基于低通道路侧激光雷达(LiDAR)数据的车辆轨迹长程一致性优化提取

来自国内的研究人员针对低通道路侧LiDAR数据在车辆轨迹提取中的长程一致性问题，开展了优化算法研究。该研究提出创新性解决方案，显著提升了复杂交通场景下车辆轨迹提取的准确性和连续性，为智能交通系统(ITS)提供了可靠的数据支撑。

　　

这项研究聚焦于利用低通道路侧激光雷达(Light Detection and Ranging，LiDAR)数据实现车辆轨迹的长程一致性提取这一技术难题。在智能交通系统(Intelligent Transportation System，ITS)应用中，传统方法往往难以在复杂道路环境下保持轨迹提取的连续性和准确性。

研究团队开发了创新的算法框架，通过多目标跟踪(Multi-Object Tracking，MOT)技术和点云(Point Cloud)处理方法的有机结合，有效解决了低通道LiDAR数据分辨率不足导致的轨迹断裂问题。算法特别优化了目标关联策略，引入时空一致性约束，显著提升了长距离跟踪性能。

实验结果表明，该方法在典型城市道路场景中，相比传统基准算法，轨迹完整度提高了30%以上，误匹配率降低至5%以下。这项技术突破为车路协同(Vehicle-Infrastructure Cooperation，VIC)系统提供了更可靠的感知数据，对提升自动驾驶环境感知能力和交通管理智能化水平具有重要意义。