无人驾驶车辆目标检测与跟踪的问题及解决方案

经过多年的发展，目标检测与跟踪问题相关研究已经取得了不错的成果，但是针对无人驾驶领域的目标检测与跟踪技术仍然存在着许多的问题亟待解决。

（1） 无人驾驶对目标检测的鲁棒性要求比较高，目标的漏检或误检会影响无人驾驶车辆的行驶安全或行驶平滑性。基于深度学习的目标检测方法的鲁棒性较高，但是对硬件资源要求较大。虽然已有很多深度神经网络的轻量化方法，但是在无人驾驶车辆上有限的计算资源下，运行速度依然较难满足实时处理的要求。为此，一方面需要进一步研究面向无人驾驶车辆低功耗车载计算资源的高效能深度学习方法；另一方面依然需要继续研究传统目标检测方法，充分利用无人驾驶车辆的平台特性，提升目标检测的鲁棒性和适应性。

（2） 在目标检测的基础上，无人驾驶需要目标在三维空间中稳定可靠的位置、姿态以及速度等信息以进行后续避障、路径规划等任务。当前目标跟踪方法以及目标三维位姿估计方法的可靠性和稳定性都需要进一步提高，以满足无人驾驶领域的具体应用需求。为此，需要综合考虑无人驾驶车辆配备的视觉、激光雷达等多传感器的信息，利用多源信息的互相印证，提升目标跟踪的可靠性和目标位姿、速度估计的稳定性和精确性。(www.xing528.com)

针对现有研究所存在的问题，本书围绕无人驾驶车辆的环境感知需求，结合长期科研实践和无人车实战经验，系统总结了我们在目标检测与跟踪方面的相关研究成果与技术（包括静态目标的检测与识别［B. Zhu，2020；C. Zhou，2020；Z. Ding，2019］、动态目标检测与识别［H. Zhang，2019；L. Yao，2019］、动态目标跟踪［H. Zhang，2019］以及目标三维位姿估计［Y. Han，2021］），通过充分利用视觉和激光雷达互补信息，并结合GPS/IMU 获取车辆定位信息作为输入，构建一套完整的多传感器信息融合的目标检测与跟踪框架，希望能够对无人驾驶车辆环境感知方面的技术研究和学科发展提供一些参考。