王 海，李 洋，蔡英凤，孙 恺，陈 龙

（1.江苏大学汽车与交通工程学院，镇江 212013；2.江苏大学汽车工程研究院，镇江 212013；3.上海禾赛科技股份有限公司，上海 201702）

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）［1］、多假设跟踪（multiple hypothesis tracking，MHT）［2］、全局最近邻关联（global nearest neighbor，GNN）［3］等。常见的滤波算法有卡尔曼滤波（Kalman filter，KF）［4-5］系列、粒子滤波（particle filter，PF）［6］以及适应目标机动工况的交互多模型算法（interacting multiple model，IMM）［7］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。……