對(duì)比，朝向角θ的加入，并不能提高M(jìn)OTA精度。本文中認(rèn)為3D檢測(cè)算法對(duì)目標(biāo)的朝向角敏感度較低，對(duì)于同一目標(biāo)在不同幀中的檢測(cè)結(jié)果，其朝向角大小可能會(huì)發(fā)生180°的突變。朝向角發(fā)生180°突變，其檢測(cè)框位置不會(huì)發(fā)生變化，然而3D跟蹤的關(guān)聯(lián)距離會(huì)產(chǎn)生較大的變化，從而導(dǎo)致關(guān)聯(lián)失敗，因此在關(guān)聯(lián)向量中去除朝向角θ信息反而能帶來(lái)MOTA精度的提高。

不同的軌跡管理閾值設(shè)置

在軌跡管理模塊中對(duì)比了不同的fs與fmin、fd與fmax參數(shù)值對(duì)精度的影響，其結(jié)果如表4所示。對(duì)比表4后3組實(shí)驗(yàn)可知，增大對(duì)歷史軌跡的判斷范圍，即使軌跡生成和消亡的總體判定比f(wàn)min/fs與fmax/fd從2/3下降到3/5，仍可減小IDS與FRAG。而在合適的fs與fd設(shè)置下，將fmin/fs與fmax/fd升至1，如第1組實(shí)驗(yàn)，即可獲得最小的IDS與FRAG。

不同波門(mén)算法

對(duì)比所提出的雙波門(mén)算法與單波門(mén)算法的性能，其結(jié)果如表5所示。從表5可知，雙波門(mén)算法比單波門(mén)算法在MOTA指標(biāo)上有約3%的提高，在MOTP指標(biāo)上也有1.68%的提升，僅在IDS與FRAG上有所下降。除了精度上的提高，在算法運(yùn)行速度上，由于雙波門(mén)算法減小了跟蹤算法的計(jì)算量，使跟蹤速度有了較大的提升，F(xiàn)PS上漲了32.92%。

實(shí)車(chē)驗(yàn)證

使用如圖5所示的無(wú)人車(chē)實(shí)驗(yàn)平臺(tái)，在實(shí)際道路上對(duì)跟蹤算法進(jìn)行算法驗(yàn)證，其結(jié)果如圖6所示。

圖5 無(wú)人車(chē)實(shí)驗(yàn)平臺(tái)

圖6分別展示了兩車(chē)相近、兩車(chē)相離、兩車(chē)發(fā)生遮擋、兩車(chē)遮擋結(jié)束4個(gè)場(chǎng)景的實(shí)景圖和跟蹤結(jié)果。圖6（a）和圖6（b）展示了T2車(chē)輛與T4車(chē)輛兩車(chē)逐漸相近、隨后T2車(chē)輛加速駛離的過(guò)程。在這個(gè)過(guò)程中兩車(chē)跟蹤框無(wú)相交，且跟蹤ID沒(méi)有發(fā)生交換，驗(yàn)證了所提出跟蹤算法在目標(biāo)相近時(shí)的多目標(biāo)數(shù)據(jù)關(guān)聯(lián)能力。圖6（c）和圖6（d）展示了T4車(chē)輛被T1車(chē)輛遮擋導(dǎo)致檢測(cè)結(jié)果消失的情況下，所提出跟蹤算法依然能夠保證對(duì)T4車(chē)輛的持續(xù)跟蹤，確保在遮擋結(jié)束后跟蹤ID不發(fā)生變化。同時(shí)，在圖6（d）中，在T3車(chē)輛被T1車(chē)輛遮擋導(dǎo)致檢測(cè)結(jié)果消失情況下，T3車(chē)輛仍存在的跟蹤結(jié)果也證明了所提出跟蹤算法具有的對(duì)遮擋目標(biāo)的持續(xù)跟蹤能力。整個(gè)跟蹤過(guò)程驗(yàn)證了所提出的跟蹤算法所具有的良好性能和魯棒性。

圖 6 實(shí)車(chē)數(shù)據(jù)驗(yàn)證

本文中提出了一種基于激光雷達(dá)的3D實(shí)時(shí)車(chē)輛跟蹤算法。針對(duì)3D檢測(cè)結(jié)果雜波較少的特點(diǎn)，提出了雙波門(mén)GNN作為數(shù)據(jù)關(guān)聯(lián)算法，有效提升了跟蹤精度和跟蹤速度。同時(shí)對(duì)關(guān)聯(lián)向量和關(guān)聯(lián)距離進(jìn)行了優(yōu)化，在保證了算法的通用性的前提下提升了跟蹤算法的性能。對(duì)于3D機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)情況，提出了使用3D卡爾曼濾波的IMM算法，保證了對(duì)機(jī)動(dòng)目標(biāo)的跟蹤性能。所提出算法在公開(kāi)數(shù)據(jù)集KITTI與無(wú)人車(chē)實(shí)驗(yàn)平臺(tái)上經(jīng)過(guò)了驗(yàn)證，表明了算法的高精度和良好的實(shí)時(shí)性。

參考文獻(xiàn)

［1］ SVENSSON L，SVENSSON D，GUERRIERO M，et al. Set JPDA filter for multitarget tracking［J］. IEEE Transactions on Signal Pro? cessing，2011，59（10）：4677-4691.

［2］ BLACKMAN S. Multiple hypothesis tracking for multiple target tracking［J］. IEEE Aerospace and Electronic Systems Magazine， 2009，19（1）：5-18.

［3］ KonSTANTINOVA P，UDVAREV A，SEMERDJIEV T. A study of a target tracking algorithm using global nearest neighbor ap? proach［C］. Proceedings of the International Conference on Com? puter Systems and Technologies，2003：290-295.

［4］ FARUQI F A，DAVIS R C. Kalman filter design for target track? ing［J］. IEEE Transactions on Aerospace and Electronic Systems， 1980，4：500-508.

［5］ WAN E A，DER MERWE RVAN. The unscented Kalman filter for nonlinear estimation［C］. Proceedings of the IEEE 2000 Adap? tive Systems for Signal Processing，Communications，and Control Symposium（Cat. No. 00EX373），2000：153-158.

［6］ SHERRAH J，RISTIC B，REDDING N J. Particle filter to track multiple people for visual surveillance［J］. IET Computer Vision， 2011，5（4）：192-200.

［7］ GENOVESE A F. The interacting multiple model algorithm for ac? curate state estimation of maneuvering targets［J］. Johns Hopkins APL Technical Digest，2001，22（4）：614-623.

［8］ baseR E，BALASUBRAMANIAN V，BHATTACHARYYA P， et al. Fantrack：3d multi ?object tracking with feature association network［C］. 2019 IEEE Intelligent Vehicles Symposium（IV）. IEEE，2019：1426-1433.

［9］ ZHANG W，ZHOU H，SUN S，et al. Robust multi?modality multi? object tracking［C］. Proceedings of the IEEE International Confer? ence on Computer Vision，2019：2365-2374.

［10］ FROSSARD D，URTASUN R. End?to?end learning of multi?sen? sor 3d tracking by detection［C］. 2018 IEEE International Confer? ence on Robotics and Automation （ICRA）. IEEE， 2018：635-642.

［11］ 徐國(guó)艷，牛歡，郭宸陽(yáng)，等. 基于三維激光點(diǎn)云的目標(biāo)識(shí)別與跟蹤研究［J］. 汽車(chē)工程，2020，42（1）：38-46. XU Guoyan，NIU Huan，GUO Chenyang，et al. Research on tar? get recognition and tracking based on 3D laser point cloud［J］. Au? tomotive Engineering，2020，42（1）：38-46.

［12］ 謝德勝，徐友春，王任棟，等. 基于三維激光雷達(dá)的無(wú)人車(chē)障礙物檢測(cè)與跟蹤［J］. 汽車(chē)工程，2018，40（8）：952-959. XIE Desheng，XU Youchun，WANG Rendong，et al. Obstacle detection and tracking for unmanned vehicles based on 3D laser radar［J］. Automotive Engineering，2018，40（8）：952-959.

［13］ XIANG Y，ALAHI A，SAVARESE S. Learning to track：online multi ? object tracking by decision making［C］.Proceedings of the IEEE International Conference On Computer Vision，2015：4705- 4713.

［14］ 婁新雨，王海，蔡英鳳，等. 采用64線(xiàn)激光雷達(dá)的實(shí)時(shí)道路障礙物檢測(cè)與分類(lèi)算法的研究［J］. 汽車(chē)工程，2019，41（7）：779-784. LOU Xinyu，WANG Hai，CAI Yingfeng，et al. A research on an algorithm for real ?time detection and classification of road obsta? cle by using 64?line lidar［J］. Automotive Engineering，2019，41 （7）：779-754.

［15］ SHI S，GUO C，JIANG L，et al. Pv?rcnn：point?voxel feature set abstraction for 3d object detection［C］. Proceedings of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition， 2020：10529-10538.

［16］ SHI S，WANG X，LI H. Pointrcnn：3D object proposal genera? tion and detection from point cloud［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2019：770-779.

［17］ RACHMAN A S A. 3D?lidar multi object tracking for autonomous driving［D］. Delft：Delft University of Technology，2017.

［18］ 文龍 . 基于車(chē)載激光雷達(dá)的無(wú)人駕駛車(chē)輛障礙物檢測(cè)與跟蹤 技術(shù)研究［D］. 長(zhǎng)春：吉林大學(xué)，2020. WEN Long. Research on obstacle detection and tracking technolo? gy of autonomous vehicle based on lidar［D］. Changchun：Jilin University，2020.

［19］ CHIU H，PRIOLETTI A，LI J，et al. Probabilistic 3D multi ?ob? ject tracking for autonomous driving［J］. arXiv Preprint，arXiv：2001.05673，2020. ［20］ BERNARDIN K，STIEFELHAGEN R. evaluating multiple object tracking performance：the CLEAR MOT metrics［J］. EURASIP Journal on Image and Video Processing，2008，2008：1-10.

［21］ LI Y，HUANG C，NEVATIA R. Learning to associate：hybrid? boosted multi ? target tracker for crowded scene［C］. 2009 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2009：2953-2960.