La asociación de trayectorias (track-to-track association, T2TA), con el objetivo de unificar los números de trayectoria y reducir la redundancia, es el requisito previo y la base para la fusión de trayectorias y la percepción situacional. Actualmente, T2TA enfrenta dos problemas principales: los datos de trayectorias y los métodos de asociación. Los problemas comunes incluyen errores en los datos de trayectorias y ciclos de actualización inconsistentes, así como resultados de asociación subóptimos y la dependencia de la información a priori y modelos de movimiento supuestos en los métodos de asociación. Para ello, se propone un algoritmo de asociación multi-hipótesis para múltiples sensores basado en una puntuación inteligente de trayectorias (MH-T2TA). Se diseñó un módulo de registro espaciotemporal basado en autoatención y aprendizaje contrastivo para eliminar errores y unificar la distribución asíncrona de trayectorias. La combinación del algoritmo multi-hipótesis con el aprendizaje profundo estima la puntuación de asociación de un par de trayectorias sin depender de información a priori y modelos de movimiento supuestos, obteniendo así el mejor par asociado. Bajo la restricción de tres funciones de pérdida, las trayectorias del mismo objetivo se acercan, las de diferentes objetivos se alejan, y la puntuación estimada es muy similar a la real. Los resultados experimentales muestran que MH-T2TA puede lograr la asociación de trayectorias en escenarios complejos y que su rendimiento supera al de otros métodos T2TA.

asociación trayectoria-trayectoria; algoritmo multi-hipótesis; puntuación de trayectoria; redes neuronales