用激光雷达追踪车辆:从点云到轨迹表

这个示例使用:

打开脚本

这个示例向您展示了如何使用安装在ego车辆顶部的激光雷达传感器进行测量来跟踪车辆。激光雷达传感器以点云的形式报告测量结果。该示例说明了在MATLAB®中处理点云和跟踪目标的工作流。有关Simu金宝applink®版本的示例，请参阅在Simulink中使用激光雷达数据跟踪车辆金宝app.本例中使用的激光雷达数据来自高速公路驾驶场景。在本例中，使用联合概率数据关联(JPDA)跟踪器和交互多模型(IMM)方法，使用记录的数据跟踪车辆。

三维包围盒探测器模型

由于激光雷达传感器的高分辨率能力，传感器的每次扫描都包含大量点，通常称为点云。必须对这些原始数据进行预处理，以提取感兴趣的对象，例如汽车、骑自行车的人和行人。在本例中，您将使用基于距离的聚类算法的经典分割算法。有关将激光雷达数据分割为地平面和障碍物等对象的更多详细信息，请参阅用激光雷达探测地面和障碍物(自动驾驶工具箱)的例子。关于深度学习分割工作流，请参阅使用激光雷达探测、分类和跟踪车辆(激光雷达工具箱)的例子。在本例中，属于障碍物的点云使用pcsegdist函数，将每个集群转换为包围盒检测，格式如下:

$[x\ y\ z\ {\theta}\ l\ w\ h]$

x美元那 $y$ 和 $z$ 参考边界框的x、y和z位置， ${\θ}$ 指其偏航角和 $ l $ 那 w美元和 h美元分别指其长度、宽度和高度。这pcfitcuboid(激光雷达工具箱)功能使用L形拟合算法来确定边界盒的偏航角。

检测器由一个支持类实现金宝appHelperboundingBoxDetector，它包含点云分割和集群功能。该类的对象接受apointCloud输入并返回的列表对象带有边界盒测量值的对象。

该图表显示了边界盒探测器模型所涉及的流程，以及用于实现每个流程的Lidar Toolbox™函数。它还显示了控制每个进程的支持类的属性。金宝app

激光雷达数据可在下列地点获得:https://ssd.mathworks.com/金宝appsupportfiles/lidar/data/TrackVehiclesUsingLidarExampleData.zip

将数据文件下载到临时目录中，其位置由MATLAB指定tempdir函数。如果要将文件放在不同的文件夹中，请在后续说明中更改目录名称。

%如果不可用，则加载数据。激光雷达数据以单元阵列的形式存储% pointCloud对象。如果~存在('lidardata'那“var”)数据URL=“https://ssd.mathworks.com/金宝appsupportfiles/lidar/data/TrackVehiclesUsingLidarExampleData.zip”；datasetFolder = fullfile (tempdir,“LidarExampleDataset”）;如果~存在(datasetFolder“dir”)解压缩(dataURL datasetFolder);结束%指定模拟的初始和最终时间。initTime = 0;finalTime = 35;[lidarData, imageData] = loadlidaranddimagedata (datasetFolder,initTime,finalTime); / /读取数据结束％设置随机种子以产生可重复的结果。S = rng (2018);一个边界盒检测器模型。detectorModel=HelperBoundingBoxDetector(...“XLimits”(-50 75),...% min-max“YLimits”,[-5 5],...% min-max“ZLimits”(2 - 5),...% min-max“SegmentationMinDistance”, 1.8,...％最小欧几里德距离“MinDetectionsPerCluster”, 1...每个集群最低积分%“MeasurementNoise”眼睛,blkdiag(0.25 *(3), 25岁,眼(3)),...%检测报告中的测量噪声“地面最大距离”, 0.3);接地点到接地面的最大距离

目标状态和传感器测量模型

跟踪对象的第一步是定义它的状态，以及定义状态转换和相应度量的模型。这两组方程统称为目标的状态空间模型。为了使用激光雷达对车辆状态进行建模，本例使用长方体模型，约定如下:

$x=[x{kin}\{\theta}\l\w\h]$

美元间{亲属}$ 指控制运动中心运动学的状态部分，以及 $\θ美元$ 是偏航角。长方体的长度、宽度和高度建模为常数，其估计值在过滤器校正阶段随时间变化。

在本例中，您使用两种状态空间模型：恒定速度（cv）长方体模型和恒定转弯率（ct）长方体模型。这些模型定义状态运动学部分的方式不同，如下所述：

$美元间{简历}= [x y \{\点{x}} \ \{\点{y}} \ z \{\点{z}} \{\θ}\ h l \ w \]美元$

$x_ {ct} = [x \ {\ dot {x}} \ y \ {\ dot {y}} \ {\ dot {\ theta}} \ z \ {\ dot {z}} \ {\ theta}\ l \ w \ h]$

有关它们的状态转换的信息，请参阅helperConstvelCuboid和helperConstturnCuboid本例中使用的函数。

这helperCvmeasCuboid和helperCtmeasCuboid测量模型分别描述了传感器如何感知恒定速度和恒定转速状态，并返回边界盒测量值。由于状态包含关于目标大小的信息，测量模型包括由传感器感知到的中心点偏移和边界盒收缩的影响，这是由于自遮挡[1]等影响造成的。这种效应是通过收缩系数来模拟的，收缩系数与被跟踪车辆到传感器的距离成正比。

下图展示了在不同状态空间样本下运行的测量模型。注意当物体围绕ego车辆移动时，包围盒收缩和中心点偏移的模型效果。

设置跟踪器和可视化

下图显示了从点云输入获取轨迹列表的完整工作流。

现在，设置示例中使用的跟踪器和可视化。

联合概率数据关联跟踪器(追踪器JPDA）与IMM滤清器（跟踪IMM)在本例中，用于跟踪对象。IMM过滤器使用恒定速度和恒定转动率模型，并使用支持函数进行初始化，金宝appHelperinitimmfilter，包括在此示例中。IMM方法有助于轨迹在运动模型之间切换，从而在机动或换道等事件中获得良好的估计精度。下面的动画显示了在IMM过滤器的预测阶段混合恒定速度和恒定转动率模型的效果。

IMM滤波器更新每个模型的概率，当它被从目标的检测修正。下面的动画显示了在变道事件中车辆的估计轨迹以及每个模型的估计概率。

设置HasDetectableTrackIDsInput跟踪器的属性为真正的，它允许您指定与状态相关的检测概率。跟踪的检测概率由HelpercalcDetectability.函数，列在本示例的最后。

assignmentGate = [75 1000];%分配阈值；Confthreshold = [7 10];%历史逻辑的确认阈值delThreshold = [8 10];%历史逻辑删除阈值KC = 1E-9;单位体积误报率%% IMM过滤器初始化功能filterinitfcn = @helperinitimmfilter;带有IMM滤波器的联合概率数据关联跟踪器跟踪器= trackerjpda（'filterinitializationfcn'filterInitFcn,...“TrackLogic”那'历史'那...“AssignmentThreshold”，转让门，...“ClutterDensity”，Kc，...'确认察觉'confThreshold,...“DeletionThreshold”delThreshold,...“HasDetectableTrackIDsInput”符合事实的...“初始化阈值”0,...'hitmissthreshold', 0.1);

可视化分为以下主要类别：

激光雷达预处理和跟踪-该显示器显示原始点云、分割的地面和障碍物。它还显示了从检测器模型得到的检测结果和跟踪器生成的车辆轨迹。
自我车辆显示器-这个显示器显示场景的2d鸟瞰图。它显示障碍物点云、包围盒检测和跟踪器生成的轨迹。作为参考，它还显示从安装在ego车上的摄像机记录的图像和它的视野。
跟踪细节-这个显示在自我车辆周围缩放的场景。它还显示了更精细的跟踪细节，如每个轨迹估计位置的误差协方差及其运动模型的概率，用cv和ct表示。

%创建显示displayObject = HelperlidareXampledisplay（Imagedata {1}，...“PositionIndex”(1 3 6),...“速度指数”(2 4 7),...“DimensionIndex”(9 10 11),...“YawIndex”，8，...“MovieName”那＇＇那...%指定要录制电影的电影名称。“RecordGIF”，假）；%指定true以记录新的GIF

遍历数据

对记录的激光雷达数据进行循环，使用检测器模型从当前点云生成检测，然后使用跟踪器对检测进行处理。

时间= 0;％ 开始时间dT = 0.1;%时间步启动所有轨道。allTracks =结构([]);%初始变量比较MATLAB和MEX仿真。numtracks =零（numel（lidardata），2）;%遍历数据为i = 1:元素个数(lidarData)%更新时间时间=时间+ dt;获得当前激光雷达扫描currentLidar = lidarData {};激光雷达探测到的生成器。[检测，障碍，地面，裁剪方法] =检测仪（CurrentLidar，时间）;%计算每个道的可检测性。detectableTracksInput = helperCalcDetectability(allTracks，[1 3 6]);%通过检测跟踪。[confirmedTracks, tentativeTracks allTracks信息]=追踪(检测、时间detectableTracksInput);numTracks(1) =元素个数(confirmedTracks);%从IMM滤波器的每个航迹得到模型概率跟踪器的% getTrackFilterProperties函数。modelProbs = 0(2,元素个数(confirmedTracks));为c = getTrackFilterProperties(tracker,confirmedTracks(k). log . log . log . log . log . log . log . log . log . log . log。TrackID,“ModelProbabilities”)；modelProbs（：，k）=c1{1}；结束％更新显示如果IsValid（displayObject.pointCloudProcessingDisplay.obStraclePlotter）％获取当前图像扫描参考图像currentImage = imageData {};%更新显示对象显示对象（检测、确认跟踪、当前激光雷达、障碍物、，...groundIndices、croppedIndices currentImage modelProbs);结束%在时间= 18时捕捉一个数字如果abs(time - 18) < dT/2 snapnow(displayObject);结束结束如果有要求，写电影如果~isempty（displayObject.MovieName）writeMovie（displayObject）；结束%写入新的gif如果请求。如果displayObject。RecordGIF%第二次输入是开始帧，第三次输入是结束帧和最后一次输入%是指定要记录的面板的字符向量。writeAnimatedGIF (displayObject, 10170,“trackMaintenance”那'自我'）;writeAnimatedGIF (displayObject, 310330,jpda的那“处理”); writeAnimatedGIF（displayObject，120140，'IMM'那“细节”）;结束

上图显示了在time = 18秒时的三个显示。轨迹由绿色边框表示。边界框检测用橙色边界框表示。探测器内部也有橙色的点，表示被分割为障碍物的点云。分割的地面用紫色表示。裁剪或丢弃的点云以蓝色显示。

生成C代码

您可以使用MATLAB Coder™从MATLAB®代码生成跟踪和预处理算法的C代码。C代码生成使您能够加速MATLAB代码的仿真。为了生成C代码，算法必须重新构造为MATLAB函数，该函数可以编译为MEX文件或共享库。为此，将点云处理算法和跟踪算法重构为MATLAB函数，mexLidarTracker．有些变量定义为执着的在多次调用函数之间保留其状态（请参见执着的）.在本例末尾的“支持文件”一节中提供的函数描述中，可以看到函数的输入和输出。金宝app

MATLAB编码器要求指定所有输入参数的属性。的示例在命令行中定义输入属性是一种简单的方法- args.选择。有关更多信息，请参见在命令行通过示例定义输入属性(MATLAB编码器)．类的对象不能作为顶级输入参数处理类。因此，函数接受X那y和Z.点云的位置作为输入。从存储的点云中，可以使用位置财产的pointCloud对象该信息也可作为激光雷达传感器的原始数据直接获取。

%输入列表InputExample = {Lidardata {1} .Location，0};为MEX生成创建配置cfg = coder.config (墨西哥人的）;%将cfg替换为以下文件生成静态库并执行%软件在环仿真。这需要嵌入式编码器许可证。％% CFG = code .config('lib');%静态库% cfg。VerificationMode =“银”;% Software-in-the-loop%如果文件不存在生成代码。如果~存在('mexlidartracker_mex'那“文件”）h = msgbox（{“生成代码。这可能需要几分钟……”；完成后此消息框将关闭。}，'codegen消息'）;% -config允许指定代码生成配置％-o允许指定输出文件的名称编码基因-配置CFG.- omexLidarTracker_mexmexLidarTracker-  args.inputExample关闭(h);其他的清晰的mexLidarTracker_mex；结束

代码生成成功。

使用MEX代码重新运行模拟

使用生成的MEX代码重新运行模拟，mexLidarTracker_mex．重置时间

时间= 0;为i = 1:numel(lidarData) time = time + dT;currentLidar = lidarData {};[detectionsMex, obstacleIndicesMex groundIndicesMex croppedIndicesMex,...confirmedTracksMex, modelProbsMex] = mexLidarTracker_mex(currentLidar.Location,time);%记录数据，与MATLAB执行比较。numTracks(我,2)=元素个数(confirmedTracksMex);结束

比较MATLAB与MEX执行的结果

disp (isequal (numTracks (: 1), numTracks (:, 2)));

请注意，MATLAB和MEX代码执行的确认轨道的数量是相同的。这确保了LIDAR预处理和跟踪算法与与MATLAB代码一样生成的C代码返回相同的结果。

结果

现在，通过对场景中不同事件的分析，了解激光雷达测量模型、联合概率数据关联、交互多模型滤波器的组合如何帮助实现对车辆轨迹的良好估计。

跟踪维护

上面的动画显示了时间= 3秒到时间= 16秒之间的模拟。注意，像T10和T6这样的轨迹在时间跨度内保持它们的id和轨迹。但是，由于被跟踪车辆被传感器长时间错过(未检测到)，导致轨迹T9丢失。另外，注意被跟踪的物体能够通过将检测定位到车辆的可见部分来保持其形状和运动中心。例如，当轨道T7向前移动时，包围盒检测开始落在其可见的后部，轨道保持车辆的实际尺寸。这说明了在测量函数中模拟的偏移和收缩效应。

捕捉动作

动画表明，使用IMM滤波器有助于跟踪器在机动车辆上保持轨道。请注意，T4跟踪的车辆改变了自我车辆后面的车道。在此机动事件期间，跟踪器能够在车辆上维护轨道。还注意到在显示中，其在恒定转向模型之后的概率，由CT表示，在车道变换机动期间增加。

联合概率数据关联

此动画显示，使用联合概率数据关联跟踪器有助于在不明确的情况下维护轨迹。此处，T43和T73跟踪的车辆由于距离传感器较远，检测概率较低。请注意，当未检测到其中一辆车辆时，跟踪器能够在事件期间保持跟踪。在事件期间，轨道首先合并，这是JPDA中的已知现象，然后在再次检测到车辆时分离。

总结

此示例显示了如何使用带有IMM滤波器的JPDA跟踪器来使用LIDAR传感器跟踪对象。您了解到如何预处理原始点云以生成传统跟踪器的检测，该检测是每个传感器扫描每个对象的一个检测。您还学习了如何定义长方体模型来描述JPDA跟踪器正在跟踪的扩展对象的运动学，尺寸和测量。此外，您还生成了算法中的C代码，并使用MATLAB仿真验证其执行结果。

金宝app支持文件

helperLidarModel

这个函数定义了激光雷达模型来模拟边界盒的收缩测量和中心点偏移。函数中使用helperCvmeasCuboid和helperCtmeasCuboid函数从状态获取边界盒测量值。

函数MEAS = Helperlidarmodel（POS，DIM，YAW）给定给定的值，该函数返回预期的边界框测量值物体的位置、尺寸和偏航角。版权所有2019 The MathWorks, Inc.%得到x，y和z。x = pos (1:);: y = pos (2);Z = pos(3，:) - 2;%激光雷达安装在高度= 2米。%得到球面测量。[AZ，〜，R] = Cart2sph（x，y，z）;％缩小率s = 3/50;% 3米径向长度在50米。sz = 2/50;% 2米高度在50米。%得到长度，宽度和高度。L =暗(1:);W =暗(2:);H =暗(3:);Az = Az - deg2rad(偏航);沿径向收缩长度。Lshrink = min (L, abs (s * r。* (cos (az))));Ls = L - Lshrink;沿径向收缩宽度。Wshrink = min (W, abs (s * r。* (sin (az))));Ws = W - Wshrink;%下降高度。Hshrink=min（H，sz*r）；Hs=H-Hshrink；类似的移动是在x和y方向。shift = Lshrink.*cosd(偏航)+ Wshrink.*sind(偏航);= Lshrink.*sind(偏航)+ Wshrink.*cosd(偏航);shiftz = hshrink;%建模盒原点偏移的影响x = x -符号(x).*shiftX/2;y = y -符号(y).*shiftY/2;z = z + shift /2 + 2;%测量格式meas = [x; y; z; yaw; ls; ws; hs];结束

helperInverseLidarModel

这个函数定义了逆激光雷达模型，使用激光雷达边界盒测量来初始化跟踪滤波器。函数中使用Helperinitimmfilter函数从边界框测量获得状态估计。

函数[pos、posCov昏暗,dimCov,偏航,yawCov] = helperInverseLidarModel(量、measCov)这个函数使用边界返回位置，尺寸，偏航%箱测量。版权所有2019 The MathWorks, Inc.%缩小率。s = 3/50;sz = 2/50;% x,y和z的测量x =量(1);: y =量(2);z =量(3);[AZ，〜，R] = Cart2sph（x，y，z）;%移动x和y位置。lshrink = abs（s * r。*（cos（az））））;wshrink = abs（s * r。*（sin（az）））;hshrink = sz * r;ShiftX = LSHRINK;shifty = wshrink;shiftz = hshrink;x = x +符号（x）。* shiftx / 2;Y = Y +符号（y）。* shifty / 2;z = z  -  shiftz / 2;pos = [x; y; z]; posCov = measCov(1:3,1:3,:); yaw = meas(4,:); yawCov = measCov(4,4,:);%尺寸初始化为标准乘用车的低% uncertainity。昏暗的= (4.7;1.8;1.4);眼睛dimCov = 0.01 * (3);结束

HelperboundingBoxDetector

这是支持类金宝appHelperboundingBoxDetector接受点云输入并返回点云列表的步骤对象

classdefHelperBoundingBoxDetector < matlab。系统％helperboundingboxdetector一个辅助课程分割点云%进入边界框检测。％对对象的步骤调用执行以下内容：％% 1。移除限制之外的点云。% 2。从幸存的点云，分割出地面% 3。从障碍点云，形成簇并放置边界每个群集上的％框。%裁剪属性性质场景的XLimitsXLimits = [-70 70];场景的YLimitsYLimits=[-6]；场景的ZLimitsZLimits = [-2 10];结束%地面分割属性性质% GroundMaxDistance点到地平面的最大距离地面达到0.3;% ground dreference vector地平面的参考向量grounddreferencevector = [0 0 1];点到参考向量的最大角度距离GroundMaxAngularDistance = 5;结束％边界框分割属性性质%分割MinDistance用于分割的距离阈值SegmentationMinDistance = 1.6;% MinDetectionsPerCluster每个集群的最小检测数MinDetectionsPerCluster = 2;% MaxZDistanceCluster集群的最大z坐标MaxZDistanceCluster=3；% MinZDistanceCluster集群的最小z坐标MinZDistanceCluster = 3;结束自我车辆半径移除自我车辆点云。性质%EgoVehicle EgoVehicle的半径EgoVehicleRadius = 3;结束性质% measumentnoise包围盒检测的测量噪声MeasurementNoise = blkdiag(眼(3)10眼(3));结束性质(Nontunable) MeasurementParameters = struct.empty(0,1);结束方法函数obj=HelperBoundingBoxDetector（varargin）setProperties（obj，nargin，varargin{：}）结束结束方法(访问=保护)函数[BboxDets，explationInces，Groundindices，CroppedIndices] = Stepimpl（OBJ，ChrentPointCloud，时间）切点云[pcSurvived, survivedIndices croppedIndices] = cropPointCloud (currentPointCloud、obj.XLimits obj.YLimits, obj.ZLimits, obj.EgoVehicleRadius);%删除地平面[pcObstacles, obstacleIndices groundIndices] = removeGroundPlane (pcSurvived、obj.GroundMaxDistance obj.GroundReferenceVector, obj.GroundMaxAngularDistance, survivedIndices);％形成群集并获取边界框detBBoxes = getBoundingBoxes (pcObstacles obj.SegmentationMinDistance、obj.MinDetectionsPerCluster obj.MaxZDistanceCluster, obj.MinZDistanceCluster);％组装检测如果isempty(obj.MeasurementParameters) measParams = {};其他的测量参数=对象测量参数；结束bboxDets=组合检测（Detboxes，obj.MeasurementNoise，measParams，time）；结束结束结束函数检测= assembleDetections (bboxes measNoise measParams,时间)%此方法以objectDetection格式组装检测。numboxes = size（bboxes，2）;检测=单元格（Numboxes，1）;为i = 1:numBoxes detection {i} = objectDetection(time,cast(bboxes(:，i))，“双”)，...“MeasurementNoise”，双（morenoise），'ObjectAttributes'、结构、...“MeasurementParameters”, measParams);结束结束函数bboxes = getBoundingBoxes (ptCloud minDistance、minDetsPerCluster maxZDistance, minZDistance)%这个方法适合每个集群的包围盒与一些基本%的规则。% Cluster必须至少有minDetsPerCluster点。％其平均值Z必须位于MaxZdistance和Minzdistance之间。%长度，宽度和高度使用最小值和最大值计算%的维度。[标签，numflusters] = pcsegdist（ptcloud，meadistance）;PointData = ptcloud.location;Bboxes = nan（7，numflusters，“喜欢”, pointData);isValidCluster = false(1、numClusters);为i=1:numClusters thisPointData=pointData（labels==i，：）；meanPoint=mean（thisPointData，1）；如果尺寸（托管Data，1）> MindetSpercluster &&...平均点（3）minZDistance长方体=pcfit长方体（点云（thisPointData））；偏航=长方体。方向（3）；L=长方体。尺寸（1）；W=长方体。尺寸（2）；H=长方体。尺寸（3）；如果Abs (yaw) > 45可能= yaw + [-90;90];[~,选择]= min (abs(可能性));偏航=可能性(选择);temp = L;L = W;W = temp;结束bboxes (:, i) =(长方体。中心偏航;isValidCluster(i) = L < 20 & W < 20;结束结束bboxes = bboxes (:, isValidCluster);结束函数[ptCloudOut，obstacleIndices，groundindex]=removeGroundPlane（ptCloudIn，maxGroundDist，referenceVector，maxAngularDist，currentindex）%此方法使用从点云中删除地平面% pcfitplane。[~, groundIndices,离群值]= pcfitplane (ptCloudIn、maxGroundDist referenceVector, maxAngularDist);ptCloudOut =选择(ptCloudIn、异常值);obstacleIndices = currentIndices(异常值);groundIndices = currentIndices (groundIndices);结束函数[ptCloudOut,指数,croppedIndices] = cropPointCloud (ptCloudIn、xLim yLim, zLim, egoVehicleRadius)%该方法选择限定范围内的点云，并删除使用FindNeighborsinradius的％EGO车辆点云位置= ptcloudin.location;Locations = Rehape（位置，[]，3）;Insidex =位置（：，1） xlim（1）;Insidey =位置（:,2） ylim（1）;Ineinez =位置（:,3） zlim（1）;内部= Insidex＆Inney＆Ineinez;%移除自我车辆附近intindes = findneighborsinradius（ptcloudin，[0 0 0]，Egovehicleradius）;nodgoindices = true（ptcloudin.count，1）;nodgoindices（附近）= false;validindices =内部和非核果草坪;索引=查找（验证）;croppedindices = find（〜yangindices）;ptcloudout = select（ptcloudin，索引）;结束

mexLidarTracker

该函数使用函数接口实现了点云预处理显示和跟踪算法的代码生成。

函数(检测、obstacleIndices groundIndices croppedIndices,...confirmedTracks, modelProbs] = mexLidarTracker(ptCloudLocations,time)执着的detectorModel跟踪器detectableTracksInput currentNumTracks如果Isempty（Detectormodel）||isempty（跟踪器）||isempty（detectabretacksinput）||isempty（currentnumtracks）%使用与MATLAB相同的起始种子在SIL中重现结果%的模拟。rng (2018);一个边界盒检测器模型。detectorModel=HelperBoundingBoxDetector(...“XLimits”(-50 75),...% min-max“YLimits”,[-5 5],...% min-max“ZLimits”(2 - 5),...% min-max“SegmentationMinDistance”, 1.8,...％最小欧几里德距离“MinDetectionsPerCluster”, 1...每个集群最低积分%“MeasurementNoise”眼睛,blkdiag(0.25 *(3), 25岁,眼(3)),...检测报告中测量噪声百分比。“地面最大距离”, 0.3);接地点到接地面的最大距离assignmentGate = [75 1000];%分配阈值；Confthreshold = [7 10];%历史逻辑的确认阈值delThreshold = [8 10];%历史逻辑删除阈值KC = 1E-9;单位体积误报率%filterinitfcn = @helperinitimmfilter;跟踪器= trackerjpda（'filterinitializationfcn'filterInitFcn,...“TrackLogic”那'历史'那...“AssignmentThreshold”，转让门，...“ClutterDensity”，Kc，...'确认察觉'confThreshold,...“DeletionThreshold”delThreshold,...“HasDetectableTrackIDsInput”符合事实的...“初始化阈值”0,...“MaxNumTracks”30岁的...'hitmissthreshold', 0.1);detectableTracksInput = 0 (tracker.MaxNumTracks, 2);currentNumTracks = 0;结束ptCloud = pointCloud (ptCloudLocations);%探测器模型(检测、obstacleIndices groundIndices croppedIndices] = detectorModel (ptCloud、时间);％呼叫跟踪器[confirmedTracks，~，allTracks]=跟踪器（检测，时间，可检测的tracks输入（1:currentNumTracks，：）；％更新可检测性输入currentNumTracks =元素个数(allTracks);detectableTracksInput(1:currentNumTracks，:) = helperCalcDetectability(allTracks，[1 3 6]);%获取模型概率modelProbs = 0(2,元素个数(confirmedTracks));如果已锁定（跟踪器）为c = getTrackFilterProperties(tracker,confirmedTracks(k). log . log . log . log . log . log . log . log . log . log . log。TrackID,“ModelProbabilities”）;聚合氯化铝c1 = {1};modelProbs (k) =聚合氯化铝(1);modelProbs (2 k) =聚合氯化铝(2);结束结束结束

HelpercalcDetectability.

该函数计算每个轨道的检测概率。该函数用于生成“detectabletracksid”输入追踪器JPDA．

函数posIndices detectableTracksInput = helperCalcDetectability(跟踪)这是一个辅助函数，用于计算的检测概率%跟踪的激光雷达跟踪示例。将来可能会被移除%释放。版权所有2019 The MathWorks, Inc.%边界盒检测器分割点云的概率很低大于40米的距离。这个函数％模型使用具有状态检测概率的效果%每个跟踪器。在达到最大范围后，Pd设置为高值，以%允许以更快的速度删除轨道。如果isempty(tracks) detectableTracksInput = 0(0,2); / /跟踪轨迹返回；结束征求= 75;rAmbig = 40;stateSize =元素个数(跟踪(1).State);stateSize posSelector = 0(3日);posSelector (posIndices (1)) = 1;posSelector (posIndices (2)) = 1;posSelector (posIndices (3)) = 1;pos = getTrackPositions(跟踪、posSelector);如果coder.target (MATLAB的) trackid = [trackid . trackid];其他的轨迹ID=零（1，numel（轨迹），“uint32”）;为i = 1:numel(tracks) trackid (i) = tracks(i).TrackID;结束结束(~, ~, r) = cart2sph (pos (: 1), pos (:, 2), pos (:, 3));probDetection = 0.9 *(元素个数(跟踪),1);probDetection(r > rAmbig) = 0.4;probDetection(r > rMax) = 0.99;detectableTracksInput = [double(trackIDs(:)) probDetection(:)];结束

loadLidarAndImageData

缝合激光雷达和相机数据处理使用初始和最终时间规定。

函数[lidarData,imageData] = loadlidaranddimagedata (datasetFolder,initTime,finalTime) initFrame = max(1,floor(initTime*10));lastFrame = min(350年,装天花板(finalTime * 10));负载(fullfile (datasetFolder'imagedata_35seconds.mat')，“allImageData”）;imagedata = Allimagedata（InitFrame：LastFrame）;numframes = lastframe  -  initframe + 1;lidardata = cell（numframes，1）;%每个文件包含70帧。initFileIndex = floor(initFrame/70) + 1;lastFileIndex =装天花板(lastFrame / 70);frameIndices = [1:70:numFrames numFrames + 1];counter = 1;为i = initFileIndex:lastFileIndex startFrame = frameIndices(计数器);endFrame = frameIndices(counter + 1) - 1;负载(fullfile (datasetFolder, (“lidarData_”num2str(我)]),“currentLidarData”）;lidarData(startFrame:endFrame) = currentLidarData(1:(endFrame + 1 - startFrame));Counter = Counter + 1;结束结束

参考文献

艾莉亚·塞纳·阿卜杜勒·拉赫曼，艾莉亚。自动驾驶的三维激光雷达多目标跟踪:城市道路不确定性下的多目标检测与跟踪。(2017)．