L'association trajectoire-à-trajectoire (track-to-track association, T2TA), visant à unifier les numéros de trajectoire et à réduire la redondance, est une condition préalable et une base pour la fusion des trajectoires et la perception situationnelle. Actuellement, le T2TA fait face à deux principaux problèmes : les données de trajectoire et les méthodes d'association. Les problèmes courants incluent les erreurs dans les données de trajectoire et les cycles de mise à jour incohérents, ainsi que des résultats d'association sous-optimaux et la dépendance aux informations a priori et aux modèles de mouvement présumés dans les méthodes d'association. Pour cela, un algorithme d'association multi-hypothèses multi-capteurs basé sur le score intelligent des trajectoires (MH-T2TA) est proposé. Un module d'enregistrement spatio-temporel basé sur l'attention automatique et l'apprentissage contrastif a été conçu afin d'éliminer les erreurs et d'unifier la distribution asynchrone des trajectoires. La combinaison de l'algorithme multi-hypothèses avec l'apprentissage profond permet d'estimer un score d'association pour une paire de trajectoires sans dépendre des informations a priori et des modèles de mouvement supposés, obtenant ainsi la meilleure paire associée. Sous la contrainte de trois fonctions de perte, les trajectoires du même objectif se rapprochent, celles de différents objectifs se séparent, et le score d'association estimé est très proche du score véritable. Les résultats expérimentaux montrent que MH-T2TA peut réaliser l'association de trajectoires dans des scénarios complexes et que ses performances surpassent celles des autres méthodes T2TA.

association trajectoire-à-trajectoire; algorithme multi-hypothèses; score de trajectoire; réseaux de neurones