近年来，自动驾驶的发展引起了交通系统的极大变革。它影响着交通安全、环境及交通工具的使用。在无人驾驶真正实现之前，还有许多需要工程人员解决的问题。
其中之一就是感知环境问题，更具体的讲，车辆需要在保持跟踪道路上其他车辆的同时，预测他们的下一位置。这个能力对于避免碰撞来讲十分重要，尤其是在超车或者变换车道这些复杂的操作中。
对周围的感知依赖于外部传感器的使用，在跟踪领域，有雷达，激光雷达及摄像头等。他们各自拥有不同的优势和缺点，使得在无人驾驶中联合使用他们变得十分有必要。
跟踪问题主要分为两类：一是如果目标本身小于传感器分辨率，则一个目标在一个时刻一个传感器上最多产生一个量测，这称之为点目标跟踪问题。反之，当目标本身大于传感器分辨率，称为扩展目标跟踪，此时，目标的空间属性对预测目标的状态也是非常有用的。
扩展目标跟踪问题可以通过许多方法解决，如将多个量测聚类为单个量测，则目标建模为带有形状和大小的扩展目标，并建模量测的来源；或者通过期望最大化方法允许从同一点源有多个量测。
目标跟踪是利用传感器的量测来检测目标并估计动目标状态的过程。目标跟踪问题包括许多子问题，如量测可能由于噪声、干扰和传感器偏差而存在错误，这些都需要被校正或滤除。同样，量测是来自目标还是杂波是很难区分的，如雷达回波中可能存在非目标回波。
为了解决这些问题，需要将量测和与之对应的目标正确的关联起来。此外，不同传感器之间需要进行航迹间的融合。以下将分别对这些内容进行介绍。
滤波
滤波就是移除数据中无用的特征，并提取有用信息的过程。在模拟信号和数字信号中有很多种滤波方法，如模拟滤波中的有源或无源电子器件。这里主要讨论数字滤波器，如有名的卡尔曼滤波器。接下来将对贝叶斯滤波和卡尔曼滤波做介绍。
贝叶斯滤波是贝叶斯统计的典型应用，它使用先验知识和系统观测来估计一个未知的概率密度函数。假设系统可以被描述为下图所示的马尔科夫过程。
数据关联（Dataassociation）
将观测数据与其源目标进行关联在很多领域中都有着应用。如含杂波环境中的雷达检测，雷达的量测数据可能是来自目标或者杂波。
最简单的数据关联算法是最近邻算法。它使用每个目标和量测之间的距离测度将量测分配给距离它最近的目标，但这可能导致多个量测被分配给单个目标。另一种方法是全局最近邻(GNN)方法，通过计算每个量测和每个目标之间的距离测度，并构建代价矩阵C，再最小化关联的代价和，其间每个量测仅允许关联一个目标。
选择最小代价的方法如贪婪算法，首先选择最小距离测度，并且移除被选择的目标，再从剩余的里面选择最小距离测度，周而复始，直到所有的量测都被选中。但这种方法其实并不是最优的，其他还有很多的算法，如Munkres算法。
GNN方法的一个扩展是并行的使用多假设，这意味着不只一个分配假设被保留。这可以避免单次GNN得到的分配假设可能包含错误的分配。因此通过多个分配假设可以降低丢弃正确分配的概率。
在关联算法中使用的距离测度需要被有效定义，一个简单的方法是使用欧几里得距离。这意味着当一个量测和一个目标之间的欧几里得距离越近，则他们之间的关联越可能是正确的。二维平面上两点p，q的欧几里得距离可以计算为。
航迹融合
本文是用户翻译内容，来自一篇英文硕士论文《Sensor fusion of radar and stereo-vision for tracking moving vehicles as extended objects》中的部分内容，由于公式不易排版故用截图给出。若您对该领域感兴趣可给雷达通信电子战公众号发送关键词“190512”或者点击“阅读原文”查看你可能需要的内容。
閱讀更多 雷達通信電子戰 的文章
