Category: 专业术语

轮速里程计(Wheel Odometry)是一种通过测量车辆车轮转速来推算车辆位置和姿态变化的定位技术。其核心原理是基于车轮转速传感器(如ABS轮速传感器)采集的脉冲信号，结合车辆运动学模型和车轮半径等参数，计算出车辆的相对位移和航向角变化。这种技术能提供高频(通常10-100Hz)、低延迟的运动估计，但对车轮打滑、轮胎磨损等误差因素较为敏感，通常会与IMU、视觉传感器等形成多源融合定位系统。 在自动驾驶系统中，轮速里程计作为重要的局部定位模块，常被用于填补GNSS信号丢失时的定位空白，或为激光雷达/视觉SLAM提供运动先验。现代智能车辆通常会采用扩展卡尔曼滤波(EKF)或因子图优化等方法，将轮速里程数据与其它传感器信息融合，显著提升在隧道、城市峡谷等复杂场景下的定位鲁棒性。值得注意的是，特斯拉等车企近年提出的「纯视觉+轮速里程」方案，正在重新定义多传感器融合的边界。

卡尔曼滤波器（Kalman Filter）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。它由匈牙利裔美国数学家鲁道夫·卡尔曼于1960年提出，能够有效处理包含噪声的观测数据，在动态系统中实现状态的最优估计。其核心思想是通过递归方式将预测值与观测值进行加权融合，其中加权系数会根据预测和观测的不确定性动态调整，使得估计结果更加准确可靠。 在自动驾驶领域，卡尔曼滤波器被广泛应用于车辆状态估计、传感器融合和目标跟踪等场景。例如，在车辆定位中，它可以融合GPS、IMU和轮速计等多源传感器数据，即使在部分传感器数据丢失或噪声较大的情况下，仍能提供稳定准确的车辆位置和姿态估计。现代自动驾驶系统往往采用扩展卡尔曼滤波器（EKF）或无迹卡尔曼滤波器（UKF）等改进版本，以处理非线性系统问题。对这些算法的深入理解和正确应用，直接影响着自动驾驶系统的感知精度和决策可靠性。

粒子滤波器(Particle Filter)是一种基于蒙特卡洛方法的序贯重要性采样技术，主要用于解决非线性非高斯系统的状态估计问题。它通过一组带有权重的随机样本（称为「粒子」）来近似表示概率分布，每个粒子代表系统可能的状态假设，权重则反映该假设的置信度。随着新观测数据的到来，粒子滤波器通过重采样机制动态调整粒子分布，使高权重粒子得以保留并繁衍，低权重粒子逐渐淘汰，从而实现对系统状态的实时跟踪。这种方法的优势在于能够灵活处理复杂噪声环境和多模态分布。 在自动驾驶领域，粒子滤波器被广泛应用于车辆定位（如SLAM）、目标跟踪和传感器融合等场景。特别是在GPS信号较弱或缺失的环境（如隧道、城市峡谷）中，粒子滤波器能够有效结合轮速计、IMU和视觉数据实现鲁棒的定位。现代自动驾驶系统常将粒子滤波器与卡尔曼滤波器组合使用，前者处理非线性和多假设问题，后者优化计算效率，形成互补的技术方案。随着计算能力的提升，粒子滤波器在动态障碍物行为预测等更高层次的感知任务中也展现出独特价值。

多目标跟踪(Multi-Object Tracking, MOT)是计算机视觉领域的一项关键技术，指在连续的视频序列中同时检测并持续跟踪多个运动目标的过程。这项技术需要完成两个核心任务：目标检测（识别当前帧中的目标）和数据关联（将当前检测到的目标与之前跟踪的目标进行匹配）。多目标跟踪系统不仅要处理物体外观变化、遮挡等挑战，还需要维护每个目标的独立身份识别(ID)，确保在整个跟踪过程中身份的一致性。 在自动驾驶领域，多目标跟踪技术的应用至关重要。它能够实时追踪车辆周围的行人、自行车、其他车辆等动态物体，为路径规划和决策系统提供连续、稳定的环境感知数据。例如，当一辆自行车从卡车后方突然变道时，良好的MOT系统能够保持对其身份和轨迹的持续追踪，避免因短暂遮挡导致的误判。当前主流的MOT方法可分为基于检测的跟踪(Detection-Based Tracking)和联合检测跟踪(Joint Detection and Tracking)两大范式，后者通过端到端的方式实现了检测与跟踪的深度整合。

匈牙利算法(Hungarian Algorithm)是一种经典的组合优化算法，主要用于解决二分图最大权匹配问题。该算法由匈牙利数学家Kuhn于1955年提出，其核心思想是通过不断寻找增广路径来构建最优匹配。在自动驾驶领域，匈牙利算法常被用于多目标跟踪任务中的数据关联环节，能够高效地将传感器检测到的目标与已有轨迹进行最优匹配。 在自动驾驶系统的感知模块中，匈牙利算法展现出独特的实用价值。当车辆需要同时跟踪多个行人、车辆等动态目标时，算法能够以O(n³)的时间复杂度完成检测框与轨迹的最优匹配，确保系统对周围环境的理解保持时空一致性。这种基于图论的优化方法，相比暴力搜索极大提升了计算效率，成为现代自动驾驶系统中不可或缺的基础算法之一。

关联门限（Association Threshold）是自动驾驶多目标跟踪系统中的关键参数，用于判定传感器观测数据与现有跟踪目标间的匹配可信度。其本质是一个概率阈值，当观测数据与目标轨迹的关联概率高于该门限值时，系统才会建立两者间的对应关系。该参数直接影响跟踪系统对目标分裂、合并等复杂场景的处理能力，既需要足够敏感以捕捉真实关联，又要足够严格以避免误匹配带来的轨迹混乱。 在自动驾驶实际应用中，关联门限的设定往往需要平衡误跟踪率与漏跟踪率。过高的门限会导致系统频繁丢失目标（如遮挡后重识别失败），而过低的门限则可能产生轨迹漂移（如将相邻车辆观测点错误关联）。现代解决方案常采用自适应门限策略，结合目标运动特性、环境能见度等动态因素进行在线调整。特斯拉2022年公布的专利「US20220374008A1」中提出基于注意力机制的关联门限优化方法，便是该领域的前沿实践。

速度估计是指通过传感器数据或算法推算出车辆或其他运动物体瞬时速度的技术过程。在自动驾驶系统中，这通常需要融合来自毫米波雷达、激光雷达、摄像头以及轮速传感器等多源数据，利用卡尔曼滤波或粒子滤波等算法实现对目标物体运动状态的精确解算。不同于直接测量的速度值，估计速度往往能克服单一传感器局限，在复杂场景下提供更鲁棒的速度信息。 对于自动驾驶产品开发而言，准确的速度估计直接影响着跟车距离控制、变道决策、碰撞预警等核心功能的可靠性。特别是在恶劣天气或传感器被部分遮挡时，基于多模态数据融合的估计方法往往能保持稳定性能。当前前沿研究正探索结合深度学习与物理模型的方法，如使用LSTM网络建模速度变化时序特征，或通过注意力机制提升关键目标的估计精度。这类技术已在特斯拉Autopilot和Waymo第五代系统中得到实际验证。

加速度估计是指通过传感器数据或算法推演，实时计算物体运动状态变化率的工程技术。在自动驾驶领域，它特指对车辆纵向和横向加速度的精确测算，这是车辆动力学控制的基础参数之一。不同于直接测量，加速度估计往往融合了惯性测量单元(IMU)、轮速传感器等多源数据，并采用卡尔曼滤波等算法消除噪声干扰，最终输出平滑可靠的加速度值。其精度直接影响自动驾驶系统的制动控制、轨迹跟踪等核心功能的表现。 在AI产品开发实践中，优秀的加速度估计模块能显著提升自动驾驶的舒适性和安全性。例如在紧急制动场景中，精准的负加速度估计可使制动系统提前10-30毫秒触发，这个看似微小的时间差却能缩短近1米的制动距离。当前主流方案正从传统滤波方法向深度学习演进，通过神经网络对复杂工况下的非线性关系建模，使估计误差控制在0.05m/s²以内。值得注意的是，由于涉及行车安全，这类算法必须通过ISO 26262功能安全认证，这对产品经理在技术选型时提出了严苛的可靠性要求。