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。