随着自动驾驶技术的快速发展,利用雷达进行环境感知成为研究热点。由于毫米波比光波长,穿透物体的能力也更强,其生存和可靠性是其他传感无法比拟的,所以毫米波雷达在汽车环境感知中占有非常重要的地位。单个毫米波雷达探测范围有限,获取的量测相对片面,所以采用多个雷达对环境进行全方位探测。在使用雷达对环境进行量测时,不清楚环境中目标的个数,无法判定量测是由目标还是障碍物产生。需要使用数据关联技术把毫米波雷达获取的量测数据与上一时刻的历史目标进行关联,然后对历史目标进行状态更新。由于毫米波雷达原始输出数据为点云级别的量测数据,点云级别的数据经过处理后可输出目标级别的量测数据,所以本文从这两类数据分别进行研究。本文在进行毫米波雷达点云级数据的关联跟踪算法的研究时,以待聚类点云级数据的x,y,z距离值作为聚类算法的输入。使用改进的核密度估计的K-means聚类算法对点云数据进行聚类处理。仿真结果表明改进后的方法可以提高聚类目标判断正确数。提取聚类后点云簇具有代表性的特征信息送入数据关联算法。提出全局误差最小的数据关联算法对点云级数据进行关联处理,然后使用卡尔曼滤波对点云目标进行状态估计,输出目标级别的运动状态信息。对目标级别的量测数据进行数据关联跟踪融合时,充分考虑可利用的量测信息。利用隶属度函数衡量候选量测各模态量测与历史目标相应预测状态之间隶属度。为了解候选量测的各模态在关联匹配中的重要程度,采用主、客观权重对候选量测各模态量测信息进行加权。对得到的各模态量测信息的主、客观权重值进行组合得到组合权重。利用组合权重对隶属程度进行加权,获得各候选量测与各历史目标之间综合相似度矩阵。以全局综合相似度最大为原则进行候选量测与历史目标的数据关联匹配。仿真结果表明使用组合赋权法进行数据关联获得的关联正确率稍高于不加权、使用单一赋权法的数据关联结果。与多个雷达获得的量测都关联匹配成功的历史目标利用D-S证据理论进行数据融合,最终使用卡尔曼滤波更新历史目标在本时刻的运动状态值。本文对所提出的算法进行仿真分析,对目标级量测数据的数据关联、跟踪及融合算法进行了实车实验。仿真和实验结果表明本文提出的算法能较好对目标进行关联跟踪。