第四章：目标检测与跟踪基础
各位同学，今天我们来聊聊自动驾驶感知系统中一个绕不开的话题——目标跟踪。说实话，我刚入行那会儿，觉得目标检测才是重头戏，跟踪嘛，不就是把检测框连起来？后来在实车上跑了一次才发现，事情远没那么简单。
4.1 卡尔曼滤波：状态估计的基石
卡尔曼滤波，说白了就是一套“预测+修正”的数学框架。你想想看，传感器每帧都有噪声，目标还可能被遮挡，怎么才能得到平滑、可信的轨迹？卡尔曼滤波就是干这个的。
它的核心思想其实很朴素：
- 预测阶段：根据上一帧的状态，推测当前帧目标大概在哪
- 更新阶段：用当前帧的观测值，修正这个推测
我个人习惯把卡尔曼滤波拆成五个公式来理解，但实际工程中，我更关注两个矩阵：状态转移矩阵 F 和 观测矩阵 H。
工程要点：在自动驾驶场景中，我们通常用匀速模型或匀加速模型。状态向量一般取 [x, y, vx, vy, w, h] 或 [x, y, vx, vy, ax, ay]。
举个简单的例子，假设我们要跟踪一辆车的位置：
// 伪代码：卡尔曼滤波预测与更新
// 预测
x_pred = F * x_prev + B * u
P_pred = F * P_prev * F^T + Q
// 更新
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
x_updated = x_pred + K * (z - H * x_pred)
P_updated = (I - K * H) * P_pred这里 Q 是过程噪声协方差，R 是测量噪声协方差。我在项目中遇到过一个问题：Q 和 R 调不好，跟踪结果要么抖动得厉害，要么反应迟钝。后来我总结了一个经验——先固定 R，再调 Q，这样调试效率高很多。
避坑指南：我曾经把 Q 设得太小，结果目标突然加速时，卡尔曼滤波完全跟不上，轨迹直接断掉。后来我改用自适应 Q，根据目标的加速度残差动态调整，效果好了不少。
4.2 匈牙利匹配算法：数据关联的艺术
检测到了目标，也预测了轨迹，接下来要回答一个问题：当前帧的检测框，到底该匹配给哪条历史轨迹？
匈牙利算法就是解决这个分配问题的。它的输入是一个代价矩阵，比如用 IOU（交并比）或马氏距离作为代价。算法输出一个最优匹配，使得总代价最小。
嗯，这里要注意：匈牙利算法要求代价矩阵是方阵，但实际场景中检测数和轨迹数往往不相等。所以工程上我们会引入虚拟节点，把矩阵补成方阵。
| 检测框 | 轨迹1 | 轨迹2 | 轨迹3 |
|---|---|---|---|
| D1 | 0.8 | 0.3 | 0.1 |
| D2 | 0.2 | 0.9 | 0.4 |
| D3 | 0.5 | 0.6 | 0.7 |
表：代价矩阵示例（数值越小表示匹配度越高）
匈牙利算法会找出一个匹配组合，比如 D1→轨迹1、D2→轨迹2、D3→轨迹3，使得总代价最小。实际工程中，我还会加一个阈值门控——如果最小代价都大于某个阈值（比如 IOU < 0.3），那就认为这个检测是新目标，不匹配给任何轨迹。
注意：匈牙利算法的时间复杂度是 O(n³)，当目标数量超过 100 时，计算开销会明显增加。我建议在目标密集场景下，先用距离粗筛，缩小匹配范围，再跑匈牙利算法。
4.3 目标ID管理：给每个目标一个身份
跟踪系统里，每个目标都需要一个唯一的 ID。这个 ID 从目标出现开始，到目标消失结束，中间不能变。你想想看，如果一辆车在画面里 ID 跳来跳去，下游的预测和规划模块根本没法用。
ID 管理的核心原则就一条：一个 ID 只能对应一个物理目标。但实际中经常出现 ID Switch（ID 交换）的问题，比如两辆车交错后，ID 互换了。
我遇到过最头疼的情况是：一辆车被遮挡后重新出现，系统给它分配了新 ID，导致轨迹断裂。后来我引入了轨迹生命周期管理：
- 初始化：连续 3 帧都检测到该目标，才分配 ID
- 维持：每帧都更新轨迹状态
- 终止：连续 5 帧没有匹配到检测，就删除轨迹
经验之谈：我建议把 ID 分配和轨迹状态机结合起来。比如用三个状态：候选（Candidate）、确认（Confirmed）、丢失（Lost）。只有 Confirmed 状态的轨迹才输出给下游模块。
4.4 轨迹初始化与终止
轨迹初始化，说白了就是决定什么时候给一个新目标“上户口”。太早了容易引入噪声，太晚了又丢失信息。
我个人习惯用多帧确认策略：
- 第一帧检测到目标，创建临时轨迹，标记为 Candidate
- 第二帧再次匹配到，更新轨迹，仍为 Candidate
- 第三帧依然匹配到，升级为 Confirmed，分配正式 ID
轨迹终止则相反：
- 连续 N 帧没有匹配到检测，标记为 Lost
- Lost 状态下再维持 M 帧，如果还没出现，就彻底删除
N 和 M 怎么选？我一般设 N=3，M=5。但具体要看场景：高速场景目标移动快，N 可以小一点；城市道路目标容易被遮挡，N 可以大一点。
小技巧：我曾经在项目中加入了一个“预测补偿”机制——当目标短暂丢失时，用卡尔曼滤波的预测值继续更新轨迹位置，而不是直接标记为 Lost。这样能有效减少轨迹断裂。
好了，这一章的内容就到这里。卡尔曼滤波、匈牙利匹配、ID 管理、轨迹初始化与终止，这四个模块构成了目标跟踪的骨架。下一章我们会聊到行为预测，到时候这些跟踪结果就是预测的输入了。
记住一句话：跟踪做不好，预测就是空中楼阁。希望各位在实际项目中，能把这些基础打扎实。