Die Spur-zu-Spur-Assoziation (track-to-track association, T2TA) mit dem Ziel, Einheits-Track-IDs zu erreichen und Redundanzen zu reduzieren, ist die Voraussetzung und Grundlage für Track-Fusion und Situationsbewusstsein. Derzeit steht T2TA vor zwei Hauptproblemen: Trajektoriendaten und Assoziationsmethoden. Gängige Probleme sind Fehler in den Trajektoriendaten und inkonsistente Aktualisierungszyklen sowie suboptimale Assoziationsergebnisse und die Abhängigkeit von a priori Informationen und angenommenen Bewegungsmodellen in den Assoziationsmethoden. Daher wurde ein Multi-Hypothesen-Algorithmus für Multi-Sensor-Track-Assoziation auf Basis intelligenter Track-Bewertung (MH-T2TA) vorgeschlagen. Ein spatio-temporales Registrierungsmodul basierend auf Self-Attention und kontrastivem Lernen wurde entwickelt, um Fehler zu eliminieren und die asynchrone Track-Verteilung zu vereinheitlichen. Die Kombination des Multi-Hypothesen-Algorithmus mit Deep Learning ermöglicht die Schätzung einer Assoziationsbewertung für ein Trajektorienpaar ohne Abhängigkeit von a priori Informationen und angenommenen Bewegungsmodellen, um das optimale Assoziationspaar zu erhalten. Unter den Einschränkungen von drei Verlustfunktionen nähern sich Trajektorien desselben Ziels an, Trajektorien unterschiedlicher Ziele entfernen sich, und die geschätzte Assoziationsbewertung ist der tatsächlichen sehr ähnlich. Experimentelle Ergebnisse zeigen, dass MH-T2TA die Track-Assoziation in komplexen Szenarien realisieren kann und bessere Assoziationsergebnisse als andere T2TA-Methoden erzielt.

Spur-zu-Spur-Assoziation; Multi-Hypothesen-Algorithmus; Track-Bewertung; neuronale Netze