跟踪与传感器融合

目标跟踪和多传感器融合，探测和目标跟踪的鸟瞰图

您可以创建一个多目标跟踪器来融合来自雷达和摄像机传感器的信息。跟踪器使用卡尔曼滤波器，可以让您估计被检测对象的运动状态。利用传感器对被探测物体的测量来连续求解该物体的位置和速度。要跟踪移动的对象，可以使用恒速度或恒加速度运动模型，也可以定义自己的模型。

功能

全部展开

多目标跟踪

`multiObjectTracker`	使用GNN分配跟踪对象
`objectDetection`	报告单目标探测
`getTrackPositions`	返回更新后的航迹位置和位置协方差矩阵
`getTrackVelocities`	得到更新的轨道速度和速度协方差矩阵
`confirmTrack`	确认暂定航迹
`objectTrack`	单对象跟踪报告
`trackHistoryLogic`	根据最近的音轨历史确认和删除音轨

卡尔曼滤波器跟踪

α-β滤波器

`trackingABF`	用于对象跟踪的Alpha-beta过滤器
`initcaabf`	从检测报告中创建恒加速度alpha-beta跟踪过滤器
`initcvabf`	从检测报告中创建恒速跟踪alpha-beta过滤器

线性卡尔曼滤波器

`trackingKF`	目标跟踪的线性卡尔曼滤波器
`initcakf`	从检测报告中创建恒加速度线性卡尔曼滤波器
`initcvkf`	从检测报告中创建等速线性卡尔曼滤波器

扩展卡尔曼滤波器

`trackingEKF`	用于目标跟踪的扩展卡尔曼滤波器
`initcaekf`	从检测报告中创建恒加速度扩展卡尔曼滤波器
`initctekf`	从检测报告中创建常数回合率扩展卡尔曼滤波器
`initcvekf`	从检测报告中创建等速扩展卡尔曼滤波器

无味卡尔曼滤波器

`trackingUKF`	用于目标跟踪的无气味卡尔曼滤波器
`initcaukf`	从检测报告中创建恒加速度无味卡尔曼滤波器
`initctukf`	从检测报告中创建恒定转换率无气味卡尔曼滤波器
`initcvukf`	从检测报告中创建等速无味卡尔曼滤波器

运动模型

恒定的速度

`constvel`	等速状态更新
`constveljac`	匀速运动的雅可比矩阵
`cvmeas`	匀速运动测量函数
`cvmeasjac`	匀速运动测量函数的雅可比矩阵

恒定的加速度

`constacc`	恒加速度运动模型
`constaccjac`	恒加速度运动的雅可比矩阵
`cameas`	恒加速度运动的测量函数
`cameasjac`	恒加速度运动测量函数的雅可比矩阵

不断的周转周期

`constturn`	恒定转弯速率运动模型
`constturnjac`	定回转速率运动的雅可比矩阵
`ctmeas`	恒定回转速率运动的测量功能
`ctmeasjac`	恒定回转速率运动测量函数的雅可比矩阵

块

多目标跟踪

创建和管理多个对象的轨迹

主题

多目标跟踪

多对象跟踪教程
通过使用多目标跟踪器对视频中的运动对象进行自动检测和基于运动的跟踪。
线性卡尔曼滤波器
使用线性卡尔曼滤波器估计和预测物体运动。
扩展卡尔曼滤波器
使用扩展卡尔曼滤波器估计和预测物体运动。

传感器融合与合成数据

基于合成雷达和视觉数据的传感器融合
生成一个场景，模拟传感器检测，并使用传感器融合来跟踪模拟车辆。
在Simulink中使用合成雷达和视觉数据的传感器融合
在Simulink中实现跟踪和传感器融合的合成数据仿真^®自动驾驶工具箱™。

代码生成

用于跟踪和传感器融合的代码生成
为MATLAB生成C代码^®处理测试车辆记录的数据并跟踪其周围物体的函数。
为具有异构源履带的履带熔断器生成代码
生成航迹级融合算法的代码，其中航迹来自具有不同状态定义的异构源。

特色的例子

基于雷达和摄像头的公路车辆扩展目标跟踪

跟踪维度跨越多个传感器分辨率单元的对象。

打开脚本

基于Simulink的公路车辆雷达摄像头扩展目标跟踪

在Simulink中跟踪高速公路车辆周围的ego车辆。在本例中，您使用多种扩展对象跟踪技术来跟踪公路车辆并评估其跟踪性能。该示例紧跟MATLAB®使用雷达和摄像机(传感器融合和跟踪工具箱)的公路车辆扩展目标跟踪示例。

开放模式

基于网格的多激光雷达城市环境跟踪

通过使用多个激光雷达传感器和基于网格的跟踪器跟踪移动物体。

打开实时脚本

在Simulink中使用多个激光雷达在城市环境中基于网格的跟踪

在Simulink中使用基于网格的跟踪器使用多个激光雷达跟踪移动对象。您使用基于网格的多目标跟踪器(传感器融合和跟踪工具箱)Simulink块来定义基于网格的跟踪器。这个基于网格的跟踪器使用动态占用网格图作为环境的中间表示。该示例紧跟MATLAB®使用多个激光雷达(传感器融合和跟踪工具箱)在城市环境中基于网格的跟踪示例。

开放模式

基于履带融合的汽车安全应用

引信轨道从两辆车提供更全面的环境估计比每辆车看到。

打开实时脚本

Simulink中汽车安全应用的履带到履带融合

在Simulink环境中融合来自多辆车辆的履带。

开放模式

使用激光雷达跟踪车辆:从点云到跟踪列表

使用联合概率数据关联(JPDA)跟踪器和交互多模型(IMM)方法从激光雷达数据跟踪车辆。

打开脚本

在Simulink中使用激光雷达数据跟踪车辆

在Simulink环境中使用JPDA跟踪器和IMM方法从激光雷达数据跟踪车辆。

开放模式

使用全局最近邻跟踪器跟踪多个车道边界

设计并测试一种多车道跟踪算法。

打开实时脚本

雷达与激光雷达数据的航迹级融合

由雷达和激光雷达传感器测量得到的引信轨迹。

打开脚本

Simulink中雷达与激光雷达数据的航迹级融合

在Simulink中通过雷达和激光雷达传感器测量获得的引信轨迹。

开放模式

使用Frenet参考路径的目标跟踪和运动规划

基于对周围环境的估计，动态地重新规划自动驾驶汽车的运动。您使用Frenet参考路径和联合概率数据关联(JPDA)跟踪器来估计和预测高速公路上其他车辆的运动。与高速公路轨迹规划使用弗莱内参考路径的例子相比，您在这个例子中使用来自多目标跟踪器的这些估计轨迹，而不是用于运动规划的地面真相。

打开实时脚本

前方车辆传感器融合

在自动驾驶应用的3D仿真环境中模拟传感器融合和跟踪。该示例还展示了如何使用性能指标来评估开环环境中跟踪器的性能。

开放的例子

前方车辆传感器融合的自动化测试

自动测试前方车辆传感器融合组件和生成的代码。

开放的例子

车辆传感器融合的实时自动化测试

实时部署并测试高速公路车道跟随系统前向车辆传感器融合组件。

开放的例子

环绕车辆传感器融合

在Simulink®中使用自动驾驶工具箱实现合成数据仿真，使用多个视觉和雷达传感器检测车辆，并生成用于环绕视图分析的融合轨道。它还展示了如何使用传感器融合和跟踪工具箱™中的定量分析工具来评估跟踪器的性能。

开放的例子

异步传感器融合与追溯跟踪

在Simulink中构建基于事件的传感器融合与跟踪模型。

开放模式

多路径雷达反射公路车辆跟踪

在使用扩展目标跟踪器跟踪公路车辆时，评估和减轻多径雷达反射的影响。

打开实时脚本

Simulink中多径雷达反射扩展目标跟踪

在Simulink®中建模和减轻高速公路驾驶场景中的多路径雷达反射。它紧跟高速公路车辆跟踪与多路径雷达反射MATLAB®示例。

打开实时脚本

面向汽车应用的JPDA跟踪器的处理器在环验证

生成联合概率数据关联(JPDA)跟踪器的嵌入式代码，并在具有1 MB RAM和2 MB闪存的STM32 Nucleo板上使用处理器在环(PIL)模拟验证它。在本例中，您将JPDA跟踪器配置为处理高速公路场景中安装在自我车辆前面的摄像头和雷达传感器的检测。对于PIL模拟，您使用模拟检测来验证生成代码的跟踪和计算性能。

打开实时脚本