多車協同目標跟蹤方法

龔詩雄，王旭，孔國杰，2，龔建偉

(1.北京理工大學 機械與車輛學院，北京 100081；2.北京特種車輛研究所，北京 100081)

0 引言

多車協同感知技術在網聯車輛或多平臺作戰系統中具有重要應用價值[1]，相對于單車感知技術，通過多車之間的信息交互與融合，可以減小感知盲區，提升系統環境感知效果，并實現感知資源的高效利用。

在協同目標檢測方法層面，Chen等[2]利用車輛GPS定位與IMU位姿將點云重建為整體點云數據，在此基礎上設計了一種稀疏卷積神經網絡實現多車融合點云數據的目標識別，能夠在車輛定位不穩定的情況也能較為準確的檢測目標。此后，Chen等[3]在之前研究的基礎上將感知數據融合并利用Voxelnet進行特征提取，對提取的特征依據不同車輛位姿進行合并，實現了較為準確的目標檢測結果。Kanaki等[4]基于連續幀的柵格地圖實現單車對環境動態目標進行檢測，并基于衛星定位實現多車檢測數據進行拼接。在協同目標跟蹤研究層面，協同跟蹤方案設計依據多車協同數據融合方式的不同主要分為兩種：一種方案是數據級[5]融合，先將多輛車采集的數據進行拼接融合，再進行目標檢測以及目標跟蹤等操作。Kanaki等[4]基于此方案提出了一種基于規則的數據關聯方式用于多輪式機器人聯合目標跟蹤，一定程度上解決了同一目標在不同激光雷達量測系統中出現量測沖突的情況。另一種方案是軌跡級[6]融合，將多輛車先看做獨立個體進行感知數據的處理，再將不同車的目標跟蹤軌跡進行融合。Gabb等[7]分析了多種協同目標跟蹤的軌跡級融合方法，提出一種融合道路邊緣設備跟蹤目標軌跡與車載設備跟蹤目標軌跡的方法，該方法簡化了融合步驟，適用于環境信號存在干擾的情況，其融合效果在仿真環境中得到了驗證。Ozaki等[8]采用此方案提出了一種多輪式機器人聯合的目標跟蹤方法，機器人通過激光雷達獨立對目標進行跟蹤，當兩機器人在一定距離范圍內有交集時則融合跟蹤軌跡得到更為穩定的跟蹤結果，一定程度上解決了單一機器人在目標遮擋時無法跟蹤的情況。

以上方法僅考慮了環境中的動態目標，沒有考慮周邊的靜態環境。由于沒有建立協同感知系統的整體模型，導致目標經常出現短暫丟失現象。本文主要針對地面無人系統多車協同目標檢測與跟蹤問題開展討論，通過對環境進行整體建模，得到多車融合后的全局環境柵格地圖，減少靜態環境障礙物遮擋的影響，并在此基礎上進行協同目標檢測與跟蹤，得到融合后的全局動態檢測目標，設計并使用合適的數據關聯與級聯匹配方法，提高了檢測與跟蹤的連續性及穩定性。

1 多車協同感知系統設計與建模

1.1 多車協同感知系統設計

本文設計一種基于激光雷達的多車協同感知系統，協同方案設計如圖1所示。本文采用結果級融合的集中式方案，系統中每輛車都搭載有處理環境感知數據的運算平臺，能夠對復雜環境進行表征。為了能夠獲得環境的全局表征數據，將每輛車的環境表征數據上傳至部署在指揮車上的主控端，執行環境表征數據的融合。在得到全局環境表征地圖后，可以在此基礎上完成其他功能模塊的設計，如多車協同定位模塊[9]、多車協同建圖[10]模塊及多車協同目標檢測與跟蹤模塊[11]等。本文在此基礎上設計了一種多車協同目標檢測與跟蹤方法，主控端在獲得融合結果后，環境表征融合數據與動態目標跟蹤結果可以為主控端的協同規劃與協同任務[12-13]布置提供環境信息，而下發的跟蹤目標狀態并與車端的環境表征數據結合可以為車端局部路徑規劃[14]提供環境數據。

1.2 多車協同感知系統建模

1.2.1 多車時間對準

由于每輛車由于上位機硬件時鐘存在不一致的情況，使得多輛車在同一時刻的探測數據存在不同的時間戳，導致數據傳至主控端進行融合操作時無法利用時間戳將同一時刻感知數據進行融合，故采用圖2所示GPS授時方法來統一不同平臺的時間戳。

系統中每輛車均接收GPS信號的統一時間戳作為車輛本地時間，并將時間戳賦予協同系統中用于交互傳輸的數據，從而使得同一時刻不同平臺得到的感知數據具有相同的時間戳。進一步地，主控端通過多線程與隊列的方式實現各平臺數據的時間同步。首先，各平臺的感知數據發送至主控端后均被放入隊列中進行緩存。接著，提取各隊列頭部消息的時間戳進行比對，以其中時間戳最晚的消息作為同步基準，其他隊列數據的時間戳與該基準通過最近鄰的方式進行同步。

1.2.2 多車空間對準

由于每輛車的傳感器數據是以本車自身坐標系作為基準，導致數據傳至主控端進行融合操作時無法將基于不同坐標系的數據進行融合，故需要將多輛車的數據轉換到同一坐標系下。在多車空間對準方面，單車部分首先要有穩定的定位結果。本文利用衛星差分定位技術提供的經緯度與航向信息將車輛位置轉至全局坐標系UTM[15]。

在獲得多輛車在全局坐標系下各自的位置后，由于UTM平面坐標系數值較大，不利于將不同車輛局部坐標系下的柵格狀態或目標位置信息進行融合。因此，本文利用UTM坐標系作為全局坐標系實現車間局部坐標系的變換對準，即以某一輛車的坐標系為基準，其余車輛均對準至該坐標系下進行感知數據的融合，如圖3所示。圖3中，坐標原點O為地球中央子午線與赤道的交點，N為子午線所在軸北向，E為赤道所在軸東向，R21和Rn1表示車2和車n到車1的旋轉矩陣，T21和Tn1表示車2和車n到車1的平移矩陣。

對于全局坐標系下兩個局部坐標系間的變換矩陣求解，設定絕對坐標系的原點OU，先將設定為融合坐標系的某一車輛坐標系轉至全局坐標系下，如(1)式：

(1)

其余車輛也將車輛局部坐標系轉至全局坐標系下：

(2)

在得到所有車輛的變換矩陣后，由于最終的目的是將其余車輛坐標系轉換至某一固定融合用車輛坐標系下，還需要將其余車輛坐標系利用(3)式進行轉變。

(3)

至此就完成了協同感知系統中的多車空間對準。

1.2.3 多車協同感知環境模型構建

如圖4所示，在得到多車協同感知系統中車輛之間的時間、空間相對關系后，為減小因為盲區或遮擋問題導致被遮擋車輛無法感知到前方環境中靜態障礙物的情況，有效增大被遮擋車輛的感知范圍，本文采用D-S證據理論[16]將多車間的環境柵格地圖進行融合得到全局環境柵格地圖。

同時，為能夠準確且全面地表征檢測結果，提高計算效率，采用二維占據柵格地圖[17]的形式來對點云進行壓縮表征處理，結果如圖5所示。

如圖6所示，將不同車輛的激光雷達構建的柵格圖進行融合，以確定最終融合后的柵格圖中每個柵格的狀態，從而實現多車傳感器融合的環境表征柵格圖。根據在單車環境柵格地圖中，其狀態主要包含了占據和空閑兩類，即狀態空間為Θ={O,F}。進一步地，D-S理論則將狀態空間擴展為命題集合2Θ={O,F,Θ,?}，因此對于每一個柵格狀態，D-S證據理論會計算其基本概率分配函數，得到狀態空間中這4個狀態的信度為[m(F),m(O),m(Θ),m(?))]，這4個狀態分別為空閑、占據、未知以及空集。

此外，還需要針對單車表征柵格的不同狀態設定基本概率分配函數，當單車表征的柵格為占據時，設定分配函數為

m(F)=0,m(O)=0.94,m(Θ)=0.06,m(?)=0

(4)

當單車表征的柵格為空閑時，設定分配函數為

m(F)=0.88,m(O)=0,m(Θ)=0.12,m(?)=0

(5)

當單車表征柵格為未知時，設定為

m(F)=0,m(O)=0,m(Θ)=1,m(?)=0

(6)

則每輛車所獲得的柵格圖狀態均有一個基本信任度集，即

Si={mi(F),mi(O),mi(Θ),mi(?)}i=1,2,…,n

(7)

式中：n為系統中無人車的數量。

利用上述信任度集對兩車獲取的柵格狀態進行融合，需要符合上述D-S合成規則：

(8)

獲得狀態集S={m(F),m(O),m(Θ),m(?)} 后，需要對狀態集進行判斷以得到最終多車數據融合后的柵格狀態。此處設m(F)>0.5時柵格狀態為空閑；m(O)>0.5時柵格狀態為占據；m(Θ)>0.5時柵格狀態為未知。

圖7(a)所示為兩車點云數據。圖7(b)所示為融合柵格圖數據。由圖7可以看出，融合后的圖能夠更全面地表征環境，對于橘色車輛，前方由于藍色車的遮擋而無法對前向障礙物有很好的探測，而融合后的表征圖則對全局障礙物進行了顯示，利用藍色車的結果對橘色車的探測不足進行了補充。

2 多車協同目標檢測與跟蹤

多車協同目標檢測與跟蹤框架如圖8所示，各車先采用基于雷達鳥瞰圖的目標檢測、得到檢測目標，然后將檢測結果與環境柵格地圖結合獲取環境中的動態目標，對多車檢測目標采用非極大值抑制的方法解決檢測沖突，然后采用聯合概率數據關聯和卡爾曼濾波方法，并設計了合理的跟蹤管理方法，完成目標跟蹤。最后將協同檢測后的結果下發給各車。

2.1 目標檢測

基于點云深度學習的目標檢測由點云表征方式的不同進而產生了許多不同的方法，本文采用一種基于激光雷達鳥瞰圖BEV(Bird’s Eye View)的目標檢測方法BirdNet+[18]，具體網絡結構如圖9 所示。

在實際車輛采集的激光雷達數據上的檢測結果如圖10所示。

如圖11所示，最終將檢測結果進行坐標與尺度變換投影至動態柵格圖以區分環境中的動態目標與靜態目標。

2.2 多車目標融合規則

由于采取了不同車輛獨立對環境進行障礙物檢測的方式，兩車的檢測結果在感知量測重疊的范圍內會出現重復檢測而產生沖突，為此需要采取一定的方式來解決多目標檢測重疊的問題，采取的流程如圖12所示。

兩車數據傳到主控端后，主控端利用協同架構內車輛的定位信息首先率除掉協同架構內車輛相互檢測的結果。在濾除架構中車輛的檢測結果后，采用NMS的方式對多車檢測同一目標結果進行濾除。當兩個檢測框的交并比(IOU)大于一定閾值時，表明這兩個目標屬于同一個目標，此時保存目標檢測概率較大的那一個以此來濾除檢測沖突。

IOU的原理如圖13所示，具體計算見(9)式。

(9)

式中：A、B為矩形的面積。

此外，為保證沖突目標能夠正確篩出，本文不僅使用了IOU來計算兩個檢測目標是否沖突，還加入了歐式距離度量來測試兩個目標間的距離。兩目標中心點歐式距離計算如(10)式：

(10)

當兩個邊界框的IOU大于一定值并且兩邊界框中心點距離小于一定閾值時，表明這兩個目標存在檢測沖突，濾除檢測概率較小的一個。最終多車檢測沖突處理的結果如圖14所示，圖14(a)為未進行目標沖突匹配的結果，深橘色為車1檢測結果，深綠色為車2檢測結果，可以看到在兩車數據進行融合后，部分目標產生了重疊，如紅圈部分。利用上述匹配規則進行目標沖突消除得到的結果如圖14(b)所示，可以看到車2檢測的車1結果被濾除，兩車檢測的環境目標結果也無沖突，其中綠色為行人，紫色為車輛。

2.3 目標跟蹤

2.3.1 多目標數據關聯

聯合概率數據關聯(JPDA)[19]方法利用跟蹤軌跡周圍一定范圍內的觀測值，計算每一個觀測與目標軌跡的關聯概率，實現聯合概率加權更新目標軌跡狀態。對于觀測與目標軌跡匹配的限定范圍，本文采用卡方檢驗跟蹤門的方式來限定跟蹤軌跡目標的關聯范圍。

當量測與軌跡預測目標之間的馬氏距離滿足狀態量維數對應的卡方檢驗值的要求[20]，如(11)式，并且量測與軌跡目標間的歐式距離也滿足一定閾值的情況下，表明這個量測與軌跡預測目標是有關聯的。

(11)

式中：Zi(k)為k時刻編號i的某一觀測值；S(k)為k時刻量測估計分布的協方差；chi2inv為卡方檢驗函數。

關聯矩陣構成示意圖如圖15所示。最終利用上述判定條件對各觀測值與軌跡進行匹配，生成類似如下圖右側的關聯矩陣。矩陣的行數為當前量測數量，而列數為跟蹤軌跡目標的數量加1，即矩陣的第1列，為虛警類。虛警是指在跟蹤過程中對軌跡狀態估計存在干擾的部分。這里假設每一個量測都與虛警相關聯，即每一個量測都可能是虛警而不是實際的跟蹤軌跡量測。圖15中，坐標系原點o表示車輛后軸中心位置，坐標系oxy平行于地面，車輛前進方向為y軸正方向，垂直于車輛前進方向朝右為x軸正方向，Ω表示關聯矩陣。

Ω=[ωjt]，ωjt的含義如(12)式，j=1,2，…,mk;t=0,1,…,q，j表示矩陣的行，t表示矩陣的列，mk為量測的個數，q為跟蹤軌跡個數。

(12)

在得到關聯矩陣后，利用關聯矩陣求解得到每一個觀測值與目標軌跡的關聯概率如(13)式所示。

(13)

在得到目標與量測相互關聯概率后，需要利用量測值的概率加權對軌跡狀態進行更新，即需要利用狀態估計濾波器的估計結果與量測值實現濾波器最終的狀態值估計。卡爾曼濾波如(14)式所示：

k|k-1=AXk-1|k-1+qk

k|k-1=Hk|k-1

(14)

式中：Xk-1|k-1為k-1時刻的系統狀態向量；k|k-1為根據k-1時刻的系統狀態量得到的k時刻估計狀態向量；A為狀態轉移矩陣；qk為k時刻系統噪聲；k|k-1為根據k-1時刻的系統狀態量得到的k時刻量測估計值；H為觀測矩陣。

令vjt(k)表示第j個量測與t個目標量測估計間的差值，即(15)式：

(15)

進一步地，對于目標t在k時刻與所有量測的差值的和，有

(16)

得到上述結果后，JPDA令狀態更新如下：

(17)

式中：Kt(k)為目標t在k時刻的卡爾曼增益[21]。

vt(k)vt(k)T]Kt(k)T

(18)

2.3.2 跟蹤管理

2.3.2.1 目標跟蹤初始化與剔除

目標跟蹤初始化與剔除的主要功能是維持當前跟蹤軌跡的穩定性與可靠度，保證跟蹤軌跡的連續性，對同一目標不產生過多的跟蹤Nid跳變，能夠對跟蹤軌跡狀態進行劃分，對誤檢目標進行判斷。

圖16所示為本文所設計的跟蹤管理方案，其中Nhit表示目標被匹配的次數，Nage表示當前跟蹤軌跡未被匹配的次數。首先，對于第1幀檢測結果，跟蹤管理模塊不對目標軌跡進行初始化，而是保存檢測結果與下一時刻檢測結果，利用匈牙利算法進行匹配，只有匹配上的目標才進行跟蹤初始化。初始化后的跟蹤目標狀態設置為Sunconfirmed，表明對當前跟蹤的信任程度，當該跟蹤目標在后續又被匹配上時，跟蹤目標的Nhit值加1，當Nhit>3時，跟蹤目標狀態轉為Sconfirmed，表明該跟蹤目標狀態穩定，如圖16中的①所示。對于狀態為Sconfirmed的目標將其與觀測進行JPDA方法關聯，而Sunconfirmed的跟蹤目標則與剩下未匹配的觀測目標進行匈牙利算法數據關聯，這樣能夠在一定程度上保證穩定狀態跟蹤目標的跟蹤穩定性，也能夠對不穩定狀態跟蹤是否誤檢進行快速辨別，并降低算法的運算消耗。

進一步地，當跟蹤目標未在當前獲得匹配觀測目標時，對于Sunconfirmed狀態的跟蹤目標，其狀態轉為Sdelete，表明不穩定的跟蹤在匹配無效后會被直接刪除，如圖16中的②所示；對于Sconfirmed狀態的跟蹤，跟蹤管理模塊會進行保留，并在一段時間內對該跟蹤狀態進行預測維持，每進行一次狀態預測，Nage值就會加1，直到該跟蹤目標獲得匹配，Nage值清零；當該跟蹤目標連續多幀未獲得匹配，即Nage值大于一定值時，該跟蹤狀態轉為Sdelete，如圖16中的③所示。這樣設計跟蹤目標剔除方案的好處在于，對于穩定狀態的跟蹤，能夠在該跟蹤目標由于漏檢或遮擋在觀測時消失幾幀后還繼續進行關聯匹配，保證了跟蹤Nid的穩定以及跟蹤軌跡的完整程度；對于不穩定狀態的跟蹤，則能夠較快速地判別該目標是否為誤檢以剔除，降低算法整體的運算負擔。

目標跟蹤最終效果如圖17所示。由圖17可以看到，目標檢測在t時刻未能檢測出車輛前方Nid為1的移動目標，但是由于跟蹤管理保留了該目標的運動軌跡，其在這一幀通過預測得出了該目標當前的位置。當t+1時刻再次檢測到該目標時，保留的軌跡預測值與該目標進行匹配，賦予該目標當前軌跡的Nid，使得對該目標的跟蹤保持了連續性，不會由于檢測器誤檢的情況丟失跟蹤目標。

2.3.2.2 目標跟蹤結果剪枝

由于JPDA算法對于跟蹤目標的狀態更新利用了多個與跟蹤目標滿足關聯關系的觀測目標，跟蹤目標與實際觀測并不是一一對應的關系。但實際跟蹤目標的狀態只能表示環境中的某一個運動物體，因此需要將該跟蹤狀態與環境中的目標進行一一關聯。

如圖18所示，本文采取目標跟蹤值與環境觀測值的歐式距離構建代價矩陣，利用匈牙利算法求解的方式實現跟蹤目標與環境目標一一對應，以實現跟蹤目標結果的剪枝。

此外，為保證跟蹤目標尺寸與航向的穩定，需要對剪枝后與跟蹤目標關聯的目標尺寸依據跟蹤目標歷史尺寸進行更新。考慮到在連續時刻內，目標的航向、尺寸不存在較大變化，當檢測目標尺寸變動或目標檢測航向與跟蹤歷史目標的偏差較大，則不采用當前檢測的尺寸或航向，而采用原有值對跟蹤目標尺寸進行顯示，如圖19所示，可以看出對于當前幀的檢測其航向與實際偏差較大，因此不采用當前檢測結果，而采用歷史幀的結果對當前的檢測結果進行描述，從而降低了檢測目標尺寸表述不準確的情況。

最終，跟蹤結果下發至協同架構中的每輛車，其中包含了目標的位置、速度以及Nid。

3 試驗及結果分析

3.1 多車協同動目標跟蹤靜態試驗

靜態試驗的目的主要為了測試靜態下多車協同感知相對于單車感知在感知范圍上的優勢以及對受到障礙物遮擋的目標跟蹤的穩定性。

靜態試驗設計如圖20(a)所示，兩協同車輛朝向夾角約90°，靜止停放在地面上，為體現協同在傳感器量測范圍上的優勢，設定兩車間距離約為40 m，目標車輛與目標人員從約為兩車朝向連線構成的角度的角平分線方向相向而行，路線為綠色線所示，當車輛與人走出兩車的感知量測范圍時試驗結束。實際測試數據如圖20(b)所示。

測試可視化結果如圖21所示。圖21中顯示了試驗目標的軌跡跟蹤情況，其中綠色與藍色方框為協同架構下的車輛，紅色為所跟蹤目標車輛軌跡，淺藍色為跟蹤行人目標軌跡。從圖21(b)中可以發現：當行人與車輛相向而行并在場地某一位置相遇產生交互時，行人由于受到車輛的遮擋，對于藍色位置的車輛其感知系統無法對行人進行檢測，而綠色位置車輛則仍舊可以對目標行人進行探測，交互過程持續時間約1 s左右；當車輛與人結束交互時，藍色位置車輛再次可以探測到行人目標。在整個交互過程中，行人在協同架構下始終能夠被探測，因此其跟蹤軌跡保持連續，未發生Nid跳變，也未出現漏檢；目標車輛由于始終被協同架構下兩車探測，未出現漏檢，跟蹤較穩定，也未出現Nid跳變。

進一步地，對跟蹤目標的狀態進行分析，目標車輛檢測器輸出結果與跟蹤器輸出狀態及文獻[7]的軌跡級融合法比較結果如圖22所示。目標行人的狀態比較結果如圖23所示。圖22(c)和圖23(c)中的速度曲線，藍色為通過檢測位置直接計算得出的結果，紅色為跟蹤器輸出狀態結果。

由圖22(a)、圖22(b)與圖23(a)、圖23(b)可以看出：靜態情況下，本文所提檢測器檢測結果較為穩定，無論是行人或車輛目標定位均較為準確，與真值相差較小；協同情況下的跟蹤器輸出位置狀態結果與檢測結果十分貼合，曲線整體過渡平滑，誤差較小，具體均方根誤差結果如表1所示。其中行人的狀態估計誤差相對于車輛的估計誤差較小，這是因為車輛目標較大，目標檢測結果易產生尺寸上的變動，使得車輛幾何中心位置的估計產生偏差；而行人目標較小，檢測結果的尺寸變動較小，目標中心位置不會產生較大變動，使得整體狀態估計較為準確。

文獻[7]的軌跡級融合方法得到的目標跟蹤狀態相對于目標真值波動較大，這是因為不同車輛在不同視角對同一目標的檢測結果存在偏差，造成不同車輛對該目標的狀態估計也存在偏差，使得最終不同軌跡融合獲得的目標狀態估計不穩定，其狀態估計結果如表1所示，相對于本文的方法，目標位置的估計偏差較大。由圖22(c)和圖23(c)的速度曲線可以看出，通過直接計算得出的速度曲線跳變較為劇烈，而跟蹤器輸出結果曲線較為平滑，更符合目標的運動規律。

表1 靜態試驗目標位置估計均方根誤差

3.2 多車協同動目標跟蹤動態試驗

動態試驗的目的主要是為了驗證多車協同感知框架在協同車輛行駛過程中對目標跟蹤的穩定性。

動態試驗設計如圖24(a)所示，當車輛以隊列行駛時，最后方車輛由于受到前車的遮擋而無法獲取目標車輛信息，而中間的車輛則可以感知到前車信息，以此來測驗多車協同框架在動態場景下受到目標遮擋時的目標檢測能力；當后車加速超越前方兩車隊列時，其傳感器逐漸不受前車遮擋從而檢測到目標車輛，這時兩輛車均能感知到目標車輛，以此來測試動態行駛下多車檢測數據融合的性能。

測試的可視化結果如圖25所示。由圖25可以看到，協同架構下目標獲得了連續穩定的跟蹤路徑，未發生Nid跳變。由圖25(a)可見，對于隊列跟車中位于隊尾的車輛，其在受前車遮擋而無法對所跟蹤目標進行檢測的情況下也能夠獲得目標的位置與狀態信息。如圖25(b)所示，當該車進行超車操作時，該車輛檢測到目標與原有目標經過處理并沒有出現多個檢測目標發生沖突的情況，框架下所跟蹤的目標仍舊十分穩定，沒有出現Nid切換以及漏檢的情況。

進一步地，對跟蹤器獲取的跟蹤目標狀態進行分析，其中檢測器檢測結果與跟蹤器輸出狀態結果如圖26所示。

圖26(a)為目標沿x軸位置的變化，可以看出在動態情況下由于目標檢測模塊存在一定的不穩定性，整體目標的位置隨著時間變化出現了一定的波動，而實際上在短時間內目標的運動應是連續的，跟蹤器的輸出結果相對于原有檢測結果更為平滑。但狀態估計結果與真值仍存在一定的偏差，如表2所示，其偏差相對于靜態試驗的偏差要小，這是因為在跟車過程中，打在前方車輛的點云較為密集，檢測器對前方車輛的尺寸估計較為準確，其幾何中心未產生較大偏差。

從圖26(b)中可以看到，文獻[7]的軌跡級融合方法在250～350幀間的目標位置估計產生了較大抖動，該階段是在后車超越前車時兩車同時檢測到目標車輛的時刻，此時兩車均對目標產生跟蹤結果并融合。該階段目標的位置估計產生抖動的原因在于后車超越前車的過程中后車會逐漸檢測到目標車輛，但該車輛檢測到的目標較為不穩定，目標的尺寸與幾何中心位置隨著車輛的運動產生一定的變化，使得該過程中兩車跟蹤結果融合后得到的目標狀態估計值不穩定，具體偏差如表2所示。

表2 動態試驗目標位置估計均方根誤差

此外，對于速度估計(見圖24(c))，跟蹤器輸出的狀態估計結果相對于計算結果更加連續平滑，比較符合目標的實際運動速度變化。

4 結論

本文針對單車傳感器因存在視野盲區及目標受到遮擋導致的目標跟蹤不連續不穩定問題開展討論，得出主要結論如下：

1)提出了一種多車協同感知的結果級融合系統模型，相對于單車感知在環境表征上能夠獲得更全面的環境信息，有利于目標的協同檢測與跟蹤。

2)提出了一種多車協同目標檢測方法，設計了合理的目標融合沖突解決方案，得到了準確的協同目標融合結果。

3)提出了一種級聯動態目標匹配與跟蹤管理方法，跟蹤器輸出位置狀態結果與檢測結果誤差較小，能夠對所跟蹤目標的狀態進行準確估計；目標檢測與跟蹤更為穩定，當出現目標遮擋時未發生Nid跳變，跟蹤軌跡仍保持連續，也未出現漏檢。

本文在目標檢測精度方面并沒有做相應的研究，未來可以設計相關試驗來驗證協同框架對檢測精度提升的優越性；在車輛定位方面采用的是定位精度較高的差分定位，未來可以對車輛定位存在偏差時的多車協同定位方法進行研究；在試驗設計方面，由于起伏地形會使得本車姿態不時發生較大的變化，這對多目標協同探測時的時空一致性提出了更高的要求，未來可以開展后續的相關研究工作。