01

60 秒回答模板

Tracking 里的目标速度通常有几类来源。第一是基于连续帧位置差分，用检测框、3D box 或点云聚类中心在统一坐标系下做位移除以时间，但要补偿自车运动和时间戳误差。第二是把速度作为滤波器状态，比如 Kalman Filter、EKF 或 UKF 中用匀速、匀加速、CTRV 等运动模型预测，再用观测更新，得到更平滑的速度。第三是利用传感器直接或间接测速，例如毫米波雷达 Doppler 速度、激光点云帧间配准、光流或视觉时序估计。工程上要关注坐标系转换、检测抖动、目标关联错误、遮挡丢帧、传感器同步、自车定位误差和异常速度约束。速度不是简单两帧相减，最后要通过轨迹连续性、速度误差、碰撞预测和下游规划稳定性验证。

考点 主要来源
难度 真实面经题
回答目标 讲清目标速度估计的多来源融合、误差来源和跟踪闭环验证方法。
02

深入解析

01

位置差分是基础方法

最直观做法是用连续帧目标位置变化除以时间间隔。前提是位置在同一坐标系下，并且已经补偿自车运动。检测框抖动、帧率变化和时间戳不准都会让差分速度非常噪声。

02

滤波器把速度作为状态

跟踪系统通常维护位置、速度、朝向、加速度等状态，用运动模型预测下一帧，再用检测观测更新。Kalman 类滤波能平滑噪声并处理短时遮挡，但模型假设不匹配时会产生滞后或错误速度。

03

传感器可提供直接约束

毫米波雷达可提供 Doppler 径向速度，对速度估计很有价值；激光雷达可通过点云配准或目标几何运动估计速度；视觉可用光流、时序特征或多目深度变化辅助。不同传感器给出的速度维度和误差不同，需要融合。

04

自车运动补偿必须做

自动驾驶场景里传感器在运动，如果不扣除 ego motion，静止路边物体也会被估计成运动目标。需要结合车辆里程计、IMU、定位或 CAN 速度，把目标状态转换到世界、车体或 BEV 坐标系中一致更新。

05

关联错误会污染速度

速度估计依赖目标 ID 连续性。遮挡、交叉、近距离并行和检测漏帧会造成 ID switch，一旦关联错，位置突变会带来异常速度。工程上要用 gating、外观/几何特征、速度先验和异常值剔除保护跟踪状态。

06

验证要看下游影响

速度估计的好坏要看轨迹平滑、速度误差、加速度合理性、碰撞时间 TTC、规划决策稳定性和误刹漏刹情况。只看单帧速度数值不够，要在复杂交通场景中验证连续性和边界条件。

03

易错点

  • 只说两帧距离除以时间，没有提自车运动补偿和坐标系统一。
  • 忽略时间戳不同步，把传感器延迟造成的位置偏差当成目标速度。
  • 不考虑目标关联错误，导致 ID switch 后速度估计完全失真。
  • 把毫米波雷达速度当作完整三维速度，忽略径向速度限制。
  • 只看速度平滑，不验证 TTC、规划决策和误刹漏刹。
04

面试官追问

为什么两帧位置差分不够？

检测位置有噪声，帧间时间可能不稳定，自车也在运动。直接差分会放大抖动，遇到遮挡或关联错误时会产生异常速度。

毫米波雷达速度有什么局限？

毫米波雷达常给径向速度，对横向速度约束弱，还会受多径、虚警、目标分辨和传感器安装角影响，需要和其他传感器融合。

如何处理速度突变？

可以用物理加速度约束、滤波协方差、关联 gating、异常值剔除和短时状态冻结，必要时降低该目标置信度。