近年來，自動駕駛的發展引起了交通系統的極大變革。它影響著交通安全、環境及交通工具的使用。在無人駕駛真正實現之前，還有許多需要工程人員解決的問題。
其中之一就是感知環境問題，更具體的講，車輛需要在保持跟蹤道路上其他車輛的同時，預測他們的下一位置。這個能力對於避免碰撞來講十分重要，尤其是在超車或者變換車道這些複雜的操作中。
對周圍的感知依賴於外部傳感器的使用，在跟蹤領域，有雷達，激光雷達及攝像頭等。他們各自擁有不同的優勢和缺點，使得在無人駕駛中聯合使用他們變得十分有必要。
跟蹤問題主要分為兩類：一是如果目標本身小於傳感器分辨率，則一個目標在一個時刻一個傳感器上最多產生一個量測，這稱之為點目標跟蹤問題。反之，當目標本身大於傳感器分辨率，稱為擴展目標跟蹤，此時，目標的空間屬性對預測目標的狀態也是非常有用的。
擴展目標跟蹤問題可以通過許多方法解決，如將多個量測聚類為單個量測，則目標建模為帶有形狀和大小的擴展目標，並建模量測的來源；或者通過期望最大化方法允許從同一點源有多個量測。
目標跟蹤是利用傳感器的量測來檢測目標並估計動目標狀態的過程。目標跟蹤問題包括許多子問題，如量測可能由於噪聲、干擾和傳感器偏差而存在錯誤，這些都需要被校正或濾除。同樣，量測是來自目標還是雜波是很難區分的，如雷達回波中可能存在非目標回波。
為了解決這些問題，需要將量測和與之對應的目標正確的關聯起來。此外，不同傳感器之間需要進行航跡間的融合。以下將分別對這些內容進行介紹。
濾波
濾波就是移除數據中無用的特徵，並提取有用信息的過程。在模擬信號和數字信號中有很多種濾波方法，如模擬濾波中的有源或無源電子器件。這裡主要討論數字濾波器，如有名的卡爾曼濾波器。接下來將對貝葉斯濾波和卡爾曼濾波做介紹。
貝葉斯濾波是貝葉斯統計的典型應用，它使用先驗知識和系統觀測來估計一個未知的概率密度函數。假設系統可以被描述為下圖所示的馬爾科夫過程。
數據關聯（Dataassociation）
將觀測數據與其源目標進行關聯在很多領域中都有著應用。如含雜波環境中的雷達檢測，雷達的量測數據可能是來自目標或者雜波。
最簡單的數據關聯算法是最近鄰算法。它使用每個目標和量測之間的距離測度將量測分配給距離它最近的目標，但這可能導致多個量測被分配給單個目標。另一種方法是全局最近鄰(GNN)方法，通過計算每個量測和每個目標之間的距離測度，並構建代價矩陣C，再最小化關聯的代價和，其間每個量測僅允許關聯一個目標。
選擇最小代價的方法如貪婪算法，首先選擇最小距離測度，並且移除被選擇的目標，再從剩餘的裡面選擇最小距離測度，週而復始，直到所有的量測都被選中。但這種方法其實並不是最優的，其他還有很多的算法，如Munkres算法。
GNN方法的一個擴展是並行的使用多假設，這意味著不只一個分配假設被保留。這可以避免單次GNN得到的分配假設可能包含錯誤的分配。因此通過多個分配假設可以降低丟棄正確分配的概率。
在關聯算法中使用的距離測度需要被有效定義，一個簡單的方法是使用歐幾里得距離。這意味著當一個量測和一個目標之間的歐幾里得距離越近，則他們之間的關聯越可能是正確的。二維平面上兩點p，q的歐幾里得距離可以計算為。
航跡融合
本文是用戶翻譯內容，來自一篇英文碩士論文《Sensor fusion of radar and stereo-vision for tracking moving vehicles as extended objects》中的部分內容，由於公式不易排版故用截圖給出。若您對該領域感興趣可給雷達通信電子戰公眾號發送關鍵詞“190512”或者點擊“閱讀原文”查看你可能需要的內容。
閱讀更多 雷達通信電子戰 的文章
