庄瀚洋，王晓亮，王春香，杨 明

1. 上海交通大学密西根学院，上海 200240； 2. 广西科技大学广西汽车零部件与整车技术重点实验室，广西 柳州 545006； 3. 上海交通大学自动化系，上海 200240； 4. 系统控制与信息处理教育部重点实验室，上海 200240； 5. 上海工业智能管控工程技术研究中心，上海 200240

智能驾驶系统的环境感知功能对于车辆的运行安全起着至关重要的作用，目标检测与跟踪是环境感知的核心，目标检测任务能够对交通参与者进行识别，而目标跟踪任务则是在时间尺度上分辨是否为同一目标并且进行持续的状态估计。基于三维激光雷达的目标检测与跟踪算法是无人驾驶系统的一个重要组成部分[1]，对于路径规划和决策控制等高级任务具有重要意义。

现阶段基于激光雷达的目标检测方法较为成熟[2]：基于先验规则的检测手段，通过地面分割、聚类、生成包围盒等流程完成目标检测，但稳健性较差[3-6]；近年来基于神经网络的激光雷达目标检测算法趋于成熟，且具备更高的检测精度与更好的适应性，如PointRCNN[7]、Part-A2Net[8]、PVRCNN[9]等。而基于检测的目标跟踪方法通过多帧的数据关联与状态估计生成目标轨迹[10]，数据关联旨在确定多帧数据之间多个目标的对应关系，是目标跟踪的基础[11-13]；状态估计指的是对同一目标多帧测量结果进行滤波，并对目标的状态量进行精确估计[14-16]。

跟踪道路上行驶的车辆是智能车辆的首要任务，车辆跟踪算法在距离较近时能够保持较高的精度。但在高速公路或城市快速路中，车辆速度较快、制动距离较长，要求车辆跟踪功能对中远距离的车辆依旧够保持准确、稳定的跟踪效果，对跟踪算法提出了严格的要求。……