使用安装在车辆顶部的激光雷达传感器测量来跟踪车辆。

跟踪高速公路车辆周围的自我车辆作为扩展对象，跨越多个传感器分辨率单元。

两辆车的引信轨迹可以提供比每辆车看到的更全面的环境估计。该示例演示了跟踪级fuser和对象跟踪数据格式的使用。在本例中，您将使用自动驾驶工具箱™中的驾驶场景和视觉检测生成器，雷达工具箱™中的雷达数据生成器，以及传感器融合和跟踪工具箱™中的跟踪和跟踪融合模型。

与在高速公路上跟踪车辆相关的挑战是存在多路径雷达反射。它还展示了一种与扩展对象跟踪器一起使用的虚影过滤方法，以同时过滤虚影检测和跟踪对象。

使用基于网格的跟踪器，用多个激光雷达跟踪移动物体。基于网格的跟踪器能够早期融合来自雷达和激光雷达等高分辨率传感器的数据，以创建一个全局对象列表。

使用Frenet参考路径在城市驾驶场景中执行动态重新规划。

根据对周围环境的估计，动态地规划自动驾驶汽车的运动。

通过使用安装在车辆上的激光雷达传感器捕获的激光雷达点云数据来检测、分类和跟踪车辆。本例中使用的激光雷达数据记录自高速公路驾驶场景。在本例中，对点云数据进行分段，以使用PointSeg网络确定对象的类别。采用联合概率数据关联(JPDA)跟踪器和交互式多模型滤波器对被检测车辆进行跟踪。

使用多目标跟踪器跟踪城市环境中的各种无人机。

从雷达和激光雷达传感器的测量数据生成一个目标级跟踪列表，并使用跟踪级融合方案进一步融合它们。您使用扩展的目标跟踪器处理雷达测量，使用联合概率数据关联(JPDA)跟踪器处理激光雷达测量。您可以使用航迹级融合方案进一步融合这些航迹。工作流的原理图如下所示。

在Simulink®中构建异步传感器融合与跟踪模型。万博1manbetx

为JPDA跟踪器生成嵌入式代码，并使用循环中处理器(PIL)模拟验证它。

使用安装在车辆顶部的激光雷达传感器测量来跟踪车辆。由于激光雷达传感器的高分辨率能力，传感器的每次扫描都包含大量的点，通常称为点云。该实例说明了在Simulink中处理点云和跟踪对象的工作流程。万博1manbetx本例中使用的激光雷达数据来自高速公路驾驶场景。您使用联合概率数据关联(JPDA)跟踪器和交互多模型(IMM)方法跟踪记录的数据。该示例紧跟使用激光雷达的轨道车辆:从点云到轨道列表MATLAB®示例。

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。万博1manbetx它紧跟高速公路车辆跟踪与多路径雷达反射MATLAB®示例。

在Simulink中跟踪高速公路车辆周围的ego车辆。万博1manbetx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®雷达和摄像机高速公路车辆扩展目标跟踪示例。

使用传感器融合和跟踪工具箱™在Simulink®中执行履带到履带融万博1manbetx合。在自动驾驶的背景下，该示例说明了如何使用Track-To-Track Fuser块构建分散的跟踪架构。在本例中，每辆车独立执行跟踪，并融合从其他车辆接收的跟踪信息。本示例紧跟汽车安全应用MATLAB®履带到履带融合示例。

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。万博1manbetx您使用基于网格的多对象跟踪器Simulink块来定义基于网格的跟踪器。万博1manbetx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。本示例紧跟使用MATLAB®多激光雷达在城市环境中基于网格的跟踪示例。

自主系统需要对周围环境进行精确估计，以支持决策、计划和控制。万博1manbetx高分辨率传感器，如雷达和激光雷达，经常用于自主系统，以协助估计周围环境。这些传感器通常输出轨道。输出航迹而不是检测航迹，并以分散的方式将航迹融合在一起，可以提供几个好处，包括低误报率、更高的目标估计精度、低带宽需求和低计算成本。本示例向您展示如何从雷达和激光雷达传感器的测量中跟踪对象，以及如何使用Simulink®中的跟踪级融合方案来融合它们。万博1manbetx您使用高斯混合概率假设密度(GM-PHD)跟踪器处理雷达测量，使用联合概率数据关联(JPDA)跟踪器处理激光雷达测量。您可以使用航迹级融合方案进一步融合这些航迹。该示例紧跟MATLAB®雷达和激光雷达数据的航迹级融合示例。