基于激光雷达的3D实时车辆跟踪

本文由王海，李洋，蔡英凤，孙恺，陈龙联合创作

摘要

3D多目标跟踪算法是智能车辆感知算法的重要组成部分，现有跟踪算法多与检测算法耦合以提高精度，导致算法实时性不足。针对此问题，本文中提出一种基于激光雷达的3D实时车辆跟踪算法。首先，对于激光雷达检测结果杂波较少的工况，提出结构精简的双波门GNN关联算法，有效提升其关联速度及精度；其次，优化关联向量与关联距离，既保证了算法的普适性，又提升其跟踪精度；最后，针对3D目标运动情况使用3D IMM⁃KF算法解决了3D机动目标的跟踪问题。基于公开数据集KITTI，本文算法在获得266.1 FPS跟踪速度的前提下可实现81.55%的MOTA精度；基于自研无人车平台进行面对遮挡工况的验证，结果表明本算法具有良好的目标跟踪及关联性能。

前言

随着智能汽车的不断发展，其对周围环境的感知需求日益增加。在环境感知算法中，多目标跟踪算法是重要的组成部分之一，其为智能汽车的轨迹规划与决策提供了必要的环境信息。相较于智能车辆上的摄像头与毫米波雷达，激光雷达具有感知精度高、对光照和天气适应能力强等特点，受到学术界和工业界的广泛关注。

跟踪算法主要目的是将前后帧目标检测结果进行匹配，进而实现对目标状态的连续感知。现有3D多目标跟踪算法由数据关联算法结合滤波算法组成。数据关联算法主要解决目标间的关联问题，滤波算法主要解决目标的状态估计和轨迹更新问题。常见的数据关联算法有联合概率数据互联（joint probabilistic data association，JPDA）、多假设跟踪（multiple hypothesis tracking，MHT）、全局最近邻关联（global nearest neighbor，GNN）等。常见的滤波算法有卡尔曼滤波（Kalman filter，KF）系列、粒子滤波（particle filter，PF）以及适应目标机动工况的交互多模型算法（interacting multiple model，IMM）等。

现有的3D多目标跟踪方法，例如文献［8］~文献［12］中基于检测的跟踪，将检测算法与跟踪算法耦合，整体精度较高。但由于跟踪算法精度依赖于检测算法的精度，将检测算法与跟踪算法耦合会掩盖跟踪算法本身的精度，无法确定是由于先进的感知算法带来的跟踪性能提升还是由于跟踪算法的改进带来的性能提升。同时这样的耦合所带来的性能提升是以整个系统的复杂性和计算成本为代价的，例如文献［8］~文献［13］中方法具有较好的性能精度，但其系统的整体复杂度较高，无法满足高实时性的需求。

针对上述问题，本文中提出了一种基于激光雷达的3D实时车辆跟踪方法。使用GNN算法作为数据关联算法，并通过双波门设计，提升了算法精度与速度。同时为消除检测与跟踪算法的耦合关系，采用目标位置信息与目标体积信息作为关联向量，并使用马氏距离作为关联距离以提升关联的准确性。最后使用3DIMM⁃KF算法，保证对机动目标的跟踪，实现了一个鲁棒性强、实时性好的跟踪系统。

1 跟踪系统设计

本文中提出的基于激光雷达的3D实时车辆跟踪系统，由3个部分组成：（1）使用双波门GNN的前后帧目标关联模块；（2）使用3DKF实现的IMM跟踪滤波器；（3）结合历史轨迹信息的跟踪轨迹生成和消亡管理器。其整体系统流程如图1所示。

图1 跟踪系统流程图

1.1 检测结果获取

随着智能车辆检测算法的不断发展，不断涌现出性能优异的检测算法，例如文献［14］~文献［16］。本文中采用文献［16］中所提出的检测算法，未进行任何改动。该检测算法并不具有领先的性能，目前其精度在KITTI的基准测试榜单中为75.64%，相较于主流检测方法有5%以上的精度差距。采用该算法是因为其算法开源且传播广泛，能更加体现出所提跟踪算法的综合优势。

同时为保证跟踪算法的通用性，本文中不使用除3D检测框结果以外的信息。对于k时刻的检测结果z（k），有z（k）=（x，y，z，l，w，h，θ），其中（x，y，z）为3D检测框中心点的三维坐标，（l，w，h）为3D检测框的长宽高，θ为3D检测框朝向角。

1.2 双波门GNN关联算法

在常用的数据关联算法中，GNN算法是一种不考虑干扰的关联算法，直接将滤波算法预测结果与最相似的检测目标关联。而JPDA与MHT综合考虑了环境中的杂波干扰，与GNN算法相比，优势是关联精准更高，劣势是速度较慢。

激光雷达原始点云数据量庞大，每帧多达数万个检测点，但经过目标检测后，跟踪算法的输入仅有数十个检测框。环境干扰对跟踪算法的影响已降到较低水平，在这种情况下GNN算法结构简单、速度较快的优势便体现出来，因此本文中选择GNN关联算法作为基础的关联算法。

1.2.1 关联向量与关联距离

在GNN关联算法中，如何综合评价前后帧目标间的相似度对关联算法十分重要，文献［11］~文献［17］中使用的关联向量不包含物体的3D信息，文献［18］中使用的关联向量除物体3D信息外还包含目标点云的反射强度信息。要提升相似度计算的全面性和综合性，需尽可能增多关联向量中包含的特征信息，但为保证跟踪算法的通用性，一些特殊的关联信息应该予以排除。由上述两点考虑，本文中选择（x，y，z，l，w，h）作为关联向量。对于朝向角θ，其满足上述两点的要求，但是由于3D检测对于物体的朝向信息容易发生混乱，实验过程中发现关联向量中加入朝向角θ，反而会导致跟踪精度的下降，因此在关联向量中去除朝向角θ。

对于关联距离的计算方式，文献［11］和文献［12］中选用欧式距离进行计算。欧氏距离计算方便，直接反映了两个物体间的空间距离。然而欧式距离对关联向量中的各个参数进行等权重的计算，无法评判不