感知模塊是自動(dòng)駕駛系統(tǒng)的核心之一，其傳感器融合技術(shù)集各類(lèi)傳感器的優(yōu)勢(shì)，彌補(bǔ)了光照因素對(duì)相機(jī)的影響，雨、雪、沙塵等惡劣天氣對(duì)激光雷達(dá)的影響以及毫米波在視場(chǎng)角上的弊端。傳感器融合技術(shù)將不同類(lèi)型傳感器的目標(biāo)識(shí)別結(jié)果進(jìn)行多目標(biāo)跟蹤處理，獲取更為精確的位置，速度等目標(biāo)信息。對(duì)于自然駕駛場(chǎng)景還原來(lái)說(shuō)，傳感器融合和多目標(biāo)跟蹤也是復(fù)現(xiàn)不同場(chǎng)景的重要環(huán)節(jié)。

本文介紹了一種基于隨機(jī)有限集（RFS）的高斯混合概率假設(shè)密度（GM-PHD）算法在融合跟蹤方面的實(shí)際應(yīng)用，同時(shí)分析了與傳統(tǒng)數(shù)據(jù)關(guān)聯(lián)類(lèi)跟蹤算法的優(yōu)劣。

多目標(biāo)跟蹤的挑戰(zhàn)


單目標(biāo)跟蹤以對(duì)象位置及描述其運(yùn)動(dòng)的屬性來(lái)確定對(duì)象狀態(tài)，通常被認(rèn)為是濾波問(wèn)題，是對(duì)傳感器測(cè)量噪聲的時(shí)序處理。而下述問(wèn)題決定了多目標(biāo)跟蹤的復(fù)雜性：
真實(shí)環(huán)境中同一時(shí)刻需要跟蹤的目標(biāo)遠(yuǎn)不止一個(gè)；

常用的卡爾曼濾波無(wú)法單獨(dú)處理多目標(biāo)跟蹤的問(wèn)題；

噪聲和一些未知目標(biāo)給跟蹤帶來(lái)更多挑戰(zhàn)。

傳感器融合的對(duì)象既可能是多個(gè)同一類(lèi)型的傳感器也可能是如相機(jī)、激光雷達(dá)和毫米波雷達(dá)等多個(gè)不同類(lèi)型傳感器的組合。相機(jī)的圖像和LiDAR的點(diǎn)云等傳感器數(shù)據(jù)作為輸入進(jìn)入單傳感器detector來(lái)獲得測(cè)每一幀原始目標(biāo)列表的測(cè)量值。目標(biāo)列表級(jí)的多目標(biāo)融合算法根據(jù)目標(biāo)列表的輸入，更新假設(shè)的先驗(yàn)估計(jì)，得到每幀目標(biāo)狀態(tài)估計(jì)的后驗(yàn)概率密度的具體表達(dá)式。融合算法考慮多目標(biāo)觀測(cè)序列和他們的狀態(tài)估計(jì)進(jìn)行跟蹤，其不只是通過(guò)時(shí)間，同時(shí)也是基于物體的真實(shí)狀態(tài)估計(jì)目標(biāo)狀態(tài)。


傳統(tǒng)跟蹤算法的不足

在實(shí)際操作中，多目標(biāo)跟蹤存在不少挑戰(zhàn)，例如：FOV中不確定的目標(biāo)數(shù)量、目標(biāo)物的運(yùn)動(dòng)狀態(tài)、目標(biāo)物在不同方向上移動(dòng)、新目標(biāo)物的出現(xiàn)和舊目標(biāo)物的消失、FOV中目標(biāo)物被另一個(gè)遮擋以及不完美的傳感器的測(cè)量值。

傳統(tǒng)的跟蹤算法，如概率數(shù)據(jù)關(guān)聯(lián) (Probabilistic Data Association, PDA) 以及多假設(shè)跟蹤器(Multiple Hypothesis Tracking, MHT)等，都是通過(guò)對(duì)測(cè)量值的分配, 將多目標(biāo)問(wèn)題轉(zhuǎn)化為并行的單目標(biāo)跟蹤處理問(wèn)題, 但是這些算法處理過(guò)程的核心及關(guān)鍵都只是數(shù)據(jù)關(guān)聯(lián)。當(dāng)目標(biāo)數(shù)較多且存在大量虛警時(shí), 數(shù)據(jù)關(guān)聯(lián)誤差與狀態(tài)估計(jì)誤差相互耦合, 會(huì)造成數(shù)據(jù)關(guān)聯(lián)與狀態(tài)估計(jì)之間的相互影響。

GM-PHD算法

目前，我們?cè)谶M(jìn)行場(chǎng)景復(fù)現(xiàn)時(shí)使用的多傳感器融合技術(shù)為GM-PHD（Gaussian Mixture Probability Hypothesis Density Filter）算法。

GM-PHD可歸類(lèi)為一種貝葉斯遞歸濾波器，它以目標(biāo)的概率假設(shè)密度（PHD）來(lái)計(jì)算貝葉斯濾波中每一時(shí)刻傳遞的目標(biāo)完全后驗(yàn)密度，有別于傳統(tǒng)數(shù)據(jù)關(guān)聯(lián)加單目標(biāo)跟蹤的方法?；陔S機(jī)有限集RFS（Random Finite Set）的GM-PHD濾波在狀態(tài)估計(jì)過(guò)程中避免了數(shù)據(jù)關(guān)聯(lián)問(wèn)題, 跟蹤時(shí)在信息上保留了各個(gè)關(guān)聯(lián)方式所產(chǎn)生的結(jié)果，實(shí)現(xiàn)考慮時(shí)間序列上的最佳“數(shù)據(jù)關(guān)聯(lián)”。

同時(shí)，GM-PHD具有去除雜波的特性，可以基于隨機(jī)有限集計(jì)算基的期望值作為目標(biāo)個(gè)數(shù)，并依據(jù)目標(biāo)個(gè)數(shù)依次選擇強(qiáng)度函數(shù)中的極大值對(duì)應(yīng)的單一目標(biāo)狀態(tài)，從而獲得整體的多目標(biāo)跟蹤狀態(tài)，實(shí)現(xiàn)對(duì)目標(biāo)的聯(lián)合檢測(cè)與跟蹤?；赑HD框架下的多目標(biāo)跟蹤方法有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論基礎(chǔ)，它通過(guò)對(duì)后驗(yàn)密度的一階統(tǒng)計(jì)矩的預(yù)測(cè)與更新, 最終獲取目標(biāo)狀態(tài)及目標(biāo)數(shù)估計(jì)，適用于一些關(guān)聯(lián)過(guò)程相對(duì)復(fù)雜的非傳統(tǒng)意義下的多目標(biāo)跟蹤問(wèn)題。

PHD中觀測(cè)模型和運(yùn)動(dòng)模型都以隨機(jī)有限集進(jìn)行建模。其認(rèn)為獲得測(cè)量值集合的過(guò)程來(lái)源于兩部分的并集，一是真實(shí)目標(biāo)的觀測(cè)結(jié)果集，二是虛目標(biāo)集。算法認(rèn)為前者是伯努利過(guò)程，服從有限集的伯努利分布；后者是泊松過(guò)程，服從有限集的泊松分布。運(yùn)動(dòng)模型也是兩部分的并集，一是“生存”下來(lái)的目標(biāo)集，二是“出生”的新目標(biāo)集。因?yàn)檫@些分布是隨機(jī)有限集的分布，所以其概率密度函數(shù)中既包含了集合中元素的狀態(tài)可能性的信息，也包含了元素的存在可能性的信息。下圖展示了一個(gè)大致的GM-PHD濾波的過(guò)程。

目前，國(guó)汽智聯(lián)場(chǎng)景仿真部在場(chǎng)景還原中已實(shí)現(xiàn)基于攝像頭、毫米波和激光雷達(dá)中任意一種或多種輸入的多目標(biāo)跟蹤算法，對(duì)采集場(chǎng)景中的動(dòng)態(tài)交通參與者進(jìn)行融合與跟蹤，提取出各幀下的真實(shí)目標(biāo)同時(shí)排除假目標(biāo)，保障真實(shí)目標(biāo)信息的連續(xù)穩(wěn)定輸出，復(fù)現(xiàn)真實(shí)采集的交通流，取得了良好效果。

未來(lái)，國(guó)汽智聯(lián)將依托CAICV聯(lián)盟智能傳感器工作組，聯(lián)合更廣泛的行業(yè)力量共同建設(shè)基礎(chǔ)數(shù)據(jù)深度處理和數(shù)據(jù)應(yīng)用支撐能力，為智能網(wǎng)聯(lián)汽車(chē)產(chǎn)業(yè)共建中國(guó)標(biāo)準(zhǔn)場(chǎng)景庫(kù)做出貢獻(xiàn)。