面向多智能网联汽车协同感知的多目标跟踪方法研究

For the purpose of accurate environmental perception, upcoming autonomous vehicles will be endowed with the ability to communicate with neighbouring vehicles and exchange their sensory information, leading to multi-vehicle cooperative environmental perception. The number and states of road users are randomly varying, and the road users are normally extended objects when tracked by sensors. To tackle these problems, this project investigates various types of road users (vehicles, motorcycles, pedestrians, etc.), and looks into multi-target tracking strategies for autonomous vehicle networks based on Finite Set Statistics theory. The multi-object dynamic model and multi-object observation model for the autonomous vehicle networks are established, based on which the multi-object transition density and multi-object likelihood function are constructed. Then a multi-sensor multi-target Bayesian filtering algorithm is proposed to estimate the number and states of road users, thereby laying the foundation for autonomous vehicle decision making and motion control. The prospective research outcomes will provide useful insight into multi-target tracking problems for extended objects, and will help to enhance data fusion capability for autonomous vehicle networks as well as accelerate the progress of multi-vehicle cooperative environmental perception.

为了更准确地感知驾驶环境，智能网联汽车必须融合车载传感器的量测信息与交通场景中其他联网车辆的量测信息，实现多辆智能网联汽车的协同感知。针对智能交通场景中交通要素的数量与状态随机变化且通常为非标准测量的问题，本项目以场景中的交通要素（被跟踪目标）为研究对象，以有限集统计理论作为数学基础，系统研究多智能网联汽车交通场景中的多目标跟踪方法。建立涵盖各交通要素的多目标运动模型和涵盖各传感器的多目标量测模型，以此为基础，确定多目标状态转移概率密度和多目标似然函数，并设计面向多传感器、多目标系统的贝叶斯滤波算法来准确估计场景中交通要素的数量和状态，为智能网联汽车的智能决策和控制执行提供依据。项目的研究成果为解决智能交通场景中常见的非标准测量多目标跟踪问题提供了思路，对于提升多智能网联汽车系统的传感器信息融合水平、实现多智能网联汽车对驾驶环境的有效协同感知具有重要意义。

多目标跟踪是智能网联汽车的核心关键技术之一。为了保证行车安全，智能网联汽车需要同时感知交通场景中数量、状态均随机变化的不同类型车辆，并利用多目标跟踪算法对车辆的运动状态进行估计。. 本研究第一部分，针对现有PE-CHM方法的缺点，提出了一种基于凸包模型的自适应车辆位姿估计方法（APE-CHM）和基于APE-CHM的车辆检测与跟踪方法。APE-CHM可根据量测自适应地估计车辆尺寸和位姿，使得提出的检测与跟踪方法具有检测和跟踪各种尺寸车辆的能力。此外，提出了一种基于APE-CHM的多模态形状估计方法。实验结果显示：1）在检测阶段，APE-CHM可以显著提高车辆的位姿估计精度和车辆检测的召回率和精确率；在跟踪阶段，APE-CHM在尺寸和位姿估计精度方面具有显著的优势；2）多模态形状估计方法相比于传统方法可以显著提高跟踪阶段的尺寸估计精度。. 现有的基于视觉的多目标跟踪方法大多是在2D图像坐标系下实现跟踪。本研究第二部分提出了一种利用双目相机实现在3D世界坐标系下的多目标跟踪方法。具体步骤为：1）采用YOLOv3检测车辆目标；2）利用改进的双目立体匹配方法求得目标深度，进而求得目标在3D世界坐标系下的坐标；3）采用提出的数据关联方法对目标进行跟踪，得到目标在世界坐标系下的3D轨迹。实验结果表明：本研究提出的多目标跟踪方法性能优于经典的Deep SORT方法，能够得到目标在世界坐标系下的3D轨迹，并且能够有效减少ID Switch的次数，具有较好的鲁棒性。. 现有的3D多目标跟踪方法要么过于侧重跟踪精度，要么过于侧重运算速度。本研究第三部分提出了一种快速且鲁棒性好的实时3D多目标跟踪方法，能够在速度和精度之间实现良好的平衡。该方法充分利用相机和激光雷达的特性，设计了高效的级联匹配机制。当物体较远且仅被相机检测到时，对其进行2D跟踪；一旦物体出现在激光雷达视野中，则用3D信息更新2D轨迹，实现2D和3D轨迹的平滑融合。基于KITTI跟踪数据集，对所提出的方法和目前的先进方法进行对比，实验结果表明所提出的跟踪方法在精度和速度两个方面具有较大优势。