前言

提出了一种适用于高速应用的模块化多模态传感器融合与跟踪方法。该方法基于扩展卡尔曼滤波器(Extended Kalman Filter) (EKF)，能够融合异构检测输入来一致地跟踪周围物体。

备注：一种用于多模态异构检测的模块化后期融合方法；高速现实场景中验证的融合和跟踪方法。

方法论

状态估计：扩展卡尔曼滤波（EKF）

使用具有恒速恒转角（CTRV）运动模型的EKF；融合检测到的位置、速度等多传感器数据；在历史及未来时刻维护目标状态；

其用于数据关联和结果级融合：

具体关联的步骤类似DeepSORT——

输入：

待关联检测（Detection Inputs）：多个传感器（LiDAR、RADAR、摄像头）独立检测的目标列表，每个检测带时戳 Ti 及测得特征（位置、速度、不确定性等）

当前追踪器内存中的目标（Tracked Objects）：每个目标具有历史状态轨迹、协方差、ID、检测计数等信息。

输出：

已匹配列表：每个检测关联到已有目标，将用于 EKF 更新。

新目标：若检测无法匹配现存目标，初始化为一个追踪目标实体。

删除/丢弃目标：若某些目标长时间未被检测匹配，依据状态或计数规则删除。

状态映射：记录“检测→目标 ID”的映射关系，便于后续状态更新和存储管理。

关于EKF：

参考 CV,CA,CTRV等运动模型，EKF，UKF在运动模型下的分析与实践