[发明专利]车辆的目标跟踪方法、装置、车辆及存储介质

说明书

本申请涉及自动驾驶技术领域，特别涉及一种车辆的目标跟踪方法、装置、车辆及存储介质，其中，方法包括：获取车辆周围至少一个目标的感知信息；将每个目标的感知信息输入至预先建立的交互多模型，输出每个目标的状态矩阵和协方差矩阵，其中，交互多模型由多个并行的预设三维运动模型和与每个预设三维运动模型匹配的滤波器组成；根据状态矩阵和协方差矩阵生成每个目标的实际运动状态，基于实际运动状态跟踪每个目标的运动轨迹。由此，解决了车辆只对线性运动目标具有较好的跟踪效果，对行人等非恒定速度目标具有局限性等问题。

技术领域

本申请涉及自动驾驶技术领域，特别涉及一种车辆的目标跟踪方法、装置、车辆及存 储介质。

背景技术

感知系统是自动驾驶中关键技术之一，对整个自动驾驶系统起着重要的作用，相关技 术中，通常使用卡尔曼滤波与匈牙利算法对目标进行跟踪。

然而，由于卡尔曼滤波与匈牙利算法仅仅对线性运动目标具有较好的跟踪效果，对行 人等非恒定速度目标具有一定的局限性，因此导致车辆无法实现较佳的非恒定速度目标的 跟踪，降低跟踪效果。

发明内容

本申请提供一种车辆的目标跟踪方法、装置、车辆及存储介质，以解决相关技术中对 行人等非恒定速度目标的跟踪效果具有局限性等问题。

本申请第一方面实施例提供一种车辆的目标跟踪方法，包括以下步骤：获取车辆周围 至少一个目标的感知信息；将每个目标的感知信息输入至预先建立的交互多模型，输出所 述每个目标的状态矩阵和协方差矩阵，其中，所述交互多模型由多个并行的预设三维运动 模型和与每个预设三维运动模型匹配的滤波器组成；根据所述状态矩阵和所述协方差矩阵 生成所述每个目标的实际运动状态，基于所述实际运动状态跟踪所述每个目标的运动轨迹。

根据上述技术手段，本申请实施例通过建立非线性运动目标的交互多模型，输出对应 的状态矩阵和协方差矩阵，从而生成目标的运动状态，对其进行跟踪，能够实现对非线性 运动3D目标的跟踪，因此可以使得车辆具有较佳的非恒定速度目标的跟踪能力，提升跟 踪效果，进而也可以提升自动驾驶时决策的准确性。

进一步地，所述多个并行的预设三维运动模型包括第一至第三运动模型，所述将每个 目标的感知信息输入至预先建立的交互多模型，输出所述每个目标的状态矩阵和协方差矩 阵，包括：将所述每个目标的感知信息分别输入所述第一至第三运动模型，得到每个运动 模型输出的状态向量和输出向量；根据所述每个运动模型输出的状态向量和输出向量输入 至预先设计的无迹卡尔曼滤波器，得到每个运动模型的系统状态和协方差，其中，所述无 迹卡尔曼滤波器基于高斯分布的近似概率密度函数设计得到；根据每个运动模型的系统状 态、协方差和与每个运动模型匹配的滤波器的后验概率进行归一加权，得到每个目标的状 态矩阵和协方差矩阵。

根据上述技术手段，本申请实施例设计三个不同的运动模型组成交互多模型，以适应 不同的运动目标，输出其相对应的状态向量和输出向量，从而保证输出结果的准确性。

进一步地，所述根据所述每个运动模型输出的状态向量和输出向量输入至预先设计的 无迹卡尔曼滤波器，得到每个运动模型的系统状态和协方差，包括：对所述每个运动模型 输出的状态向量和输出向量进行西格玛点采样，得到多个西格玛点，并对所有的西格玛点 进行加权重组，得到预测的系统状态和协方差；根据预设观测函数增加观测值的西格玛点， 并根据所述观测值的西格玛点计算得到所述观测值的预测量和协方差，利用所述观测值的 预测量和协方差计算卡尔曼增益；利用所述卡尔曼增益更新所述预测的系统状态和协方差， 得到所述每个运动模型的系统状态和协方差。

根据上述技术手段，本申请实施例考虑到运动目标的非线性，使用无迹卡尔曼滤波器， 基于高斯分布选择西格玛点，使获得的运动模型的系统状和协方差的结果更加准确。