协同自动驾驶中轨迹管理策略研究

协同自动驾驶场景中多目标跟踪的轨迹管理策略分析

摘要

为了确保自动驾驶安全运行，正确感知周围物体至关重要。不仅需要检测物体，还需要对感知到的物体进行状态估计（轨迹），因为状态信息可用于预测物体未来的位姿，从而实现安全的运动规划。为确保仅使用有效信息，必须维护状态估计结果，以确定哪些轨迹处于激活状态，哪些不是。目前通常采用简单的基于计数的方法。本文针对协同场景下的轨迹维护，对比研究了两种来自非协同轨迹管理的常用方法与两种新的管理策略。我们通过三个包含不同比例协作车辆的模拟场景对其进行评估。实验表明，基于置信度的方法可将平均精度提高最多9个百分点。

关键词 ：自动驾驶；协同感知；目标跟踪；轨迹管理；车联网（V2X）

1 引言

近年来，无论是研究领域还是工业界，对自动驾驶汽车开发的兴趣都在不断增加。其中最重要的原因之一是自动驾驶汽车有望为提升道路安全做出重要贡献。90%的致命交通事故源于人为错误[1]，因此自动驾驶汽车有潜力使交通整体更加安全。然而，实现自动驾驶面临诸多挑战。

自动驾驶汽车必须正确且全面地感知周围环境。因此，这些车辆配备了摄像头、激光雷达和雷达等各种传感器。在真实道路驾驶中，环境可能非常具有挑战性。恶劣天气条件对汽车环视传感器会降低感知能力[2, 3]。因此，开发在这些条件下具有鲁棒性且经过充分测试的感知算法至关重要。这可以通过在包含模拟天气效应扩展的多样化数据集上训练和测试感知算法来实现[3, 4]。

除了天气对汽车传感器的影响外，自动驾驶车辆的感知能力还受限于传感器最大范围以及其他道路使用者或基础设施的遮挡[2, 5]。因此，在大多数情况下，单个车辆无法实现全面的感知。为此，利用车辆之间或车辆与基础设施之间的通信进行协同感知被视为实现自动驾驶的一项有前景的技术[5, 6]。协同感知能够从不同视角感知环境，从而扩展局部感知到的环境范围。

基于目标检测，必须利用目标跟踪来估计其状态。在协同感知中，目标跟踪面临更多挑战，例如对感知信息的可信度估计[7]。许多文献研究了不同的目标跟踪方法，但此外，轨迹管理是一个重要环节，也是本文的主要关注点。轨迹管理包括轨迹创建、轨迹删除以及根据当前和之前的感知迭代判断轨迹是否激活的过程。

本工作的目标是分析不同轨道管理策略在协同驾驶环境中对感知性能的影响。为此，我们介绍了两种常用于局部目标跟踪的基于计数的方法，以及Benbarka等人提出的一种基于置信度的方法[8]。此外，我们在第3节中提出了一种结合计数和基于置信度方法的新管理策略。第4节介绍了所进行的实验及获得的结果。最后，在第5节中，我们总结了本工作并展望了未来的研究方向。

2 相关工作

目标跟踪描述了基于车辆检测结果对其车辆状态进行估计的过程。该状态可包括位置、包含速度、加速度、方向和转向率的运动学状态，以及关于物体的大小和形状的信息[9]。与基于图像的目标检测不同，目标跟踪使用多个连续图像。此外，目标跟踪可分为离线跟踪和在线跟踪。其中，离线跟踪指考虑所有图像，而在线跟踪结合之前的图像使用实际图像[10]。

对于目标跟踪，存在多种方法，例如贝叶斯动态状态估计、高斯和滤波器或序贯蒙特卡洛方法[9]。此外，还可以采用粒子滤波器或著名的卡尔曼滤波器，结合恒定加速度或恒定速度等不同运动模型。武等人[11]提供了各种目标跟踪算法的详细综述。

尽管不同的研究考虑将这些算法与各种成本度量相结合以改进跟踪效果，但轨迹维护大多被忽视。为了判断轨迹是否激活，主要使用基于计数的方法[8]。孙等人[12]提出了采用基于置信度方法进行轨迹维护的方法。由于他们使用了加法更新函数，该方法导致假阳性数量较高。Benbarka等人[8]提出了一种类似的方法。他们改进了分数更新函数，相比孙等人的基于计数的方法取得了更好的结果。

为了评估目标跟踪，可以采用不同的指标。作为性能指标，精确率和召回率[13]在目标感知领域中广为人知。这些指标描述了被感知目标的比例以及正确跟踪估计的比例。为此，需要将跟踪或检测信息分类为真阳性、假阳性、假阴性。此外，平均精确率（AP）作为一种常见指标，定义为相应精确率-召回率曲线下的面积[14]。或者，可采用Everingham等人提出的插值平均精确率，以减少微小变化的影响。插值AP的计算方法如公式（1）所示，其中p_interp(r)表示在给定召回率r下的插值精确率得分。

$$
AP = \frac{1}{11} \sum_{r \in {0, 0.1, …, 1}} p_{\text{interp}}(r) \tag{1}
$$

我们使用平均精度（AP）来综合精确率和召回率。对所有可用类别计算的平均精度（AP）取平均值称为平均平均精确率（mAP）。

更复杂的性能指标多目标跟踪准确率和精确率由Stiefelhagen等人提出[16]。由于这些指标使用了跟踪假设与真实位置之间的距离，因此更具意义。Volk等人提出的安全指标[17]允许利用常见的性能指标并结合目标的相关性和速度等因素，对检测和跟踪的安全性进行评估。

3 轨迹管理策略

如前所述，在第1节中，轨迹管理对感知质量起着至关重要的作用。轨迹管理负责管理轨迹生命周期，包括创建和删除。在轨迹管理生效之前，需要将检测到的目标与环境模型（EM）中已存在的轨迹进行匹配。一个检测到的目标可以与已存在的轨迹匹配，或者成为一个新的未匹配目标。此外，也存在没有分配任何检测到的目标的轨迹。

当检测到一个新的未匹配目标时，将创建一条新的但非激活的轨迹。当该轨迹被观测的时间至少达到给定的观测时间ot、观测次数达到oc，或已达到定义的存在阈值时，对应的目标轨迹变为有效，并被集成到环境模型中。只要目标被正确感知，该轨迹将保持激活状态并保留在环境模型中。如果某一目标不再被观测，轨迹首先变为非激活状态。随后，轨迹管理需要判断：若某条轨迹在给定的时间段内持续处于非激活状态，则应将其删除。仅基于观测次数的方法不足以做出删除决策，还需引入其他参数，例如oc，以确定是否可以删除该轨迹。因此，可将无观测的时间段以及目标的行驶距离作为判据，用于标记非激活轨迹进行删除。相应地，该目标将从环境模型中删除。根据所采用的轨迹管理策略，目标可能会过早或过晚地从环境模型中删除，或者过早或过晚地被纳入环境模型中。这可能导致轨迹ID变化或假阳性检测。这两种情况都不理想，并导致跟踪性能不佳。

因此，本研究评估了针对协同感知以及车辆本地跟踪的不同轨迹管理策略。该轨迹管理策略将类似地应用于车辆本地跟踪和协同跟踪。这意味着轨迹管理负责管理两个不同的环境模型，一个用于本地感知，另一个用于协同感知。对于协同感知，目标将通过来自其他车辆的集体感知消息（CPMs）接收。这些消息包含一个目标列表，其中列出了协作车辆本地感知到的目标。

如图1所示，将评估四种不同的轨迹管理策略。首先介绍两种简单的基于计数的策略，然后是一种更先进的基于置信度的技术。最后，将组合基于计数和基于置信度的技术。下文将详细说明这四种策略。

3.1 基于计数

基于计数的轨迹管理根据观测次数oc来判断轨迹是否激活。当创建一条新轨迹时，它被标记为非激活状态，且不会出现在环境模型中。如果在该轨迹的生命周期内累计的观测次数，即观测次数，超过预设阈值thc，则该轨迹将被标记为激活。需要说明的是，通过CPM接收到的协同感知到的目标与本地感知到的目标具有相同的权重。

3.2 连续基于计数

连续计数型轨迹管理是计数型轨迹管理的一种特例。与计数型轨迹管理不同，连续观测计数occ将决定一条轨迹是否被激活。仅当待跟踪目标o在每次感知迭代中均被检测到时，该连续计数才会递增。如果在某次感知迭代中未检测到o且occ < thcc（其中thcc为连续观测的阈值），则我们将occ = 0设为0。这意味着一旦o不再被检测到，occ将立即重置。与基于计数的方法类似，当达到阈值thcc时，to将被激活并纳入环境模型（EM）。

3.3 基于置信度

我们使用Benbarka等人提出的基于置信度的轨迹管理方法[8]。该轨迹管理利用轨迹置信度来判断轨迹是否处于激活状态。因此，需要考虑三种情况。第一种情况是匹配过程中确定了没有对应轨迹的对象，此时将为该对象to创建一个置信度为confo的新轨迹，此置信度必须超过给定阈值thconf−n。第二种情况是某个已有轨迹在时刻i未检测到对应目标，此时该轨迹的置信度conft,i将按照定义的衰减量d进行降低，如公式(2)所述。

$$
\text{conf} {t,i} = \text{conf} {t,i-1} - d \tag{2}
$$

对于已有轨迹的首次匹配，公式(2)被应用，然后应用置信度更新函数（见公式(3)）以确定轨迹置信度[8]。

$$
\text{conf} {t,i} = \frac{1 - (1 - \text{conf}^ {t,i}) \cdot (1 - \text{conf} {o,i})}{(1 - \text{conf}^ {t,i}) + (1 - \text{conf}_{o,i})} \tag{3}
$$

conf∗t,i表示应用式(2)后的轨迹置信度。最后，如果conft,i超过预设的置信度阈值thconf，则认为该轨迹处于激活状态。

3.4 置信度和基于计数

我们提出了结合两种策略的置信度和计数-based轨迹管理方法。要纳入环境模型（EM），轨迹必须同时满足基于计数和基于置信度的轨迹管理要求。当观测次数大于或等于相应阈值（oc ≥ thc），并且轨迹的置信度至少等于置信度阈值（conf_t ≥ thconf）时，该轨迹被视为激活状态。

4 轨道管理策略的评估

考虑了三种模拟场景进行评估：密集交通高速公路（60 辆/公里）、稀疏交通高速公路（30 辆/公里）和道路交叉口。对于高速公路场景，使用相同长度为660米且每个方向三条车道的高速公路路段。交叉口的尺寸约为120米，每个方向两条车道。仿真环境采用CARLA [18]。实现不同轨迹管理策略的框架使用由Müller等人[19]开发并由 Volk等人[6, 20]改进的我们团队的RESIST框架。匹配问题将通过匈牙利算法[21]解决。针对每种场景，研究了三种协作车辆的装备率：5%（ER5）、15%（ER15）和 25%（ER25）。

为了在我们的轨迹管理系统中获得最佳感知性能，我们对第3节中提出的策略的上述阈值进行了参数空间探索。单个阈值和参数的搜索空间概览如表1所示。必须指出，thc和thcc的给定参数搜索空间相对较小。然而，仅使用一次检测是不可行的，因为跟踪至少需要两次检测。更大的数值会导致轨迹集成到环境模型中的时间过晚。针对每个参数，我们在每种场景下以及每种协作车辆装备率下均进行了50次运行。随后，我们考虑在所有装备率下达到的平均精度的最小值和最大值。然后构造一个子区间[maxAP− 5% ⋅ i, maxAP]，其中i ≥ 1表示步数。当i增加且满足maxAP− 5% ⋅ i > minAP时，评估给定的参数集是否在所有三个测试场景中均能达到该区间内的平均精度。如果有多个参数集满足该条件，则计算其在所有场景下的平均精度，并选择结果平均精度最高的参数集。最终在所有测试场景下表现最佳的参数集列于表1中。

参数	搜索空间	最佳结果
th_c	[2, 3]	2
th_cc	[2, 3]	2
th_conf	[0.5, 0.6, …, 0.8]	0.7
th_conf−n	[0.5, 0.6, 0.7]	0.6
d	[0.025, 0.05, …, 0.2]	0.075

评估场景的结果概览如图2所示。在密集交通的高速公路场景中，ER5条件下，基于计数和置信度与基于计数的策略所达到的平均精度约为15.6%；基于置信度的策略表现最好，为17.26%；连续基于计数的策略表现最差，约为13%。对于ER15和ER25，基于计数和置信度与基于计数的策略分别取得了约23.8%和32.5%的相似结果。与ER5情况相同，基于置信度的策略表现最佳，相比计数型轨迹管理，ER15和ER25的平均精度均提高了约5个百分点（p.p.）。

稀疏交通的高速公路场景中，ER5在所有策略下均表现出约5%的平均精度。同样，基于置信度的策略表现最佳，在ER25下最高达到24.71%，相比基于计数的方法提升了8.36个百分点。连续的基于计数策略表现明显较差，最高仅达到9%。

在交叉口场景中，平均精度（AP）得分最低，因为这是最复杂的场景。对于ER5，所有策略的AP均约为1.2%。基于计数的策略在ER15和ER25下的AP分别为6.77%和11.23%。在交叉口场景中，置信度与基于计数的策略相较于纯基于计数的策略表现略优，ER15和ER25下的AP分别提升了0.35个百分点和1.01个百分点。对于连续基于计数的策略，ER15和ER25的AP与ER5相近。与高速公路场景类似，基于置信度的策略优于其他策略，在ER25下达到了13.29%的AP。需要指出的是，在该场景中，基于置信度与基于计数策略之间的差距小于高速公路场景中的差距。

必须指出，整体平均精度较低，这可归因于大量物体因遮挡而未被检测到的场景。此外，平均精度不仅受特定场景的影响，所使用的传感器模型（仅摄像头）和算法也对性能有显著影响，这使得将所获得的结果与其他出版物进行比较变得困难。

5 结论与展望

本文研究了在不同场景及协作车辆装备率变化情况下，用于轨迹管理的四种策略。良好的轨迹管理对于实现自动驾驶安全至关重要。我们已证明，常用的基于计数的方法表现良好，但其性能仍不及Benbarka等人提出的基于置信度的方法[8]。该策略在所有场景和装备率下均取得了最佳结果。采用连续基于计数的方法导致平均精度显著下降，因此不适用于自动驾驶。将基于置信度与基于计数的策略组合使用时，结果与常见的基于计数策略相似，在交叉口场景中略有提升。后续研究将进一步评估基于置信度的方法以及置信度与基于计数的策略结合不同成本度量的效果。为了进行更全面且有意义的评估，将采用Volk等人提出的安全指标[17]，不仅用于衡量各方法的性能，还评估其安全性。利用该指标来确定哪种方法效果最佳并应被采用，有望提升自动驾驶系统的安全性。

自动驾驶汽车的性能。此外，将考虑结合场景语义的机器学习方法作为轨迹管理策略，因为利用场景语义有助于在更复杂的场景中提升性能和安全性。而且，更高比例的协作车辆和静态跟踪传感器，以及对场景更优的观测视角，有望在复杂场景中提高跟踪质量。