智能网联技术在智能层面指的是自动驾驶技术,自动驾驶技术主要包括环境感知、路径规划和决策控制三个模块。其中,环境感知是路径规划和决策控制的基础,是实现整个自动驾驶技术的前提条件。而动态车辆检测与跟踪（Dynamic Vehicle Detection and Tracking,DVDT）是整个自动驾驶感知模块的核心功能之一,主要负责感知自动驾驶场景中其他正在行驶车辆,然后基于车辆的时序信息,估计车辆在不同时刻下的状态。在解决动态车辆检测与跟踪问题的方法中,基于模型的方法充分利用了车辆形状的先验信息,计算效率高,且不需要任何训练成本,因此获得了广泛的关注与应用。现阶段,在基于模型的方法中,基于固定尺寸模型的动态车辆检测与跟踪方法表现出较好的位姿估计精度和较高的车辆检测召回率和精确率,但一成不变的尺寸参数使得模型的普适性较差。鉴于此,本文对基于凸包模型的位姿估计方法（Pose Estimation with Convex-Hull Model,PE-CHM）进行改进,使得模型可以自适应地估计各种车辆的尺寸和位姿,改进后的模型被称为（Adaptive Pose Estimation with Convex-Hull Model,APE-CHM）。基于APE-CHM,本文提出一种基于自适应模型的动态车辆检测与跟踪方法。本文的主要内容如下:1)首先,本文介绍了算法所采用的激光雷达传感器及其采集得到的点云的特点,以及动态车辆初步检测算法。动态车辆初步检测算法主要包括激光雷达点云预处理、坐标系转换以及动态物体检测三个步骤。其中,激光雷达点云预处理步骤包括地面点去除和聚类,主要负责去除无关的地面点并将点云分割成障碍物;坐标系变换步骤负责将不同时刻下的点云数据转换到相同的坐标系;动态物体检测步骤采用基于虚拟扫描帧的动态物体检测算法检测场景中的运动物体。2)初步检测得到的动态物体集合中包含了大量的杂波,需要进一步从中筛选出动态车辆。接下来本文介绍了从动态物体中确认车辆的相关算法。动态车辆确认算法主要包括数据关联、基于凸包模型的自适应位姿估计算法（即APECHM）、审查运动证据和运动一致性三个步骤。数据关联步骤负责找到动态物体在不同时刻下的关联对象;在关联之后,使用APE-CHM建模动态物体及其关联对象,APE-CHM是本文根据PE-CHM改进而来,在PE-CHM的基础上增加了尺寸推断步骤,可以自适应地估计目标车辆的尺寸和位姿;在建模之后,则通过审查动态物体的运动证据和运动一致性去除动态物体中的杂波,从而得到动态车辆。至此,车辆检测算法结束。实验结果显示:相比于PE-CHM,本文提出的APE-CHM不仅具有更高的位姿估计精度,而且在车辆检测时具有更高的精确率和召回率。3)在检测得到运动的车辆之后,需要对其进行跟踪。最后本文介绍了车辆跟踪算法。在这一部分,本文提出一种基于锚点的状态估计方法。该方法首先估计锚点的运动状态,接下来使用本文提出的基于APE-CHM的多模态形状估计方法来估计目标车辆的形状,最后联合锚点状态和目标的形状状态估计目标几何中心的运动学状态。实验结果显示:（1）在尺寸估计、位置估计以及速度估计三个方面,基于APE-CHM的锚点状态估计算法皆有更好的表现,它在速度估计方面略优于PE-CHM,而在尺寸估计和位置估计方面则具有显著的优势;（2）相比于传统形状估计方法,提出的基于APE-CHM的多模态形状估计方法大幅度减少了目标车辆的形状估计误差。