聿默的博客

所以这里直接进入正题，怎么做才能对每条边进行缩进？

这里主要对于方法进行总结，如果没什么思路的朋友可以看看，有更好思路与方法的朋友可以交流一下，看看是否能做一些优化。

现在BEV与OCC占用网络非常火，在日常工作中，如果没有接触到，可能会忽略相应的知识储备。本人还未看大量文献，所以只能算浅学下记录，这里主要从互联网上学习到的，还是就是跟专业的同事请教之后，自己总结的。

如果有问题，欢迎提问。

通过流的方式跟踪是一个比较新颖的点，所以这里比较关注运动跟踪，是如果做到流的跟踪来预测目标的位置以及ID绑定的。FlowMOT的框架结构如下所示，本中会主要关注下运动跟踪、数据关联、ID分配、新生/消亡等，针对这个几个部分进行总结。

在视觉中可能比较多的是计算规则凸四边形，而在少部分视觉，大部分现实中的多边形可能是不规则的，这个时候如果用规则的方法计算，可能会引入很多bug。在自动驾驶中不规则的凸多边形计算非常常见。IoU= 交集 / 并集=inner_area / (area1 + area2 - inner_area)

自动驾驶感知融合中，用到的主要技术，多目标跟踪，多传感器融合。其中很重要的一个部分，跟踪管理算法。

关于感知融合算法中的运动模型

通俗一点讲，就是说A传感器认为坐标（100，100，0）处有个障碍物的概率是0.7，B传感器认为坐标（100，100，0）处有个障碍物的概率是0.9。然后综合计算发现两者的DS计算认为（100，100，0）处有个障碍物的概率是？DS证据理论主要用于多通道信号/多传感器数据融合的。当出现不同传感器对于一个事情的发生给出的不同概率值进行综合评价（DS证据理论计算公式）得出一个统一的认为可信的结论。

结合自己的理解，本文会写一些文章解读与代码解读。如若觉得有用，欢迎订阅。

多传感器融合对于准确和可靠的自动驾驶系统至关重要。

关于感知融合匹配算法

生命周期管理，其实就是现在track属于什么状态，是否是一个有效的track。什么时候生成一个track，什么时候消亡一个track等的状态。被Confirmed的track在超过max_age时间没被跟踪上时，也会被删除。hits不断自加，当大于我们设置的n_init时就会转为Confirmed状态。当创建这个实例时，state赋值为Tentative，age赋值为1，即初始态就是Tentative。该段代码是一个track的三种状态，Tentative，Confirmed，Deleted。

关于感知融合算法，作者根据自己的所学做一个简单的总结。