自动驾驶中的多目标跟踪:第二篇
上一节介绍了多目标跟踪的定义、应用场景和类型以及面临的挑战;在这一节,我们回顾贝叶斯滤波,简单介绍运动模型和量测模型,卡尔曼滤波等。
附赠自动驾驶学习资料和量产经验:链接
贝叶斯递推滤波
我们可以看一下卡尔曼滤波的一个递推周期的全过程
(1)先验概率密度
下图最左边的框图中是目标的速度分布,最下边的框图是目标的位置分布,可以看出它们都是高斯分布的。由于初始分布(8)目标的速度与位置的协方差为0,目标状态的联合分布(2维)的图像呈现一个椭圆。
初始状态 纵坐标速度,横坐标位置
(2)预测步骤
我们可以看到,预测过程,目标的速度分量(红色)的分布密度函数图像比之前变得更宽了,目标的位置分量(红色)的分布密度函数图像不光比以前变得更宽,均值还有一定的变化。变宽由于在预测过程,目标的不确定性是增加的(噪声的存在),所以方差会变大。而联合分布(2维)分布密度函数图像变成了倾斜的椭圆,这说明目标的速度分量和位置分量已经不再不相关,非对角元素已经非零。
(3)更新步骤
我们可以看到,更新过程,目标的速度分量(绿色)和位置分量(绿色)的分布密度函数图像比预测时候变得更窄了,这是由于在更新过程,目标的不确定性是减小的(量测提供了有关目标的新信息)。注意到量测的位置比预测的位置要大,所以更新后的目标速度和位置都比预测时有了增加。
在下一节,我会介绍有关杂波背景下单目标滤波的内容。