%创建场景exPath=fullfile（matlabroot，“例子”，“驾驶融合”，“主要的”)；addpath（exPath）[场景、egoVehicle、传感器]=帮助创建场景；%创建显示对象显示=帮助扩展目标跟踪显示；%创建动画编写器来记录图形的每一帧%动画写作。设置'RecordGIF'为真，启用GIF写入。gifWriter=helperGIFWriter(“图”，display.Figure，...“RecordGIF”，假）；

%函数返回给定轨迹和真相的错误。errorFcn=@（跟踪，真相）帮助扩展目标恐怖（跟踪，真相）；%函数返回轨迹和真值之间的距离distFcn=@（跟踪，真相）帮助扩展目标立场（跟踪，真相）；%函数从地面返回ID。默认值%标识符假定事实是用PlatformID标识的。在%在驱动场景中，真理被一个ActorID识别。truthIdFcn = @ (x) [x.ActorID];%创建度量对象。tem=跟踪误差度量(...“ErrorFunctionFormat”，“习俗”，...“EstimationErrorLabels”,{的位置误差，“VelocityError”，“DimensionsError”，“YawError”},...“EstimationErrorFcn”，errorFcn，...“TruthiIdentifierFCN”，truthIdFcn）；tam=轨迹分配度量(...“距离函数格式”，“习俗”，...“AssignmentDistanceFcn”distFcn,...“发散距离FCN”distFcn,...“TruthiIdentifierFCN”，truthIdFcn，...“AssignmentThreshold”,30,...“发散阈值”35);%创建度量对象汤姆= trackOSPAMetric (...“距离”，“习俗”，...“距离FCN”distFcn,...“TruthiIdentifierFCN”, truthIdFcn);

trackerRunTimes=零（0,3）；Osparametric=零（0,3）；%创建一个多对象跟踪器跟踪器=多对象跟踪器(...“FilterInitializationFcn”，@helperInitPointFilter，...“AssignmentThreshold”30岁的...“ConfirmationThreshold”, [4 5],...“删除阈值”3);为可重复的结果重置随机数生成器seed=2018；S=rng（种子）；时间步长=1；%对于多目标跟踪器，雷达在Ego笛卡尔框架中报告，并且%不报告速度。这允许我们对来自多个站点的检测进行聚类%传感器。为i=1:6传感器{i}.HasRangeRate=false；传感器{i}.DetectionCoordinates=“身体”；结束

虽然advance（场景）和ishghandle（display.Figure）%获取场景时间时间=scenario.SimulationTime；%从ego车辆传感器收集检测结果[检测，isValidTime]=帮助检测（传感器，电子车辆，时间）；%更新跟踪器，如果有新的检测如果任何（isValidTime）%必须首先对点跟踪器的检测进行聚类detectionClusters = helperClusterRadarDetections(检测);%更新跟踪器抽搐%确认跟踪位于场景坐标中确认跟踪=更新跟踪（跟踪程序、检测群集、时间）；t=toc；%更新指标% a.获得地面真理背景真相=场景。参与者（2：结束）；%除了自我%b.更新分配指标tam（确认跟踪，地面真相）；[trackid，truthIDs]=当前分配（tam）；% c.更新错误度量tem (confirmedTracks trackIDs、groundTruth truthIDs);%d。更新ospa指标OsParametric（时间步，1）=tom（确认跟踪，地面真相）；%更新鸟's-eye-plot%将轨迹转换为ego坐标以便显示confirmedTracksEgo=helperConvertToego坐标（电子车辆，confirmedTracks）；显示（电子车辆，传感器，检测，confirmedTracksEgo，检测群集）；drawnow；%记录跟踪器运行时间trackerRunTimes（timeStep，1）=t；timeStep=timeStep+1；%捕捉动画帧giftwriter（）；结束结束%获取累积跟踪指标。误差度量显示了平均值模拟误差的%值。assignmentMetricsMOT = tam.trackMetricsTable;errorMetricsMOT = tem.cumulativeTruthMetrics;%如果请求写GIFwriteAnimation（作者，“multiObjectTracking”）;

%设置传感器配置％传感器配置=帮助创建传感器配置（传感器、车辆）；%转换函数和过滤器初始化函数为状态和%依赖于筛选器。因此，它们不在helper函数中设置。为i = 1:元素个数(sensorConfigurations)您可以使用不同的技术来初始化每个过滤器%传感器通过使用不同的功能，为每个配置。sensorConfigurations{}。FilterInitializationFcn= @helperInitGGIWFilter;%轨迹在场景中的恒定转弯率状态空间中定义%坐标。恒定转动率模型的MeasurementFcn可以是%用作转换函数。sensorConfigurations{i}.SensorTransformFcn=@ctmeas；结束

partFcn=@（x）helperPartingfcn（x，3，5）；tracker=trackerPHD(“SensorConfigurations”，传感器配置，...“分割FCN”，partFcn，...“AssignmentThreshold”, 450,...%添加出生成分的检测单元（每个单元多次检测）的最小负对数似然。“ExtractionThreshold”, 0.75,...%要声明为轨迹的筛选器组件的权重阈值“ConfirmationThreshold”, 0.85,...%要声明为已确认轨迹的过滤器组件的权重阈值“Merging阈值”,50,...%合并组件的阈值“HassensorConfiguration输入”,真正的...%跟踪在场景帧中执行，因此传感器配置随时间而变化）;

%释放并重新启动所有对象。重启(场景);释放(tem);释放(tam);%追踪者phd不罚tam.AssignmentThreshold=tam.AssignmentThreshold-2；释放（显示）；display.PlotClusteredDetection=false；gifWriter.pFrames={}；为I = 1:numel(sensors)释放(sensors{I});如果i<=6个传感器{i}.HasRangeRate=true；传感器{i}.DetectionCoordinates=“球形传感器”；结束结束%恢复随机种子。rng（种子）第一次步长步伐= 1;%运行场景虽然advance（场景）和ishghandle（display.Figure）%获取场景时间时间=scenario.SimulationTime；获得其他车辆在自我坐标下的姿态ta=目标姿态（egoVehicle）；%从ego车辆传感器收集检测结果[检测，isValidTime，配置]=帮助检测（传感器，电子车辆，时间，传感器配置）；%使用所有检测更新跟踪器。请注意，没有%在将检测结果传递给跟踪器之前，需要对其进行聚类。%此外，传感器配置作为输入传递给%追踪器。抽搐%确认跟踪位于场景坐标中confirmedTracks =追踪(检测、配置时间);t = toc;%更新指标% a.获得地面真理背景真相=场景。参与者（2：结束）；%除了自我%b.更新分配指标tam（确认跟踪，地面真相）；[trackid，truthIDs]=当前分配（tam）；% c.更新错误度量tem (confirmedTracks trackIDs、groundTruth truthIDs);%d。更新ospa指标ospaMetric(timeStep,2) = tom(confirmedTracks, groundTruth);%更新鸟瞰图%将轨迹转换为ego坐标以便显示confirmedTracksEgo=helperconverttoego坐标（电子车辆，confirmedTracks）；显示器（电子车辆、传感器、检测、确认跟踪SEGO）；现在抽；%记录跟踪器运行时间trackerRunTimes（timeStep，2）=t；timeStep=timeStep+1；%捕获GIF的帧giftwriter（）；结束%获取真相并跟踪度量表assignmentMetricsGGIWPHD = tam.trackMetricsTable;errorMetricsGGIWPHD = tem.cumulativeTruthMetrics;%如果请求写GIFwriteAnimation（作者，“ggiwphdTracking”）;

为i = 1:numel(sensorConfigurations) sensorConfigurations{i}。FilterInitializationFcn = @helperInitRectangularFilter;%初始化一个矩形目标gmphdSensorConfiguration{i}.SensorTransformFcn=@ctrectcorners；%使用角点计算检测概率结束%使用新的传感器配置定义跟踪器tracker=trackerPHD(“SensorConfigurations”，传感器配置，...“分割FCN”，partFcn，...“AssignmentThreshold”,600,...%检测单元添加出生成分的最小负对数可能性“ExtractionThreshold”, 0.85,...%要声明为轨迹的筛选器组件的权重阈值“ConfirmationThreshold”, 0.95,...%要声明为已确认轨迹的过滤器组件的权重阈值“Merging阈值”,50,...%合并组件的阈值“HassensorConfiguration输入”,真正的...%跟踪在场景帧中执行，因此传感器配置随时间而变化）;%释放并重新启动所有对象。重启(场景);为I = 1:numel(sensors)释放(sensors{I});结束释放（tem）；释放（tam）；释放（显示）；display.PlotClusteredDetection=false；gifWriter.pFrames={}；%恢复随机种子。rng（种子）第一次步长步伐= 1;%运行场景虽然advance（场景）和ishghandle（display.Figure）%获取场景时间时间=scenario.SimulationTime；获得其他车辆在自我坐标下的姿态ta=目标姿态（egoVehicle）；%从ego车辆传感器收集检测结果[检测，isValidTime，配置]=帮助检测（传感器，电子车辆，时间，传感器配置）；%使用所有检测更新跟踪器。请注意，没有%在将检测结果传递给跟踪器之前，需要对其进行聚类。%此外，传感器配置作为输入传递给%追踪器。抽搐%确认跟踪位于场景坐标中confirmedTracks =追踪(检测、配置时间);t = toc;%更新指标% a.获得地面真理背景真相=场景。参与者（2：结束）；%除了自我%b.更新分配指标tam（确认跟踪，地面真相）；[trackid，truthIDs]=当前分配（tam）；% c.更新错误度量tem (confirmedTracks trackIDs、groundTruth truthIDs);%d。更新ospa指标OsParametric（时间步，3）=tom（确认跟踪，地面真相）；%更新鸟瞰图%将轨迹转换为ego坐标以便显示confirmedTracksEgo=helperconverttoego坐标（电子车辆，confirmedTracks）；显示器（电子车辆、传感器、检测、确认跟踪SEGO）；现在抽；%记录跟踪器运行时间trackerRunTimes（timeStep，3）=t；timeStep=timeStep+1；%捕获GIF的帧giftwriter（）；结束%获取真相并跟踪度量表assignmentMetricsGMPHD = tam.trackMetricsTable;errorMetricsGMPHD = tem.cumulativeTruthMetrics;%如果请求写GIFwriteAnimation（作者，“gmphdTracking”）;返回随机数生成器到它以前的状态rng (S) rmpath (exPath)

helperPlotAssignmentMetrics（assignmentMetricsMOT、AssignmentMetricsGGIWPPH、assignmentMetricsGMPHD）；

helperPlotErrorMetrics（errorMetricsMOT、ErrorMetricsGGIWPH、errorMetricsGMPHD）；

ospaFig=图形；曲线图（OsParametric，“线宽”2);传奇(点目标跟踪的，“GGIW-PHD跟踪器”，“矩形GM-PHD跟踪器”）;包含('时间步长（k）')；伊莱贝尔(“OSPA”）;

runTimeFig=figure；h=plot（trackerRunTimes（3:end，：）./trackerRunTimes（3:end，1），“线宽”2);传奇(点目标跟踪的，“GGIW-PHD跟踪器”，“矩形GM-PHD跟踪器”）;包含('时间步长（k）')；伊莱贝尔(“$$\frac{t{tracker}}{t{multiObjectTracker}}$$”，“口译员”，“乳胶”，“字体大小”,14); ylim（[0最大值（[h.YData]）+1]）；