1.3.4 障碍物跟踪

基于激光雷达的障碍物跟踪是指，在不同时刻精确关联同一障碍物。激光雷达扫描周期短，相邻帧间同一扫描角度对应的数据点具有强相关性。数据关联是将当前时刻观测到的某一障碍物与上一时刻建立的障碍物列表中差异度最小的目标进行匹配，通常将障碍物位置特征作为差异度判断准则[17]。在进行数据关联时，采用边界位置相似度的数据关联方法，将第t帧第i个动态障碍物的4条边界位置定义为，有

式中，为动态障碍物栅格群最小横向位置；为最大横向位置；为最小纵向位置；为最大纵向位置。

得到前后两帧各动态障碍物之间的相似度矩阵S_m×n，有

式中，m为前一帧动态障碍物个数；n为当前帧中动态障碍物个数。

前后两帧任意两个动态障碍物之间的相似度s_ij为

在数据关联时，会有如下三种情况：

1）上一帧和当前帧中同一个动态障碍物确实仍然存在。

2）上一帧中的动态障碍物在当前帧中已经不存在。

3）在当前帧中出现了新的动态障碍物，而上一帧没有此动态障碍物。

因此即使是相似度最大，也不一定是同一个动态障碍物，所以可通过设置合适的阈值来区别车辆所在车道可行驶区域的同一个动态障碍物是否同时存在于上一帧和当前帧。

完成障碍物关联后，采用卡尔曼滤波器对目标障碍物状态参数进行估计，利用参数更新方程融合当前观测数据与前一时刻的估计数据。卡尔曼预测方程表示为

式中，状态变量x=[x_cy_cv_cxv_cy]T，v_cx、v_cy分别为障碍物速度v在x、y方向上的分量；A为状态转换矩阵，即

式中，T为工作周期。预测误差协方差矩阵为

定义P_k的初始值为四阶单位矩阵，过程噪声协方差矩阵和分布矩阵分别为

式中，σ_P为所加过程噪声的大小。卡尔曼观测更新方程为

式中，z=[x_cy_c]T；H为观测矩阵；R为测量噪声的协方差矩阵。矩阵H、R的表达式为

式中，σ_r为所加测量噪声的大小。

首先，通过事先测量跟踪比较稳定的目标求出测量误差，得到测量噪声协方差矩阵R。过程噪声协方差矩阵Q一般难以直接得出，需根据程序运行情况进行离线调整。然后，通过调节过程噪声协方差矩阵Q估计当前帧障碍物位置和车速的预测结果分布，通过调节测量噪声协方差矩阵R来调节观测值的可信度。当前时刻帧的输出结果最终倾向于预测值还是观测值，主要取决于矩阵Q、R的方差参数。

智能网联汽车环境感知，本质上是利用不同传感器模拟人的认知方式对场景进行分析，激光雷达凭借深度挖掘三维数据的优势在智能汽车领域得到了广泛应用。随着无人驾驶技术研究的不断深入，基于激光雷达的环境感知算法取得了显著进展。但无论是用于预处理的点云聚类、可通行区域分析方法，还是障碍物识别与跟踪方法，都需要基于真实场景下采集的海量点云数据进行测试验证，从而保证算法的实时性和鲁棒性。因为成本高的问题，目前激光雷达还未进入大规模商用阶段，国内外各大生产厂商正在积极投入研发功能简单、低成本的激光雷达。尽管低成本化是一大趋势，但考虑到出行安全性，高价激光雷达仍会成为智能汽车环境感知传感器的主流。

实际上，单一传感器很难应对复杂多变的行驶环境，因此目前智能汽车系统大多通过将激光雷达与其他多种不同类型的传感器融合来进行复杂场景处理和判断，以实现准确高效的环境感知。